1、1南京工业大学全日制专业学位论文开题报告学 号： 292430111005研究生姓名： 卓晓冬导 师： 林锦国 龙涛研究方向： 图像处理与模式识别论文题目： 基于核特征的人脸识别算法研究学 院： 自动化与电气工程学院入学时间： 2009 年 9 月 开题时间： 2010 年 10 月22010 年 10 月 15 日填 报 说 明一、开题报告中必须采用计算机输入和打印。二、开题报告为 A4 大小，于左侧装订成册。三、开题报告要求摘要开题报告的内容应包括：1、课题的研究意义、国内外现状；2、与本课题有关的工作积累和已有的研究工作成绩；3、指出课题难点和拟解决的关键问题；拟采取的研究方法、技术线路
2、、试验方案及其可行性。4、计划进度和预期成果；四、开题报告一式二份，研究生和学院各存档一份。3一、立论依据课题来源、选题依据和背景情况、课题研究目的或工程应用价值在当今社会中，身份确认具有十分重要的价值。随着网络技术的发展，信息安全也显示出了前所未有的重要性。在经济、政府、安防和社会保障等领域存在巨大的应用价值，尤其是在需要对用户身份进行识别和验证的场合。当前用于个人身份鉴认的主要是 ID 卡（如身份证、工作证、学生证、银行卡）和密码口令。各种 ID 卡容易遗失、被盗窃、携带不便等缺陷，而且现在的不法分子的制作假 ID 卡的手段越来越高明。作为另一种常见的身份鉴别形式的密码口令，则容易被遗忘和
3、破译，尤其是人们为了便于记忆，而以自己的生日、姓名电话号码和其他各种与自己紧密相关的公开的号码为密码，其安全性存在严重的隐患。近年来，人类的生物特征越来越广泛的应用于个人的身份鉴认，相比于传统的方法安全、可靠、特征唯一、稳定性高，不易被盗窃和破解。人类固有的生物特征主要有：DNA、指纹、虹膜、语音、步态、掌纹、人脸等，基于人们对独立的个体特征的认知，结合先进的计算机技术和模式识别理论，诸如 DNA 识别技术、指纹识别技术、人脸识别技术等纷纷发展起来。就目前的研究水平而言，DNA 鉴定和指纹识别具有较高的识别率，可靠性最强但其使用的强约束条件还是限制了这两种方法的使用。人脸识别相比于其他的生物特
4、征识别方法具有如下的强大优势：（1）无需用户过多参与，非接触式采集，无侵犯性；（2）对用户没有任何明显刺激，便于隐藏；（3）设备成本低廉，主要是采用摄像头来搜集人脸。因而人脸识别作为一种特殊的生物特征识别技术，拥有许多独特的应用环境，如罪犯搜捕、自动门禁系统、海关过境检查、信用卡确认等。人脸识别技术的研究涉及到心理物理学、神经科学、图像处理、模式识别、计算机视觉、统计学和人工智能的众多学科，因而技术门槛高，具有可观的盈利前景。国外已经开发出了一些成熟的人脸识别应用系统和各种辅助系统，但由于种族差异，暂时还很难进入我国市场，而国内仅有部分产品投入市场，因而国产的人脸识别系统仍存在广阔的市场。人脸
5、识别涉及到大量的二维图像的运算，计算复杂性高、运算量大，而且具有较强的实时性要求，而各种嵌入式芯片的发展也为人脸识别提供了硬件基础。与生活中的钥匙和密码相比，人的生物特征不易被修改、被盗或被人冒用，而且随时随地都可以使用。因此，生物识别技术有广阔的应用前景，尤其是在门禁系统的应用方面。据美国权威部门经过社会调查而做出的科学估计，生物识别技术将成为未来十年中对人们生活最具影响力和最有发展前途的十大应用技术之一。尽管存在非常可靠的基于生物特征个人身份鉴别方法，例如指纹分析、视网膜或虹膜扫描等，但是这些方法都依赖于参与者的合作。相比之下，一个基于正面或侧面人脸图像分析的个人身份鉴别系统通常可以在么有
6、参与者的合作或知情的情况下有效的工作。相对于其它种类的生物特征，人脸图像通过直接、自然的方式获取，而且采集人脸的设备相对来说也是很便宜和到处存在的。因此，人脸识别直接、友好、方便、不侵犯使用者的隐私，属于非侵犯的主动识别，易于为用户所接受。人脸识别系统在设计好了之后需要进行性能评价，判断该系统和所采用的识别算法能否投入使用，可靠性有多高，稳定性是否良好。在涉及评价机制时必须要考虑以下几点：（1）要有大量的样本用于评价；（2）训练集中的人脸样本应该在统计意义上与测试样本比较接近；（3）要同时研究系统的错误接受率（Costs of errors) 和错误拒绝率（Reject-error）。人脸识别
7、系统评价的常用指标包括以下几点：（1）系统识别率（Accuracy Requirements），即要求系统的识别率高，主要用错误接受率和错误拒绝率两个指标来衡量，并且存在以下关系：识别率=100% - 错误接受率 - 错4误拒绝率。（2）对样本的约束（Constraints on Samples），在不影响识别性能的情况下，要求训练样本数尽可能少，测试样本应比实际应用场合更为复杂，同时也要考虑系统的鲁棒性。（3）速度和硬件的要求（Speed and Hardware Requirements），要求系统的训练速度和识别响应速度尽可能快，而对系统的硬件要求尽可能低。（4）人机界面（Human I
8、nterface），希望系统的人机界面友好，而又不影响系统的实际应用。由于本课题主要从事人脸识别理论性的算法研究，更多的是考虑系统识别率和对样本约束这两个指标。一个典型的自动人脸识别系统分为训练和识别两个步骤，两个步骤都需要检测和定位人脸、人脸图像的预处理和特征提取和选择。其中前者一般是离线运算的，而识别则是在线操作的。具体步骤如下：（1）人脸的检测和定位，即检测所给图像中有没有人脸存在，若有则将人脸标示出来，这对于简单背景的单个人脸图片实现是比较容易的，而当人脸的背景过于复杂，或者是图片中存在多张人脸时，检测则相对比较困难。现有的算法一般都只能适用于一定的环境，无约束环境下的人脸检测问题仍然
9、没有得到很好的解决。人脸检测的主要困难主要体现在人脸是一个非刚性物体，在不同表情下，脸部器官的运动迥异；胡须、眼镜、头发等结构特征的影响；光照、视角、成像条件增加了检测的难度；墨镜、围巾等遮挡物也会产生不利影响。（2）人脸图像的预处理，人脸检测得到的人脸图像，可能存在倾斜和光照不好等情况，一般需要进行几何归一化和灰度归一化的工作。几何归一化是将人脸通过图像处理技术变换为大小一致且人脸不存在偏角的图片。灰度归一化则就是对图像进行光照补偿，如主元分析法则会采用去均值的手段，必要的时候可以用标准差进行归一化。（3）特征提取和选择，识别人脸主要是依据人脸上的特征，也就是说依据那些在不同个体之间存在较大
10、差异而对于同一个人则比较稳定的度量。 这到目前为止还没有找到非常理想的特征提取方法，在实际操作中主要是通过各种各样的变换来达到降维的效果，如特征脸方法中 K-L 变换就是属于特征提取，而之后的主元选取就是属于特征选择。除此之外还有 DFT、DCT、小波变换等等。以上都是基于整个人脸的特征提取，还存在基于局部特征的提取方法，如利用显著器官（眼、鼻、耳、嘴等）之间的距离关系以及通过训练学习求得的局部特征，Gabor 变换就是一个典型。（4）人脸识别，在识别前对人脸库进行处理，得到各个个体的特征信息，单独建立一个新的数据库，在识别过程中，只要采用同样的方法得到输入人脸图片的特征信息，并与库中的各个体
11、信息进行比较。在比较之前需要确定相似性尺度，常用的是欧氏距离和基于贝叶斯准则的概率尺度。识别可以分为两种：一种是人脸辨认，即需要确认被识别者的具体的个体信息；另一种是身份证实，只要判断识别对象是否在数据库中个体的一员。整个人脸识别的研究主要是围绕特征提取和特征选择展开的。因为之前预处理步骤和图像处理的工作是相通的，而之后的识别步骤和一般的模式识别问题是一致的。人脸变化复杂，是一个塑性变形体，和生理学和心理学紧密相连，而且对于人类的识别能力，在许多解释上还存在分歧，仍需要做进一步的深入研究。在进行人脸识别时，表情是一个不容忽略的问题，因为表情的变化直接影响着人脸识别的结果。借助认知经验的积累,人
12、类对表情的识别能力较强，可以准确识别多种不同的面部表情。但用计算机实现表情特征检测却很困难，这是因为人脸是一个柔性体而不是刚体,要想建立精确的表情模型很困难；其二建立人脸表情模型和情绪分类,并把它们同面部特征的变化联系起来也比较困难；此外，人脸表情丰富且表情的变化细微而复杂，对表情变化5特点的抽象概括也较困难。所以，一般的人脸识别方法都是建立在无表情人脸的假设前提下进行实现的。虽然对于表情的研究实现起来比较困难，但它同时作为人工心理学的一个重要分支，在国内外受到普遍关注。现有的人脸特征检测方法很多,它们从不同的侧面给出人脸特征数据，如果能真正的把这些特征进行有效融合处理,这也是提高人脸识别性能
13、的一种有效手段。在融合处理时首要面临的问题是解决时空的一致性,即时间上同时性和空间上的一致性(变换到同一坐标系下),其次是方法的融合,由于不同方法产生不同的关系,彼此间可能无关也可能相抵触,如何使得这些相容或不相容的内容融合在一起是问题的关键。在过去的几十年中出现了很多人脸识别方法，尤其是上世纪 90 年代以后人脸识别更是迅猛发展。从获取人脸的渠道，可以将人脸识别分为静止图像人脸识别和视频人脸识别。这里我们按照 W. Zhao 等人的分类方法，将静止图像的人脸识别分为以下三种：（1）基于全局信息的方法。将人脸的所有区域作为人脸识别系统的初始输入，其中的典型就是特征脸和 Fisher 脸方法。（
14、2）基于局部特征的方法。显著器官（如眼、鼻、耳、嘴等）首先被抽取出来，然后进行几何分析或统计分析，并将其作为结构化分类器的输入。（3）综合方法。就像人类自身的识别一样，同时使用全局和局部信息来识别人脸，这种方法要比前两种方法优越。人脸识别系统在设计好了之后需要进行性能评价，判断该系统和所采用的识别算法能否投入使用，可靠性有多高，稳定性是否良好。在涉及评价机制时必须要考虑以下几点：（1）要有大量的样本用于评价；（2）训练集中的人脸样本应该在统计意义上与测试样本比较接近；（3）要同时研究系统的错误接受率（Costs of errors) 和错误拒绝率（Reject-error）。本课题就门禁人脸识
15、别系统中受光照、表情以及姿态等因素的影响而识别率有所下降，因此，为了提高系统识别的鲁棒性，在一定环境范围内，考虑上述不定因素，有机地结合目前已有的算法，并根据具体情况进行算法的改进，最终在已有的人脸识别门禁系统上将识别的正确率提升，降低误识率和拒识率。6二、文献综述国内外研究现状、发展动态基于核函数的鉴别分析方法是近来样本识别中的一个研究热点。基本思想是将原特征空间通过某种形式的非线性映射变换到一个高维空间, 并借助于核技巧在新的空间中应用鉴别分析方法。由于新空间中的线性方向对应于原特征空间的非线性方向,所以基于核的鉴别分析得出的鉴别方向也对应原特征空间的非线性方向。这种方法不需要对原特征空间
16、进行任何直接的非线性映射, 从而使计算鉴别矢量和进行鉴别分析的工作变得相对容易。基于核的最小平方误差方法是核方法中使用较多的方法之一。该方法将两类分类作为一个离散值回归问题对待。可以说明,两类的类别标示取不同值时,这种方法可等效于核Fisher 鉴别分析或者 LS- SVM(最小平方支持向量机) 。而且 , 该方法还具有如下性质: 当样本数趋于无穷时, 该方法以最小平方误差逼近贝叶斯判别函数。与其他核方法一样, 核最小平方误差方法中,由于对每一个待测样本进行分类时均需计算它与所有训练样本间对应的核函数, 所以测试效率较低。为了较好地对分类器进行训练, 一般要求拥有较多的训练样本; 而训练样本越
17、多, 对测试样本的分类效率低下的矛盾就越突出。这样的特点将大大限制该方法的应用,尤其在不断有大量新样本需要分类的实时应用需求中。在模式分类问题中,过高的数据维数不仅会增加数据采集难度, 还会增加存储空间及数据噪声,从而影响分类器的性能。特征选择和特征提取从不同的角度尽可能地克服这些问题带来的负面影响。特征选择的任务就是从初步选出的特征集中进一步筛选能实现分类性能最大化的最小特征子集,以降低数据采集难度和数据噪声。而特征提取的任务是通过某种数学变换,将数据投影到一个低维空间,以减少存储空间的开销,同时降低数据噪声,提高分类器性能。之前，有人讨论了利用支持向量机以及遗传算法进行特征选择的方法。然而
18、特征选择后的数据集仍有一定的冗余度和数据噪声,通过使用基于核方法的主成分分析,将特征选择后的数据集进一步投影到一个更低维的特征空间,从而进一步实现数据维数约简和降噪,改善分类器的性能。在模式分类中,当输入空间数据线性不可分时,一种普遍的预处理策略是将输入空间 X 映射到一个新的空间 F= ( x ) |xX, 使输入数据在新的空间 F 中是线性可分的, 从而可通过一个线性分类器进行模式分类。核方法的总体思路在问题的求解过程中,将与输入向量相关的部分表示为点积的形式,如X i,Xj ，在映射 的作用下, 相当于特征空间中点积 （X i） ，（X j ） ,即输入空间中的 K (Xi,Xj) .目
19、前的研究表明, 核方法在一系列的应用中表现出非常优秀的性能, 如基于核的特征提取方法可有效地解决特征提取中的非线性问题;支持向量机可以降低分类面的复杂度、 提高分类精度;基于核的野点检测方法比常规野点检测方法具有更好的野点检测能力。核方法的基本思想将原特征空间中的样本通过某种形式的非线性映射，变换到一个高维甚至无穷维空间，并借助于“核技巧”在新的空间中应用线性的分析方法求解。由于新空间中的线性方向对应于原特征空间的非线性方向，所以基于核的鉴别分析得出的鉴别方向也对应原特征空间的非线性方向，基于核的鉴别分析是一种原始空间的非线性鉴别分析方法。相对于其它非线性方法，这种方法的独特和关键之处在于它巧
20、妙地借助于“核函数”进行样本之间的内积运算，随后对生成的核样本向量进行相应的线性运算求取鉴别矢量集，7而不需要求出原始特征空间样本进行非线性映射后的形式，使得它优于普通的非线性鉴别分析方法。非线性的核方法也有一些弱点。首先是几何意义不明确，经过核变换以后我们无法知道样本变成了什么:核参数选取没有相应选择标准，大多数时候只能采取试算和经验选取参数;不适合大训练样本的情况，经过核变换以后，样本的维数等于训练样本的个数，如果训练样本数很大，核样本向量维数很高，将遇到计算量上的难题。下面将列举一些人脸识别中常用的方法：1. 基于几何特征的人脸识别方法常采用的几何特征有人脸的五官如眼睛、鼻子、嘴巴等的局
21、部形状特征，脸型特征以及五官在脸上分布的几何特征。提取特征时往往要用到人脸结构的一些先验知识。在这种基于几何特征的识别中，识别总归为特征矢量之间的匹配，基于欧氏距离的判决是最常用的识别方法。侧影识别是最早的基于几何特征的人脸识别方法，主要是从人脸侧面轮廓线上提取特征点入手。一般将侧影简化为轮廓曲线，从中抽取若干基准点，用这些点之间的几何特征来进行识别。由于现在的证件照片多为正面，而且侧面照片约束很多，所以对侧面人脸识别的研究最近已不多见。正面人脸识别最关键的一步是合适的归一化，使之不依赖于图像中人脸的位置尺度和旋转变化。识别所采用的几何特征是以人脸器官的形状和几何关系为基础的特征矢量，其分量通
22、常包括人脸指定两点间的欧式距离、曲率、角度等。例如，和用积分投影法提取出维人脸特征矢量用于模式分类。基于几何特征的识别方法具有如下优点：符合人类识别人脸的机理，易于理解。对每幅图像只需存储一个特征矢量，存储量小。对光照变化不太敏感。这种方法同样存在如下问题：从图像中抽取稳定的特征比较困难，特别是特征受到遮挡时。对强烈的表情变化和姿态变化的鲁棒性较差。一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息丢失，更适合于粗分类。2. 基于模板匹配的人脸识别方法模板匹配法是一种经典的模式识别方法，这种方法大多是用归一化互相关，直接计算两幅图像之间的匹配程度。由于这种方法要求两
23、幅图像上的目标要有相同的尺度、取向和光照条件，所以预处理要做尺度归一化和灰度归一化的工作。最简单的人脸模板是将人脸看成一个椭圆，检测人脸也就是检测图像中的椭圆。另一种方法是将人脸用一组独立的小模板表示，如眼睛模板、嘴巴模板、鼻子模板、眉毛模板和下巴模板等。但这些模板的获得必须利用各个特征的轮廓、而传统的基于边缘提取的方法很难获得较高的连续边缘。即使获得了可靠度高的边缘，也很难从中自动提取所需的特征量。为此，用弹性模板方法提取特征显示出其独到的优越性。弹性模板由一组根据特征形状的先验知识设计的可调参数所定义。为了求出这组参数，需要利用图像的边缘、峰值、谷值和强度信息及特征形状的先验知识设计合适的
24、能量函数。参数向能量减小方向调整，当能量达到最小时，这组参数对应的模板形状最符合特征形状。Poggio 和 Brunelli 专门比较了基于几何特征的人脸识别方法和基于模板匹配的人脸识别方法，并得出结论：基于几何特征的人脸识别方法具有识别速度快和内存要求小的优点，但在识别率上模板匹配要优于基于几何特征的识别方法。增加几何特征对于基于几何特征的人脸识别方法只能轻微地提高识别率，因为要提高几何特征的提取质量本身就十分困难，而且随着图像质量的下降和人脸遮挡的引入，基于几何特征的人脸识别效果会大幅下降。总之，模板匹配法要优于几何特征法。3. 特征脸方法特征脸（Eigenface）方法是从主成分分析（P
25、rincipal Component Analysis，PCA） ，导8出的一种人脸识别和描述技术。PCA 实质上是 KL 展开的网络递推实现，KL 变换是图像压缩中的一种最优正交变换，其生成矩阵一般为训练样本的总体散布矩阵。特征脸方法就是将包含人脸的图像区域看作是一种随机向量，因此可以采用变换获得其正交 KL 基底。对应其中较大特征值的基底具有与人脸相似的形状，因此又称之为特征脸。利用这些基底的线性组合可以描述、表达和逼近人脸图像，因此可以进行人脸识别和合成。识别过程就是将人脸图像映射到由特征脸张成的子空间上，比较其与己知人脸在特征脸空间中的位置。在传统特征脸方法的基础上，研究者注意到特征值
26、大的特征向量（即特征脸）并不一定是分类性能最好的向量，而且对 KL 变换而言，外在因素带来的图像差异和人脸本身带来的差异是无法区分的，特征脸在很大程度上反映了光照等的差异。实验表明，特征脸方法随着光照、角度和人脸尺寸等因素的引入，识别率急剧下降，因此特征脸方法还存在着理论的缺陷。近年来，据此发展了多种对特征脸的改进方法，如双子空间法、相形歧义分析方法、Fisher 脸方法等。其中 Fisher 脸方法又称为线性判别分析方法（Linear Discriminate Analysis，LDA） ，它选择以类内散布正交的矢量作为特征脸空间，从而能压制图像之间的与识别信息无关的差异，对光照及人脸表情变
27、化都不太敏感。Luis 等人从传统特征脸发展出自身特征脸的概念，使用这种技术并结合人脸颜色信息，可以有效地从动态图像序列中识别出指定的人脸。另一方面，以 PCA 为基础的传统特征脸方法没有利用人脸的几何拓扑特征，为此 Albert 等将 PCA 与人脸拓扑关系结合起来提出 TPCA（Topological Principal Component Analysis）方法，识别率较单一的 PCA 类方法有所提高。Moghaddam等将人脸图像差异分为脸内差异和脸间差异，其中脸内差异属于同一个人脸的各种可能变形，而脸间差异则表示不同人的本质差异，而实际人脸图的差异为两者之和。通过分析人脸差异图，如果
28、脸内差异比脸间差异大，则认为两人脸属于同一个人的可能性大，反之属不同人的可能性大。这种算法在 1996 年进行的 FERET 人脸识别测试中取得了最好的识别效果，其综合识别能力优于其它任何参加测试的算法，尤其是在克服光照变化对识别的影响方面。此外，与 KL 变换的思想比较接近但不是从统计角度出发的另一种变换是奇异值分解（SVD）的方法，即将图像矩阵的奇异值作为模式的特征矢量。SVD 方法具有如下优点：人脸图像的奇异值具有良好的稳定性，当图像上有小的扰动时，奇异值变化不大；奇异值表示了图像的代数特征，是一种本质的内在特征，在某种程度上，SVD 特征同时拥有代数与几何两方面的不变性，即对图像灰度值
29、的比例变化、平移、旋转和伸缩不变性。4. 隐马尔可夫模型隐马尔可夫模型（Hidden Markov Model，HMM ）是用于描述信号统计特性的一组统计模型。HMM 使用马尔可夫链来模拟信号统计特性的变化，而这种变化又是间接地通过观察序列来描述的，因此，隐马尔可夫过程是一个双重的随机过程。在 HMM 中，节点表示状态，有向边表示状态之间的转移，一个状态可以具有特征空间中的任意特征，对同一特征，不同状态表现出这一特征的概率不同。由于 HMM 是一个统计模型，对于同一特征序列，可能会对应于许多状态序列，特征序列与状态序列之间的对应关系是非确定的。这种模型对于状态序列来说是隐藏的，故称为隐马尔可夫
30、模型。HMM 有三个主要问题：评估、估计及解码。我们关心的是前两个问题。评估用于解决识别问题，一般采取比较有效的“向前向后”法；估计用来产生用于识别的各个单元的 HMM，采取 Baum Welch 方法。5. 基于神经网络的方法9神经网络在人脸识别应用中有很长的历史。早期用于人脸识别的神经网络主要是Kohonen 自联想映射神经网络，用于人脸的“回忆” 。所谓 “回忆”是指当输入图像上的人脸受噪声污染严重或部分缺损时，能用 Kohonen 网络恢复出原来完整的人脸。 Cottrell等人使用级联 BP 神经网络进行人脸识别，对部分受损的人像、光照有所变化的人像，个人识别能力较好。Intrato
31、r 等人用一个无监/ 督监督（BCM/BP ）混合神经网络进行人脸识别。其输入是原始图像的梯度图像，以此可以去除光照的变化。无监督学习的目的是寻找类的特征，有监督学习的目的是减少训练样本被错分的比例。这种网络比用网络提取的特征更明显，所以识别率更高，如果用几个网络同时运算，求其平均，识别效果还会提高。Lawrance 和 Giles 等人用一个自组织特征映射（ SOM）神经网络与卷积神经网络结合的系统对一个有 400 幅人脸图像、人均 10 幅的数据库进行了人脸识别研究。其中SOM 网络的作用是将图像样本量化到降维的拓扑空间，它使原空间中相邻的输入点在输出空间中仍相邻。卷积网络用以实现相邻像素
32、之间的相关性知识，从而在一定程度上实现了图像平移、旋转、尺度和局部变形的不变性。Lin 和 Kung 将神经网络方法和统计方法结合在一起，提出了一种基于概率决策的神经网（Probabilistic Decision Based Neural Network，PDBNN ）用于识别人脸。其主要思想是采用虚拟样本（正反例）进行强化和反强化学习，从而得到较理想的概率估计结果，并采用模块化的网络结构加快网络的学习。这种网络结构继承了决策神经网络（DBNN）的结构，并加入概率变化。每个子网对应一个人，这种结构不仅有利于训练和识别，而且有利于做硬件。6. 弹性图匹配方法弹性图匹配方法21是一种基于动态链接
33、结构（Dynamic Link Architecture，DLA ）的方法。它将人脸用格状的稀疏图表示，图中的节点用图像位置的 Gabor 小波分解得到的特征向量标记，图的边用连接节点的距离向量标记。匹配时，首先寻找与输入图像最相似的模型图，再对图中的每个节点位置进行最佳匹配，这样产生一个变形图，其节点逼近模型图的对应点的位置。Wiskott 等人使用弹性图匹配方法，以 FERET 图像库做实验，准确率达到 97.3%。弹性图匹配方法对光照、位移、旋转及尺度变化都不敏感，是一种优于特征脸方法的人脸识别方法。此方法的主要缺点是对每个存储的人脸需计算其模型图，计算量大，存储量大。为此，Wiskot
34、t 在原有方法的基础上提出聚束图匹配，部分克服了这些缺点。在聚束图中，所有节点都己经定位在相应目标上。对于大量数据库，这样可以大大减少识别时间。另外，利用聚束图还能够匹配不同人的最相似特征，因此可以获得关于未知人的性别、胡须和眼镜等相关信息。Lee 等提出了一种基于弹性图动态链接模型的方法，既取得较高的识别速度，也获得了较理想的识别率，在一定程度上克服了以往方法总是在速度与识别率之间进行折中的缺点。7. 其他人脸识别方法目前人脸识别研究的对象基本上都是针对二维灰度图像，除此之外，还有深度人脸图像识别和红外人脸图像识别方法。深度图像包含了人脸的深度信息，针对深度图像提出了一种基于模板的用图像数据
35、的曲率作描述子的识别方法。他使用一个旋转的激光扫描系统获得人脸深度图像，获得的曲面数据以柱坐标形式存储，然后根据曲面上各点法向最大和最小曲率的振幅和相位值定位眼睛、鼻子和两侧脸部区域。红外人脸图像（也叫温谱图）对每个人来说都是唯一的，所以可以利用温谱图识别人脸。另外在黑暗中也能捕捉红外光，因此用红外人脸图像在黑暗中也能进行识别。对于多摄像机系统，可以得到多视点人脸图像，从而可以获得人脸的立体模型，含有三维信息的特征能有效解决人脸在光照、伪装或年龄变化等情况下的识别问题。10参考文献：1 Samal A, Iyengar P A. Automatic recognition and analys
36、is of human faces and facial expressions: A survey. Pattern Recognition, 1992,25(1):65-77.2 R. Chellappa, C. L.Wilson, and S. Sirohey, “Human and machine recognition of faces: A survey,” Proceedings of IEEE, vol. 83, pp. 705-740, 1995.3 Zhao, W., Chellappa, R., Phillips, P. J., Rosenfeld, A., 2003,
37、Face recognition: A literature survey, ACM Computing Surveys (CSUR), V. 35, Issue 4, pp. 399-458.4 Turk, M. A., Pentland, A. P., Eigenfaces for recognition, 1991, Cognitive Neurosci., V. 3, no.1, pp.71-86.5 Craw I, Cameron P. Face recognition by computer. In: Hogg D, Boyle R, editors. British Machin
38、e Vision Conference 2002, Springer-Verlag, 1992:498507.6 H. Peng, D. Zhang, “Dual Eigenspace method for human face recognition,” Electronics Letters, 1997, 33(4):283-284.7 O. Deniz, M. Castrillon and M. Hernandez, Face recognition using independent component analysis and support vector machines, Pat
39、tern Recognition Letters, Volume 24, Issue 13, Audio- and Video-based Biometric Person Authentication (AVBPA 2001), September 2003, Pages 2153-2157.8 C. Liu, H. Wechsler, Evolutionary Pursuit and Its Application to Face Recognition, IEEE Trans. on Pattern Analysis and Machine Intelligence, Vol. 22,
40、No. 6, June 2000, pp. 570-582.9 Stan Z. Li, Juwei Lu, Face recognition using the nearest feature line method, IEEE Trans. on Neural Networks, 10(1999)2, 439-443.10 Bartlett M S, Movellan J R, Sejnowski T J. Face Recognition by Independent Component AnalysisJ. IEEE Transaction on Neural Network, 2002
41、, 13(6):1450-1464.11 Baback Moghaddam, Tony Jebara and Alex Pentland, Bayesian face recognition, Pattern Recognition, Volume 33, Issue 11, November 2000, Pages 1771-1782.12 B. Moghaddam, Principal manifolds and probabilistic subspaces for visual recognition, IEEE Trans. on PAMI, 24(2002)6780-788.13
42、Lin S H, Kung S Y, Lin L J. Face recognition/detection by probabilistic decision-based neural network J. IEEE Trans. on Neural Networks, 1997, 8(1): 114-132.14 Xiaoxun Zhang and Yunde Jia, A linear discriminant analysis framework based on random subspace for face recognition, Pattern Recognition, Vo
43、lume 40, Issue 9, September 2007, Pages 2585-2591.1115 Chunghoon Kim and Chong-Ho Choi, Image covariance-based subspace method for face recognition, Pattern Recognition, Volume 40, Issue 5, May 2007, Pages 1592-1604.16 X.S. Zhuang and D.Q. Dai, Inverse Fisher discriminate criteria for small sample s
44、ize problem and its application to face recognition, Pattern Recognition 38 (2005) (11), pp. 2192-2194.17 Xiao-Sheng Zhuang and Dao-Qing Dai, Improved discriminate analysis for high-dimensional data and its application to face recognition, Pattern Recognition, Volume 40, Issue 5, May 2007, Pages 157
45、0-1578.18 Berk Gokberk, M. Okan Irfanoglu, Lale Akarun and Ethem Alpaydin, Learning the best subset of local features for face recognition, Pattern Recognition, Volume 40, Issue 5, May 2007, Pages 1520-1532.19 Liwei Wang, Xiao Wang and Jufu Feng, Subspace distance analysis with application to adapti
46、ve Bayesian algorithm for face recognition, Pattern Recognition, Volume 39, Issue 3, March 2006, Pages 456-464.20 J. Yang, J.Y. Yang, “From Image Vector to Matrix: A Straightforward Image Projection TechniqueIMPCA vs. PCA,” Pattern Recognition, vol. 35, no. 9, pp. 1997-1999, 2002.21 K. Liu et al., “
47、Algebraic Feature Extraction for Image Recognition Based on an Optimal Discriminant Criterion,” Pattern Recognition, vol. 26, no. 6, pp. 903-911, 199322 苏剑波，徐波 . 应用模式识别技术导论：人脸识别与语音识别. 上海交通大学出版社，2001: 5053.23 黄福珍，苏剑波. 人脸检测. 上海交通大学出版社，2006: 53-5524 Sergios Theodoridis, Konstantinos Koutroumbas 等著，李晶皎等
48、译. 模式识别（第三版）. 电子工业出版社，2006: 138-25825 顾华,苏光大,杜成.人脸的眼角自动定位.红外与激光工程,2004,33（4）:37537926 赵慧琳,王林泉,葛元.人脸图像定位与标准化算法.计算机工程,2003,29（22）:15816027 刘泽玲。人脸识别技术方法对比研究J。科技信息，2008(24):61.28 陈慧萍，钱旭。人工智能教程M。北京:电子工业出版社。200629 李芹，练秋生。基于生物视觉模型的人脸识别设计J。视频应用与工程，2008(2):81-84.30 鲍正祥。浅谈人脸识别技术J科技创新导报，2008(31):4-7.31 陈银河。人脸检
49、测和识别系统研究D。五邑大学，2008。32 吴振中。人脸识别特征提取的研究D。南京理工大学，2008。33 韩燕丽，杨慧宇，苏伟。基于分形和肤色模型的自然态人脸检测方法研究J。计算机应用，2009(30): 251-254。34 张立刚，何东健。基于肤色模型和区域特征的人脸检测方法J。计算机工程，2008(19): 209-211。1235 俞王新，王志中，庄玛。一种基于肤色模型和眼睛定位的人脸检测方法J。计算机工程与应用 2008(44): 21-29036 孙炜，郭健.二维人脸检测技术研究J，计算机与数字工程，2008(8): 140-145.37 曾阳艳，叶柏龙.“基于 PCA 方法的人脸特征提取和检测” ，电脑知识与技术 2008,(04):742-74438 谢永华，陈伏兵，张生亮，杨静宇.基于分块小波变换与奇异值闽值压缩的人脸特征提取与识别算法，计算机应用与软件，2008,(01):30-3239 丁宝亮，人脸特征建模中特征点的提取，科技创新导报，2008(13):11-1240 Jing Hua
