讲解员:面部识别

生物统计学研究集团将面部识别定义为一种测量人脸特定部位之间的距离作为识别模式的技术。

人们通常用面孔来识别其他人。在过去几十年里,计算机技术的进步使得类似的识别成为可能。早期的人脸识别算法使用简单的几何模型,但识别过程现在已经成熟为一门复杂的数学表示和匹配过程的科学。过去10到15年的重大进步和举措推动了人脸识别技术的发展。人脸识别可以用于验证和识别。

自动人脸识别是一个相对较新的概念。在20世纪60年代开发出来的第一个半自动人脸识别系统需要管理员定位照片上的特征(如眼睛、耳朵、鼻子和嘴),然后计算距离和与公共参考点的比例,然后与参考数据进行比较。在20世纪70年代,人们使用特定的主观标记,如头发颜色和嘴唇厚度来自动识别。

这些早期解决方案的问题是,测量和位置都是手工计算的。1988年,一种新的应用主成分分析和标准线性代数技术被开发出来,以解决人脸识别问题。这被认为是一个里程碑,因为它表明少于100个值需要精确编码一个适当对齐和标准化的面部图像。

1991年,科学家们发现,通过使用特征脸技术,图像中的人脸可以在图像中检测到,这一发现使可靠的实时自动人脸识别系统成为可能。特征面是在人脸图像表示中充分降低统计复杂度的数学方程。这项技术首次引起公众的注意,是在2001年1月的超级碗(Super Bowl)比赛中,媒体对该技术的试用反应。当时,该技术捕捉到了监控图像,并将它们与数字面部照片数据库进行了比较。这一演示引发了亟需的分析,即如何利用该技术支持国家需求,同时兼顾公众的社会和隐私关切。如今,人脸识别技术正被用于打击护照欺诈、支持执法、识别失踪儿童以及最大限度地减少利益/身份欺诈。

有两种主要的人脸识别方法:几何(基于特征)和光度(基于视图)。随着研究者对人脸识别的兴趣不断发展,出现了许多不同的算法,其中三种算法在人脸识别文献中得到了很好的研究:主成分分析(PCA)、线性判别分析(LOA)和弹性束图匹配(EBGM)。

主成分分析(PCA),通常被称为特征面的使用,是在1988年首创的技术。使用主成分分析,探头和图库图像必须相同大小,必须首先归一化,以便在图像中对齐受试者的眼睛和嘴巴。然后利用PCA方法通过数据压缩基础对数据进行降维,揭示最有效的面部模式低维结构。这种维数的减少去除了无用的信息,并精确地将面部结构分解为正交的(不相关的)组件,称为特征面。每个人脸图像可以表示为特征脸的加权和(特征向量),存储在一维数组中。通过测量探测图像和图库图像的特征向量之间的距离,将探测图像与图库图像进行比较。PCA方法通常要求每次呈现完整的正面面孔;否则图像的性能会很差。这种技术的主要优点是,它可以将识别个人所需的数据减少到现有数据的千分之一。

线性判别分析是一种基于已知类的训练样本对未知类的样本进行分类的统计方法。这种技术的目标是最大化类间(即跨用户)的方差,最小化类内(即用户)的方差。在处理高维人脸数据时,该技术面临的问题是,相对于样本空间的维数,可用的训练样本数量较少。

弹性束图匹配(EBGM)依赖于以下概念:真实的面部图像有许多非线性特征,这些特征是前面讨论的线性分析方法无法解决的,例如光照的变化(室外照明vs.室内日光灯)、姿势(站直vs.俯身)和表情(微笑或皱眉)。Gabor小波变换创建了一个动态链接结构,将立面投射到一个弹性网格上。Gabor射流是弹性网格上的一个节点,在下面的图像中用圆圈表示,它描述了图像围绕给定像素的行为。它是图像与Gabor滤波器卷积的结果,Gabor滤波器用于检测形状和利用图像处理提取特征。卷积表示函数的重叠量,将函数混合在一起。识别是基于Gabor滤波器响应在每个Gabor节点上的相似性。这种基于生物学的使用Gabor过滤器的方法是在高等哺乳动物的视觉皮层中执行的过程。这种方法的难点是需要精确的路标定位,而这有时可以通过结合主成分分析和LDA方法来实现。

文章主题

|||

评论

对“解释者:面部识别”的4个回复

留下一个回复

这个网站使用Akismet来减少垃圾邮件。了解如何处理您的评论数据

本周阅读次数最多

公司的特色

生物识别技术研究

生物识别技术白皮书

生物识别事件

解释生物识别技术