在线会议中人脸面部轮廓图像提取（一）——前言

1.1研究背景及意义

(1)随着人类迈入数字时代，商业机构及政府部门逐渐意识到依靠用户名和密码来确定用户身份是不够安全的，而生物特征所具有的唯一性和不易被复制等特点可以进一步的增加用户身份鉴定的可靠性，因此未来几十年生物识别技术将成为数字安全领域的研究重点。生物识别技术包括人脸识别、指纹识别以及红膜识别等，人脸识别技术的本质是通过提取人脸存在的特征来进行身份的认证，与其他生物识别技术相比人脸识别具有以下6个应用上的优势：

(2)人脸识别是一种非接触的识别技术，不需要与用户发生肢体上的接触。

(3)人脸识别具有快速、便捷的优点。识别者只需要从采集设备前走过，其人脸图像就会被检测并采集，整个过程不会干预采集者的行为，简便且容易被接受。

(4)人脸识别具有直观、准确可靠的优点。使用人脸面部图像作为鉴别用户身份的依据，人们凭借肉眼就可以进行判断，所以其具有直观性且保证了较高的准确率。同时人脸识别技术可以自主的判断采集设备前是一个真正的人脸还是一张具有人脸的照片，因此起到了杜绝照片干扰的作用。

(5)人脸识别具有较高的性价比，同时具有较好的可扩展性。识别设备只需普通的P℃硬件和相关软件就可以实现。

(6)人脸识别具备较好的可跟踪性。该技术采用基于模型的方法或者基于模型与运动相结合的方法来对人脸进行检测和跟踪，即当特定的人脸在采集设备可以检测的范围内出现时，该技术可以自动的进行跟踪，从而起到对特定人员进行实时监控的作用，使其具有智能监控的功能。

(7)人脸识别具有自我学习的能力。有些识别系统能够自主地更新数据库中的人脸数据，从而在外界环境发生变化以及人脸发生变化的情况下准确的识别出目标。

1.2研究现状

        哈佛大学的Smith-Kettlewell团队主要研究基于模板的面部特征提取方法；麻省理工大学媒体实验室的Pentland团队主要研究基于K-L变换的特征脸方法；剑桥大学的Samaria团队主要研究隐马尔可夫模型方法；伦敦玛丽女王大学的Shaogang gong团队主要研究利用运动和颜色信息对动态图像序列进行人脸识别的方法等。国外在该领域具有权威性的会议有国际人工智能联合会议(International Joint Conference on Artificial Intelligence, IJCAI)、美国人工智能会议(American Association for Artificial Intelligence, AAAI)、国际计算机视觉与模式识别会议(IEEE Conference on Computer Vision and Pattern Recognition, CVPR)以及国际计算机视觉大会(IEEE International Conference on Computer Vision, ICCV)等。权威性的期刊有Journal of Machine Learning Research(JMLR)、IEEE Transactions on Pattern Analysis and Machine Intelligence(TPAMI)以及Artificial Intelligence(AI)等。Taigman等人在CVPR会议上提出先在图像上进行少数关键特征的提取，然后再利用支持向量回归方法进行人脸特征提取，该方法在提高人脸识别率上得到了很好的效果。

1.3研究内容

        我们将首先调查目前常用的人脸面部轮廓图像提取方法，选择其中的几个算法：HOG特征提取、Dlib库、卷积神经网络特征提取。对算法进行调整与理论分析。然后实验比较3种算法对人脸面部轮廓的提取。分析验证模型及算法的有效性和实用性。对人脸提取中是否存在隐私保护的问题。接下来将从理论到实现的更加详细为大家讲解，干货慢慢，尽请期待喔！

 

效果展示：