人脸识别技术及特征算法简概

人脸识别技术及特征算法简概

                电子科技大学 格拉斯哥学院 2017级 郝宇菲

报告正文：
人脸识别一直是最近很火的一个话题。从iPhone的face ID，到智能支付等等。刷脸已经成为了我们现实生活中那个较为常见的操作。当你走进学校的图书馆，却发现自己并没有带学生卡，此时我们需要走回宿舍去拿嘛？答案是否定的，刷脸进去就可以了。你看，这十分的方便。人脸识别相较于其他方式的优越性便体现了出来。这也是我对此感到有兴趣的原因。所以根据我们在新生研讨课上简单了解到的图像识别技术和矩阵知识，我会对人脸识别进行简单的分析。

• 人脸识别是一种根据人与人之间各不相同的五官特征等数据进行身份认证的技术。人脸同指纹，虹膜一样，是每个人独特的身份标志之一。同指纹，虹膜不同，在进行人脸识别时，人们不需要接触到任何机器，可以在多种场景下直接进行识别，因此更加的方便快捷。

• 图像识别会根据机器采集到的信息进行对比计算，例如明确人脸轮廓、五官位置、瞳间距、肤色等等。然后根据这些数据进行三维建模，模拟出立体的人脸。最终与数据库中已又的资料进行对比，得出结果。现在已经研发出来的计算方法有很多种，从最简单的几何算法到矩阵特征值等等，他们各有利弊，例如几何算法因为过程简单，识别速度快，但是出错率也较高。

• 经过查阅一些文献，我个人对于人脸识别方面的特征提取较有兴趣。人脸的特征提取就是从人脸图像中变换提取一组反映人脸特征的数值，通常特征维数很高，降维后作为样本，再把识别样本进行正确分类，称为特征匹配，这是一种决策规则。线性特征的主成分分析（PCA）是一种基于统计学的算法。也称为离散K-L或霍特林变换。假定人脸在新的低维空间的映射是有可分性的，这些投影映射可以作为新的特征向量来识别人脸。由于保留了人脸图像中的特征性状，因此常被用于数据降维处理。1991年 Turk 和 Pentland1发现把 K-L 变换后的特征向量还原成图像矩阵时，竟然是一张张标准化的人脸，用这些系数作为人脸的特征进行分类识别，就是最有名的特征脸方法。独立成分分析（ICA）即是利用数据的投影轴，找到独立的成分作为样本数据。这种算法是的机器收集到的所有维度的数据都得到了应用，而不是像PCA一样仅仅只使用了二阶统计数据而忽略了高阶数据，因此会更为全面。

• 特征提取还有矩阵特征值等算法，众多算法保证了如今人脸识别的准确性。但人脸识别依旧存在许多无法攻克的难关。例如人的面部表情是多变的，如何在人的面部表情改变时依旧精准的辨认出一个人的身份信息仍较为困难，人的五官特征虽有细微不同，但大体相似而且所差甚小等等。此外还有众多外在因素干扰；阳光，黑暗，年龄大小，发型，饰物等等。消除这些干扰因素并不简单。但相信在不远的未来，这些难关定能被攻克，是的人脸识别可以广泛应用于各大方面，造福人类。