人臉圖像特徵提取演算法

『壹』 人臉識別的識別演算法

基於特徵臉方法

人臉識別是一個高維的模式識別問題，1987年Sirovich 和Kirby為減少人臉圖像的表示採用了PCA方法（主分量分析方法），1991年Matthew Turk 和Alex Pentland最早將PCA應用於人臉識別[3]，將原始圖像投影到特徵空間中，得到一系列降維圖像，取其主元表示人臉，由於主元具有臉的形狀故稱為「特徵臉」。

特徵臉方法是目前較為成功的正面人臉識別方法，但是只考慮了人臉的整體特徵且對光照的變化敏感，所以有學者提出了FLD方法，即Fisher臉。通過在Harvard和Yale人臉庫上做的測試表明Fisherfaces比Eigenfaces有更低的錯誤率且對於光照和表情變化有更好的魯棒性。實驗中部分特徵臉見圖1。

圖1 部分特徵臉

如前所述，特徵臉方法忽略了人臉的局部特徵（如：眉毛、眼睛、鼻子、口等）在識別中的作用，因此有學者在特徵提取時採用基於多特徵（eigenfaces，eigenUpper，eigenTzone，edge distribution）的方法，取得了較好的效果。另外，對人臉圖像預處理後，進行特徵臉分析也會明顯降低錯誤率。

『貳』 想問一下有沒有比較方便的人臉識別演算法，求推薦

主流的人臉識別技術基本上可以歸結為三類，即：基於幾何特徵的方法、基於模板的方法和基於模型的方法。
1. 基於幾何特徵的方法是最早、最傳統的方法，通常需要和其他演算法結合才能有比較好的效果；
2. 基於模板的方法可以分為基於相關匹配的方法、特徵臉方法、線性判別分析方法、奇異值分解方法、神經網路方法、動態連接匹配方法等。
3. 基於模型的方法則有基於隱馬爾柯夫模型，主動形狀模型和主動外觀模型的方法等。
1. 基於幾何特徵的方法
人臉由眼睛、鼻子、嘴巴、下巴等部件構成，正因為這些部件的形狀、大小和結構上的各種差異才使得世界上每個人臉千差萬別，因此對這些部件的形狀和結構關系的幾何描述，可以做為人臉識別的重要特徵。幾何特徵最早是用於人臉側面輪廓的描述與識別，首先根據側面輪廓曲線確定若干顯著點，並由這些顯著點導出一組用於識別的特徵度量如距離、角度等。Jia 等由正麵灰度圖中線附近的積分投影模擬側面輪廓圖是一種很有新意的方法。
採用幾何特徵進行正面人臉識別一般是通過提取人眼、口、鼻等重要特徵點的位置和眼睛等重要器官的幾何形狀作為分類特徵,但Roder對幾何特徵提取的精確性進行了實驗性的研究，結果不容樂觀。
可變形模板法可以視為幾何特徵方法的一種改進，其基本思想是 :設計一個參數可調的器官模型 (即可變形模板),定義一個能量函數，通過調整模型參數使能量函數最小化，此時的模型參數即做為該器官的幾何特徵。
這種方法思想很好，但是存在兩個問題，一是能量函數中各種代價的加權系數只能由經驗確定，難以推廣，二是能量函數優化過程十分耗時，難以實際應用。 基於參數的人臉表示可以實現對人臉顯著特徵的一個高效描述，但它需要大量的前處理和精細的參數選擇。同時，採用一般幾何特徵只描述了部件的基本形狀與結構關系，忽略了局部細微特徵，造成部分信息的丟失，更適合於做粗分類，而且目前已有的特徵點檢測技術在精確率上還遠不能滿足要求，計算量也較大。
2. 局部特徵分析方法（Local Face Analysis）
主元子空間的表示是緊湊的，特徵維數大大降低，但它是非局部化的，其核函數的支集擴展在整個坐標空間中，同時它是非拓撲的，某個軸投影後臨近的點與原圖像空間中點的臨近性沒有任何關系，而局部性和拓撲性對模式分析和分割是理想的特性，似乎這更符合神經信息處理的機制，因此尋找具有這種特性的表達十分重要。基於這種考慮，Atick提出基於局部特徵的人臉特徵提取與識別方法。這種方法在實際應用取得了很好的效果，它構成了FaceIt人臉識別軟體的基礎。
3. 特徵臉方法（Eigenface或PCA）
特徵臉方法是90年代初期由Turk和Pentland提出的目前最流行的演算法之一，具有簡單有效的特點, 也稱為基於主成分分析(principal component analysis,簡稱PCA)的人臉識別方法。
特徵子臉技術的基本思想是：從統計的觀點，尋找人臉圖像分布的基本元素，即人臉圖像樣本集協方差矩陣的特徵向量，以此近似地表徵人臉圖像。這些特徵向量稱為特徵臉(Eigenface)。
實際上，特徵臉反映了隱含在人臉樣本集合內部的信息和人臉的結構關系。將眼睛、面頰、下頜的樣本集協方差矩陣的特徵向量稱為特徵眼、特徵頜和特徵唇，統稱特徵子臉。特徵子臉在相應的圖像空間中生成子空間，稱為子臉空間。計算出測試圖像窗口在子臉空間的投影距離，若窗口圖像滿足閾值比較條件，則判斷其為人臉。
基於特徵分析的方法，也就是將人臉基準點的相對比率和其它描述人臉臉部特徵的形狀參數或類別參數等一起構成識別特徵向量，這種基於整體臉的識別不僅保留了人臉部件之間的拓撲關系，而且也保留了各部件本身的信息，而基於部件的識別則是通過提取出局部輪廓信息及灰度信息來設計具體識別演算法。現在Eigenface(PCA)演算法已經與經典的模板匹配演算法一起成為測試人臉識別系統性能的基準演算法；而自1991年特徵臉技術誕生以來，研究者對其進行了各種各樣的實驗和理論分析，FERET'96測試結果也表明，改進的特徵臉演算法是主流的人臉識別技術，也是具有最好性能的識別方法之一。
該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然後再計算出它們的幾何特徵量，而這些特徵量形成一描述該面像的特徵向量。其技術的核心實際為「局部人體特徵分析」和「圖形/神經識別演算法。」這種演算法是利用人體面部各器官及特徵部位的方法。如對應幾何關系多數據形成識別參數與資料庫中所有的原始參數進行比較、判斷與確認。Turk和Pentland提出特徵臉的方法，它根據一組人臉訓練圖像構造主元子空間，由於主元具有臉的形狀，也稱為特徵臉 ,識別時將測試 圖像投影到主元子空間上，得到一組投影系數，和各個已知人的人臉圖像比較進行識別。Pentland等報告了相當好的結果，在 200個人的 3000幅圖像中得到 95%的正確識別率，在FERET資料庫上對 150幅正面人臉象只有一個誤識別。但系統在進行特徵臉方法之前需要作大量預處理工作如歸一化等。
在傳統特徵臉的基礎上，研究者注意到特徵值大的特徵向量 (即特徵臉 )並不一定是分類性能好的方向，據此發展了多種特徵 (子空間 )選擇方法，如Peng的雙子空間方法、Weng的線性歧義分析方法、Belhumeur的FisherFace方法等。事實上，特徵臉方法是一種顯式主元分析人臉建模，一些線性自聯想、線性壓縮型BP網則為隱式的主元分析方法，它們都是把人臉表示為一些向量的加權和，這些向量是訓練集叉積陣的主特徵向量，Valentin對此作了詳細討論。總之，特徵臉方法是一種簡單、快速、實用的基於變換系數特徵的演算法，但由於它在本質上依賴於訓練集和測試集圖像的灰度相關性，而且要求測試圖像與訓練集比較像，所以它有著很大的局限性。
基於KL 變換的特徵人臉識別方法
基本原理:
KL變換是圖象壓縮中的一種最優正交變換，人們將它用於統計特徵提取，從而形成了子空間法模式識別的基礎，若將KL變換用於人臉識別，則需假設人臉處於低維線性空間，且不同人臉具有可分性，由於高維圖象空間KL變換後可得到一組新的正交基，因此可通過保留部分正交基，以生成低維人臉空間，而低維空間的基則是通過分析人臉訓練樣本集的統計特性來獲得，KL變換的生成矩陣可以是訓練樣本集的總體散布矩陣，也可以是訓練樣本集的類間散布矩陣，即可採用同一人的數張圖象的平均來進行訓練，這樣可在一定程度上消除光線等的干擾，且計算量也得到減少，而識別率不會下降。
4. 基於彈性模型的方法
Lades等人針對畸變不變性的物體識別提出了動態鏈接模型 (DLA)，將物體用稀疏圖形來描述 (見下圖)，其頂點用局部能量譜的多尺度描述來標記，邊則表示拓撲連接關系並用幾何距離來標記，然後應用塑性圖形匹配技術來尋找最近的已知圖形。Wiscott等人在此基礎上作了改進，用FERET圖像庫做實驗，用 300幅人臉圖像和另外 300幅圖像作比較，准確率達到 97.3%。此方法的缺點是計算量非常巨大 。
Nastar將人臉圖像 (Ⅰ ) (x，y)建模為可變形的 3D網格表面 (x，y，I(x，y) ) (如下圖所示 )，從而將人臉匹配問題轉化為可變形曲面的彈性匹配問題。利用有限元分析的方法進行曲面變形，並根據變形的情況判斷兩張圖片是否為同一個人。這種方法的特點在於將空間 (x，y)和灰度I(x,y)放在了一個 3D空間中同時考慮，實驗表明識別結果明顯優於特徵臉方法。
Lanitis等提出靈活表現模型方法，通過自動定位人臉的顯著特徵點將人臉編碼為 83個模型參數，並利用辨別分析的方法進行基於形狀信息的人臉識別。彈性圖匹配技術是一種基於幾何特徵和對灰度分布信息進行小波紋理分析相結合的識別演算法，由於該演算法較好的利用了人臉的結構和灰度分布信息，而且還具有自動精確定位面部特徵點的功能，因而具有良好的識別效果，適應性強識別率較高，該技術在FERET測試中若干指標名列前茅，其缺點是時間復雜度高，速度較慢，實現復雜。
5. 神經網路方法（Neural Networks）
人工神經網路是一種非線性動力學系統，具有良好的自組織、自適應能力。目前神經網路方法在人臉識別中的研究方興未艾。Valentin提出一種方法，首先提取人臉的 50個主元，然後用自相關神經網路將它映射到 5維空間中，再用一個普通的多層感知器進行判別，對一些簡單的測試圖像效果較好；Intrator等提出了一種混合型神經網路來進行人臉識別，其中非監督神經網路用於特徵提取，而監督神經網路用於分類。Lee等將人臉的特點用六條規則描述，然後根據這六條規則進行五官的定位，將五官之間的幾何距離輸入模糊神經網路進行識別，效果較一般的基於歐氏距離的方法有較大改善，Laurence等採用卷積神經網路方法進行人臉識別，由於卷積神經網路中集成了相鄰像素之間的相關性知識，從而在一定程度上獲得了對圖像平移、旋轉和局部變形的不變性，因此得到非常理想的識別結果，Lin等提出了基於概率決策的神經網路方法 (PDBNN),其主要思想是採用虛擬 (正反例 )樣本進行強化和反強化學習，從而得到較為理想的概率估計結果，並採用模塊化的網路結構 (OCON)加快網路的學習。這種方法在人臉檢測、人臉定位和人臉識別的各個步驟上都得到了較好的應用，其它研究還有 :Dai等提出用Hopfield網路進行低解析度人臉聯想與識別，Gutta等提出將RBF與樹型分類器結合起來進行人臉識別的混合分類器模型，Phillips等人將MatchingPursuit濾波器用於人臉識別，國內則採用統計學習理論中的支撐向量機進行人臉分類。
神經網路方法在人臉識別上的應用比起前述幾類方法來有一定的優勢，因為對人臉識別的許多規律或規則進行顯性的描述是相當困難的，而神經網路方法則可以通過學習的過程獲得對這些規律和規則的隱性表達，它的適應性更強，一般也比較容易實現。因此人工神經網路識別速度快，但識別率低 。而神經網路方法通常需要將人臉作為一個一維向量輸入，因此輸入節點龐大，其識別重要的一個目標就是降維處理。
PCA的演算法描述：利用主元分析法 (即 Principle Component Analysis,簡稱 PCA)進行識別是由 Anderson和 Kohonen提出的。由於 PCA在將高維向量向低維向量轉化時，使低維向量各分量的方差最大，且各分量互不相關，因此可以達到最優的特徵抽取。

『叄』 人臉識別演算法的分類

人臉識別法主要集中在二維圖像方面，二維人臉識別主要利用分布在人臉上從低到高80個節點或標點，通過測量眼睛、顴骨、下巴等之間的間距來進行身份認證。人臉識別演算法主要有：
1.基於模板匹配的方法:模板分為二維模板和三維模板，核心思想:利用人的臉部特徵規律建立一個立體可調的模型框架,在定位出人的臉部位置後用模型框架定位和調整人的臉部特徵部位,解決人臉識別過程中的觀察角度、遮擋和表情變化等因素影響。
2.基於奇異值特徵方法：人臉圖像矩陣的奇異值特徵反映了圖像的本質屬性，可以利用它來進行分類識別。
3.子空間分析法：因其具有描述性強、計算代價小、易實現及可分性好等特點，被廣泛地應用於人臉特徵提取，成為了當前人臉識別的主流方法之一。
4.局部保持投影(Locality Preserving Projections，LPP)是一種新的子空間分析方法，它是非線性方法Laplacian Eigen map的線性近似，既解決了PCA等傳統線性方法難以保持原始數據非線性流形的缺點，又解決了非線性方法難以獲得新樣本點低維投影的缺點。
5.主成分分析(PCA)
PCA模式識別領域一種重要的方法，已被廣泛地應用於人臉識別演算法中，基於PCA人臉識別系統在應用中面臨著一個重要障礙：增量學習問題。增量PCA演算法由新增樣本重構最為重要 PCS，但該方法隨著樣本的增加， 需要不斷舍棄一些不重要PC，以維持子空間維數不變， 因而該方法精度稍差。
6.其他方法：彈性匹配方法、特徵臉法(基於KL變換)、人工神經網路法、支持向量機法、基於積分圖像特徵法(adaboost學習)、基於概率模型法。 二維人臉識別方法的最大不足是在面臨姿態、光照條件不同、表情變化以及臉部化妝等方面較為脆弱，識別的准確度受到很大限制，而這些都是人臉在自然狀態下會隨時表現出來的。三維人臉識別可以極大的提高識別精度，真正的三維人臉識別是利用深度圖像進行研究，自90年代初期開始，已經有了一定的進展。三維人臉識別方法有：
1.基於圖像特徵的方法：採取了從3D結構中分離出姿態的演算法。首先匹配人臉整體的尺寸輪廓和三維空間方向；然後，在保持姿態固定的情況下，去作臉部不同特徵點(這些特徵點是人工的鑒別出來)的局部匹配。
2.基於模型可變參數的方法：使用將通用人臉模型的3D變形和基於距離映射的矩陣迭代最小相結合，去恢復頭部姿態和3D人臉。隨著模型形變的關聯關系的改變不斷更新姿態參數，重復此過程直到最小化尺度達到要求。基於模型可變參數的方法與基於圖像特徵的方法的最大區別在於：後者在人臉姿態每變化一次後，需要重新搜索特徵點的坐標，而前者只需調整3D變形模型的參數。

『肆』 人臉識別是靠什麼技術實現的

人臉識別門禁技術如今已漸趨成熟，曾經很多企業、社區、景區、工地所依賴的指紋識別門禁、門禁卡門禁、密碼鎖門禁如今正被人臉識別門禁所取代，為各行業領域帶來了極大的便捷。但人臉識別技術作為一種新興的人員身份鑒別技術，大部分人對於這項技術還是相對陌生，關於與人臉識別相關的問題也時有發生，為了讓大家快速學會使用人臉識別門禁系統，今天寶比萬像人臉識別就來教大家如何學會人臉識別門禁的人臉信息錄入使用。
啟動設備
1.默認打開寶比萬像人臉識別門禁考勤設備端APP，進入「寶比萬像人臉識別門禁考勤系統設備端APP」啟動頁
2.默認進入人臉認證頁面。
3.在人臉認證界面，點擊「首頁」按鈕，返回人臉設備主菜單。
人臉驗證
1.在人臉識別主界面點擊「人臉認證」菜單進行人臉驗證
2.人臉認證：通過認證，閘門開啟，並顯示人臉ID，姓名。
3.人臉認證：沒有登記的人臉進行驗證，提示「人臉無登記」。
人臉登記
1.在人臉識別主界面點擊「人臉登記＋」，彈出登錄界面。
2.輸入登錄賬號、密碼（xxxxxx），點擊登錄。
3.輸入姓名，點擊下一步，跳轉到人臉登記界面。
4.人臉登記初始化頁面。提示登記這，請面對攝像頭。
5.人臉登記：拍攝成功後「確認注冊」，提升「人臉登記成功」。
6.點解「重新獲取」，即對需要登記的人臉進行重新拍攝登記。
7.已登記成功的用戶，再次進行人臉登記，則提示；已登記。
8.點擊當前頁面的返回剪頭，即返回到人臉識別設備APP首頁。

『伍』 人臉識別的演算法

1、人體面貌識別技術的內容
人體面貌識別技術包含三個部分：
（1） 人體面貌檢測
面貌檢測是指在動態的場景與復雜的背景中判斷是否存在面像，並分離出這種面像。一般有下列幾種方法：
①參考模板法
首先設計一個或數個標准人臉的模板，然後計算測試採集的樣品與標准模板之間的匹配程度，並通過閾值來判斷是否存在人臉；
②人臉規則法
由於人臉具有一定的結構分布特徵，所謂人臉規則的方法即提取這些特徵生成相應的規則以判斷測試樣品是否包含人臉；
③樣品學習法
這種方法即採用模式識別中人工神經網路的方法，即通過對面像樣品集和非面像樣品集的學習產生分類器；
④膚色模型法
這種方法是依據面貌膚色在色彩空間中分布相對集中的規律來進行檢測。
⑤特徵子臉法
這種方法是將所有面像集合視為一個面像子空間，並基於檢測樣品與其在子孔間的投影之間的距離判斷是否存在面像。
值得提出的是，上述5種方法在實際檢測系統中也可綜合採用。
（2）人體面貌跟蹤
面貌跟蹤是指對被檢測到的面貌進行動態目標跟蹤。具體採用基於模型的方法或基於運動與模型相結合的方法。
此外，利用膚色模型跟蹤也不失為一種簡單而有效的手段。
（3）人體面貌比對
面貌比對是對被檢測到的面貌像進行身份確認或在面像庫中進行目標搜索。這實際上就是說，將采樣到的面像與庫存的面像依次進行比對，並找出最佳的匹配對象。所以，面像的描述決定了面像識別的具體方法與性能。目前主要採用特徵向量與面紋模板兩種描述方法：
①特徵向量法
該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然後再計算出它們的幾何特徵量，而這些特徵量形成一描述該面像的特徵向量。
②面紋模板法
該方法是在庫中存貯若干標准面像模板或面像器官模板，在進行比對時，將采樣面像所有象素與庫中所有模板採用歸一化相關量度量進行匹配。
此外，還有採用模式識別的自相關網路或特徵與模板相結合的方法。
人體面貌識別技術的核心實際為「局部人體特徵分析」和「圖形/神經識別演算法。」這種演算法是利用人體面部各器官及特徵部位的方法。如對應幾何關系多數據形成識別參數與資料庫中所有的原始參數進行比較、判斷與確認。一般要求判斷時間低於1秒。
2、人體面貌的識別過程
一般分三步：
（1）首先建立人體面貌的面像檔案。即用攝像機採集單位人員的人體面貌的面像文件或取他們的照片形成面像文件，並將這些面像文件生成面紋（Faceprint）編碼貯存起來。
（2）獲取當前的人體面像
即用攝像機捕捉的當前出入人員的面像，或取照片輸入，並將當前的面像文件生成面紋編碼。
（3）用當前的面紋編碼與檔案庫存的比對
即將當前的面像的面紋編碼與檔案庫存中的面紋編碼進行檢索比對。上述的「面紋編碼」方式是根據人體面貌臉部的本質特徵和開頭來工作的。這種面紋編碼可以抵抗光線、皮膚色調、面部毛發、發型、眼鏡、表情和姿態的變化，具有強大的可靠性，從而使它可以從百萬人中精確地辯認出某個人。
人體面貌的識別過程，利用普通的圖像處理設備就能自動、連續、實時地完成。

『陸』 人臉識別原理及演算法

人臉識別原理就是指在動態的場景與復雜的背景中判斷是否存在面像，並分離出這種面像。

人臉識別是一項熱門的計算機技術研究領域，其中包括人臉追蹤偵測，自動調整影像放大，夜間紅外偵測，自動調整曝光強度等技術。

人臉識別技術是基於人的臉部特徵，對輸入的人臉圖像或者視頻流 . 首先判斷其是否存在人臉 , 如果存在人臉，則進一步的給出每個臉的位置、大小和各個主要面部器官的位置信息。並依據這些信息，進一步提取每個人臉中所蘊涵的身份特徵，並將其與已知的人臉進行對比，從而識別每個人臉的身份。

一般來說，人臉識別系統包括圖像攝取、人臉定位、圖像預處理、以及人臉識別（身份確認或者身份查找）。系統輸入一般是一張或者一系列含有未確定身份的人臉圖像，以及人臉資料庫中的若干已知身份的人臉圖象或者相應的編碼，而其輸出則是一系列相似度得分，表明待識別的人臉的身份。

人臉識別是採用的分析演算法。

人臉識別技術中被廣泛採用的區域特徵分析演算法，它融合了計算機圖像處理技術與生物統計學原理於一體，利用計算機圖像處理技術從視頻中提取人像特徵點，利用生物統計學的原理進行分析建立數學模型,即人臉特徵模板。利用已建成的人臉特徵模板與被測者的人的面像進行特徵分析，根據分析的結果來給出一個相似值。通過這個值即可確定是否為同一人。

『柒』 java 實現人臉的動漫化 照片用數組存還是image對象提取人臉的什麼特徵人臉處理常用哪些特徵

YOGUAI為保險櫃，自動門，考勤等行業提供人臉識別方案。

隨著計算機網路和通信技術的發展，信息安全、知識產權保護和身份認證等問題成了一個重要而緊迫的研究課題。身份認證是保證系統安全的必要前提，在多種不同的安全領域都需要准確的身份認證。傳統的身份證、智能卡、密碼等身份認證方法存在攜帶不便、容易遺失、不可讀或密碼易被破解等諸多問題。基於人臉識別技術的身份認證方法與傳統的方法相比，具有更好的安全性、可靠性和有效性，因此正越來越受到人們的重視，並逐漸進入社會生活的各個領域。

人臉識別技術具有廣泛的應用前景，可以應用到多種不同的安全領域，因其識別特徵的獨特性、惟一性和相對穩定性，逐漸成為一非常熱門的研究課題。許多典型的人臉識別演算法和應用系統都是針對標准或特定的人臉資料庫，利用庫內人臉進行訓練，並在相同的庫中實現人臉識別。但在軟體保護、計算機安全等特殊應用中，身份認證僅針對單個對象進行人臉識別，現有的人臉識別方法並不能勝任這樣的識別任務。為此，本文針對單對象人臉識別的特點，討論了單對象人臉檢測和識別的關鍵技術，在此基礎上提出了一種單對象人臉識別演算法，實驗結果證明了該方法的有效性。

2單對象人臉識別的特點

與典型的人臉識別相比，單對象人臉識別有以下4個方面的特點：

應用領域人臉識別的應用領域很廣，如刑偵破案、證件核對、保安監控等，而單對象人臉識別主要應用在軟體保護、計算機安全鎖、特定對象追蹤等領域。

識別系統的目標單對象人臉識別的最終目標是系統必須具有高度的安全性和可靠性，即識別錯誤率趨於0。雖然降低識別錯誤率的同時識別率也會降低，但可以通過提示用戶調整姿態(如注視攝像頭等)加以改善。

膚色模型由於單對象人臉識別僅針對特定的對象，所以人臉檢測的膚色模型可採用自適應的方法調整膚色范圍。

分類方法單對象人臉識別不存在人臉資料庫，常用的最小距離分類法不能夠正確識別特定的對象，只能用閾值作為判據。因此，閾值的選取十分重要，閾值過大則容易出現錯判，存在安全隱患；而閾值過小又會影響識別效率。

3人臉的檢測和歸一化

人臉檢測是人臉識別的前提。對於給定的圖像，人臉檢測的目的在於判斷圖像中是否存在人臉，如果存在，則返回其位置和空間分布。利用人臉膚色和面部特徵，將人臉檢測分為兩個階段：外臉檢測和內臉定位。外臉檢測主要利用人臉膚色進行初步的臉區檢測，分割出膚色區域；內臉檢測是在外臉區域中利用面部幾何特徵進行驗證和定位。

3.1外臉檢測

外臉檢測的任務是將待檢圖像中可能的人臉區域找出來並加以標記，其步驟如下：

(1)根據人類膚色在色彩空間中存在區域性的特點，將可能為人臉的像素檢測出來。為更好地利用膚色特徵，同時選用HSI和YcbCr兩種色彩空間對圖像進行二值化處理，膚色范圍限定在H∈[0，46]，S∈[0.10，0.72]，Cb∈[98，130]，Cr∈[128，170]內。將滿足條件的像素標記為膚色像素，其餘的均為非膚色像素。

(2)去噪處理。在以每一個膚色點為中心的5×5鄰域內統計膚色像素的個數，超過半數時中心點保留為膚色，否則認為是非膚色。

(3)將二值圖像中的膚色塊作區域歸並，並對目標區域進行比例、結構分析，過濾掉不可能的人臉區域。目標區域的高度／寬度比例限定在0.8～2.0。

3.2內臉檢測和定位

將包含眼、眉、鼻和嘴的區域稱為內臉區域。內臉區域能夠很好地表達人臉特徵，且不易受背景、頭發等因素的干擾，因此內臉區域的檢測和定位對後續的特徵提取和識別至關重要。

在外臉區域的上半部，對二值圖像進行水平方向和垂直方向的投影，確定兩個包含黑點的矩形區域作為雙眼的大致區域。在確定的兩個區域中，對黑點進行區域膨脹，可以得到眼睛的基本輪廓和左石眼角，黑點坐標的平均值作為瞳孔的位置。

設左右瞳孔的坐標分別為(Lx，Ly)和(Rx，Ry)，兩個瞳孔之間的距離為d，根據人臉的幾何特徵，我們將內臉區域定義為：寬度=-d×1.6，高度=-d×1.8，左上角坐標為(Lx-d×0.3，(Ly Ry)／2-(-d)×0.3)。實驗表明，該區域能夠很好地表達人臉特徵。

3.3內臉區域的歸一化

由於各待測圖像中的人臉大小具有很大的隨機性，因此，有必要對內臉區域進行歸一化操作。人臉歸一化是指對內臉區域的圖像進行縮放變換，得到統一大小的標准圖像，實驗中，我們規定標准圖像的大小為128×128。歸一化處理，保證了人臉大小的一致性，體現了人臉在圖像平面內的尺寸不變性。

對歸一化的人臉圖像，採用小波變換與DCT相結合的方法提取人臉特徵。首先對人臉圖像進行3層小波分解，取低頻子圖像LL3作為人臉特徵提取的對象，從而獲得每幅訓練樣本或測試樣本的低頻子圖像；然後對低頻子圖像進行離散餘弦變換(DCT)，DCT系數個數與子圖像的大小相等(即256)，由於圖像DCT變換，能量集中在低頻部分，因此只取其中的136個低頻系數作為特徵向量。

5人臉的識別

完成訓練過程並獲得待測樣本的特徵後，即可進行人臉識別，本文採用歐氏距離進行分類。

5.1計算樣本與平均臉的歐氏距離

用m和x表示平均臉和樣本的特徵向量，則樣本與平均臉的歐氏距離為：

其中mk表示平均臉的第k個特徵向量，xk表示待測樣本的第k個特徵向量。身份認證時，計算待測樣本與平均臉的歐氏距離，並與特定對象的自適應閾值進行比較，將小於閾值的樣本判為該對象的人臉，即認證通過。

5.2自適應閾值的選取

與典型的人臉識別方法不同，單對象人臉認識沒有人臉資料庫，不能用距離最小作為判據，只能用閾值作為判別依據。閾值的選取應兼顧識別率和識別的准確性，實驗中我們取訓練樣本與平均臉的歐氏距離平均值作為分類閾值，即:

其中，N為訓練樣本數，此值不宜太小；di為第i個樣本與平均臉之間的歐氏距離。

莫士特科技有限公司提供模式識別主板及解決方案。
希望採納

『捌』 人臉識別演算法的簡介

人臉識別（Facial Recognition），就是通過視頻採集設備獲取用戶的面部圖像，再利用核心的演算法對其臉部的五官位置、臉型和角度進行計算分析，進而和自身資料庫里已有的範本進行比對，後判斷出用戶的真實身份。人臉識別技術基於局部特徵區域的單訓練樣本人臉識別方法。第一步，需要對局部區域進行定義；第二步，人臉局部區域特徵的提取，依據經過樣本訓練後得到的變換矩陣將人臉圖像向量映射為人臉特徵向量；第三步，局部特徵選擇（可選）；後一步是進行分類。分類器多採用組合分類器的形式，每個局部特徵 對應一個分類器，後可用投票或線性加權等方式得到終識別結果。 人臉識別綜合運用了數字圖像/視頻處理、模式識別、計算機視覺等多種技術，核心技 術是人臉識別演算法。目前人臉識別的演算法有 4 種：基於人臉特徵點的識別演算法、基於整幅 人臉圖像的識別演算法、基於模板的識別演算法、利用神經網路進行識別的演算法。
作為人臉識別的第一步，人臉檢測所進行的工作是將人臉從圖像背景中檢測出來，由於受圖像背景、亮度變化以及人的頭部姿勢等因素影響使人臉檢測成為一項復雜研究內容。檢測定位：檢測是判別一幅圖像中是否存在人臉，定位則是給出人臉在圖像中的位置。定位後得到的臉部圖像信息是測量空間的模式，要進行識別工作，首先要將測量空間中的數據映射到特徵空間中。採用主分量分析方法，原理是將一高維向量，通過一個特殊的特徵向量矩陣，投影到一個低維的向量空間中，表徵為一個低維向量，並且僅僅損失一些次要信息。通過對經過檢測和定位過的人臉圖像進行特徵提取操作可以達到降低圖像維數，從而可以減小識別計算量，提高識別精度的作用。人臉識別系統採用基於特徵臉的主 成分分析法（PCA），根據一組人臉訓練樣本構造主元子空間，檢測時，將測試圖像投影到 主元空間上，得到一組投影系數，再和各已知的人臉圖像模式比較，從而得到檢測結果。