人脸识别技术

第27卷第11期计算机工程与设计2006年6月Vol.27No.11Computer Engineering and DesignJune 2006人脸识别技术张会森，王映辉(陕西师范大学计算机科学学院，陕西西安710062)摘要:人脸图像的 易取性和人脸变化的多样性使人脸识别研究更富有挑战性.按照人脸检测、特征提取和识别3个关键过程，分别对基于二维和三维人脸信息的人脸识别技术和方法进行了详细的阐述;展望了人脸识别研究的趋势，并提出了可能取得突破性研究进展的研究途径。关键词:人脸识别;特征提取;特征脸;弹性匹配;形变模型.中图法分类号:TP18文献标识码:A文章编号: 000-7024 (2006) 11-1923-06Face recognition technologyZHANG Hui-sen,WANG Ying-hui(School of Computer Science, Shanxi Normal University, Xian 710062, China)Abstract: People face image of easy fetch and people face variety make the face recognition of study more challenging. According tothe people faces of measure, feature extraction and face recognition three pieces ofkey course in face recognition, person face recognitiontechnology and method based on 2-D and 3-D person face information are explained in detail. Research trend of face recognition is given,and the research way is presented by which the unprecedented research progresses could be got possibly.Key words: face recognition; feature extraction; eigenface; elastic matching; morphable model三维人脸研究过程中,Parke"第I个将人脸模型参数化,并且可以通过参数的变化产生简单的动画,但是人脸参数复杂，且人脸的结构都是一样的，但世界上不存在完全一样 的两缺乏真实感。随后Lee等人田使用真实人脸图像合成纹理技张人脸，即使是双胞胎也存在着可区分之处。因为人脸的面术,实现了具有真实感并且能产生各种表情的人脸模型,但是部特征存在差异，使得计算机人脸识别成为可能。人脸识别该模型使用了肌肉模型，计算量较大。随后又出现了基于几技术的研究始于20世纪60年代末，经过几十年的发展已经何模型变形的人脸建模方法，该方法使用了多幅不同角度的取得了很大的进展。人脸图像，从这些图像中提取有用的人脸特征点,使用视觉方近年来随着各个部门对身份验证要求的提高,各种身份法恢复出这些点的三维位置,然后再修改二维人脸图像,最后识别技术得到了迅速发展。与其它身份识别技术相比，人脸进行纹理映射或三维模型彩绘得到人脸的三维图像。这种识别能在最自然、直接,特别是在非接触环境和不惊动被检测方法简单且過真度高，是目前比较流行的方法。其中代表性人的情况下进行的，因此计算机人脸识别技术成为最活跃的的有:Lee等人的基于正交图像的三维人脸克隆";:Pighin等人研究领域之的基于图像的人脸造型':Guenter等人的人脸造型技术等。人脸识别技术是生物识别技术的一种, 它结合了图像处目前有许多研究人员从事人脸识别的研究，在国内比较理、计算机图形学、模式识别、可视化技术、人体生理学、认知著名的研究机构有清华大学明和中科院计算机技术研究所科学和心理学等多个研究领域，几十年来尤其是在二维人脸等，在人脸识别方面积累了较多的经验，取得了较多的成果。识别方面,已经产生了较丰富的技术、方法和理论。在三维人1二维人脸识别脸识别方面,由于其复杂性和数据获取的困难性,三维人脸识别的研究进展落后于二维人脸识别。二维人脸识别主要涉及人脸检测、特征提取和人脸鉴别在人脸识别研究过程中,最早的研究者是Bledse'l",他以等步骤。典型的人脸图像包括正面和侧面两种,在二维人脸人脸特征点的间距、比率等参数为依据,建成了一个半自动的识别中基于正面的识别方法研究最多，主要集中在人脸的检人脸识别系统。Parke"第 1个用计算机生成了人脸图像;在测和中国煤化工收稿日期: 2005-04-03.0TYHCNMH G基金项目:国家863高技术研究发展计划基金项目(003A118105);陕西省自然基金项目(03F35);陕西师范大学校级重点基金项目(995147)。作者简介:张会森(1979-),男， 河北巨鹿人，硕士研究生，研究方向为图形图像技术与模式识别;王映辉 (1967-),男，甘肃庄浪人，教授，硕士生导师，研究方向为可视化、模式识别和软件演化技术。- 1923 -.1 人脸检测可选取虹膜中心、内眼角点外眼角点、上下眼睑点、两内眼角人脸检测是从输入的图像中寻找可能存在的人脸区域，距、两外眼角距和两眼眼高等特征，这些信息可以确定出眼睛并确定其大小和姿态的过程。目前人脸检测的方法很多，大的大小和位置,确保了特征的稳定性。致可分为基于统计的检测方法和基于知识的检测方法2类。人脸面部器官比较复杂，一般特征提取方法可以从3个1.1.1 基于统计的人脸检测方法角度对特征进行提取:①通过面部拓扑结构几何关系的先验基于统计的人脸检测"是构造分类器将人脸分为非人脸知识，构造-一个包含面部器官的人脸模板对其特征进行提样本与人脸样本进行训练,判别待检测区域属于哪类样本,从取;②将面部器官视为高维图像空间的中的信号,通过代数的而实现人脸的检测。在训练过程中从整个人脸角度出发，找方法将这些信号检测出来，达到提取面部器官特征的目的:出人脸共有的规律来检测图像中的人脸。为了检测不同大小③利用神经网络对 图像进行分类，提取面部器官特征。具体的人脸，通常采用由粗到细的策略进行,将待检测的图像划分来说，比较典型的特征提取方法有模板法、特征脸法、弹性匹成MxN块,每个块的大小是nxn个像素;对于被检测的图像，配法和神经网络等.尽管局部存在一些形变和灰度 差异，但由nxn个像素组成的.2.1基于模板的特征提取局部方块内具有一定的统计特性，根据大量同类目标的统计人脸的基本轮廓和脸部器官位置基本是固定的，在提取数据，计算每--区域的特性参数(比如边缘信息和灰度信息),特征之前先定义-一个标准的模板(如轮廓模板、眼睛模板、嘴再经过加权综合得到整幅图像的判决值,最后根据判决值来巴模板和鼻子模板等),利用Hough变换、方差投影和模板匹判定图像。配相结合，有效地确定出眼睛、嘴巴和鼻子等器官的位置。定目前国际上普遍采用人工神经网络方法(ANN)。Feraud义模板需要用到人脸器官的几何特征矢量(如眼睛、鼻子和嘴等"采用多级神经网络结构检测人脸;Garcia等""采用一一个卷的位置和宽度等),它可以通过虹膜中心、内眼角点、外眼角点、积神经网络结构检测人脸;梁路宏等u先采用双眼模板和-鼻尖点、鼻孔点、耳屏点、耳下点、口角点头顶点、眉内点和眉系列长宽变化的人脸模板进行模板匹配检测，然后联合两个外点等关键点得到。特征的提取通常以面部器官的形状和几MLP (multiple layer perception)对人脸候选区域进行确认。其何关系之间的匹配分量作为依据，匹配分量通常包括人脸两次，Yang等"采用SNOWsparse network of winnow)方法检测人点间的欧氏距 离、曲率和角度等,其中欧氏距离的判决是最常脸;Froba等”先用边沿方向特征过滤掉大约90%的检测区域，用的方法。再用SNOW方法进行检测，有效地提高了检测速度,可达25标准模板可以是固定模板，也可以是参数可变的可变性帧/秒;陈茂林等叨提出自组织HMM的人脸检测方法，先采用模板。固定模板比较简单，但是随着环境的变化模板也要更多视角人脸样本对HMM进行训练,得到参数的初步估计。.换，有很大的局限性，- -般只针对简单的图像;可变性模板叫1.1.2基于知识建模的人脸检测方法以器官的几何特征作为模板的参数,定义一一个能量函数，通过人类根据自已已有的经验识别物体,在千差万别的物体改变参数使能量函数最小化，能量函数越小越接近提取的目中能准确定位物体，是大脑长期对目标知识积累的结果。人标。 可变性模板在环境发生变化时只需要改变相应的参数即脸是一个较复杂多变的塑性物体,当然也有它刚性的一面。人可，因此灵活性和适应性都比较好,可处理质量较差的人脸图脸的轮廓、肤色和五官的相对位置,尤其是眼睛的相对位置都像，但是模板的描述不够精确,适用于可变性不大的器官，常具有不变性;还有人脸的轴对称性和各器官的轴对称性;以及用于提取眼睛、嘴和鼻子的轮廓。面部的特殊标记等也是刚性的。可以通过对这些特性建立知1.2.2 基于代数方法的特征提取识模型来识别人脸图像。Miao提出重心模板0,先用重心模此类方法使用代数变换来提取人脸特征,其中比较经典板粗匹配,再将候选人脸区域划分为R个子区域,根据各子区的方法是特征脸叫方法。人脸由一些基本 的特征就可以描述，域内灰度特征和边沿像素数的比例关系进- -步验证。Wong如鼻子、眼睛和嘴等特征，因此描述人脸的图像可以缩小到很等"将遗传算法和本征脸算法联合起来检测人脸。小的空间。特征脸方法依据K-L (Karhunen-Loeve) 变换，设对于旋转的人脸图像，可采用检测眼睛位置来确定人脸XEIR"为图像的特征向量,N为图像的维数,X的协方差矩阵的旋转角度",也可用FFT变换"确定人脸的旋转方向,再进可定义为行人脸检测。E={X-E(X)[X-E(x)T},2)1.2 人脸特征提取式中:E(X)一期望算子,T一 转置运算, 这样可以将协方差在特征提取之前,一般先要对图像进行归一化处理，将人矩阵E分解为脸图像校正为标准图像。可采用对数变换E=φ/φ° ,3)t ln(xy)+1)式中:-=[,，, -.，. A=diag ,-}此时φ正交特g(xy)=a+bInc(1)征向量矩阵,人一对角特征向量矩阵。式中:fx;y)_原始图像,gx,y) 输 出图像。中国煤化工一个新的维数较低的特这种变换可以扩展图像低灰度范围，压缩高灰度范围，从征空rMYHFE向量,利用图像的代数而使图像灰度均匀。寺征. CN MH G这种方法具有无需提取特征点的选取要保证有代表性、信息量大且冗余小,在一眼、嘴和鼻等几何特征的优点,但在单样本时识别率不高，且定的干扰下能确保不变性和适应性。例如在提取眼睛特征时，在人脸模式数较大时计算量大。- 1924.-KL变换存在线形度和可测量度的问题，为此Cpeli等叫在BP网络中隐含层对输入层抽象提取，并将提取的特征提出多空间K-L变换。Shan 等凹采用特定人的特征空间法获得送往输出层。因此隐含层的神经元数的确定很重要，一般满了好于特征脸方法的结果。文献[26]将特征脸和小波变换方法足如下函数结合起来，利用小波变换对人脸图像进行分解,然后对低频分量(+1)H+(H+l)J≤KI5)和中频平均分量分别运用特征脸分析构造“特征子空间”,该方式中:K一训练样本;I- 输入层神经元数;J-- 输 出层神法综合利用了特征脸分析高效和小波变换多分辨率的特点,提经元数。- 般情况下J和I取人脸类别数n,因此H=k2,即隐高了特征提取得准确度。含层的神经元数宜取为训练样本数的-半。1.2.3基于弹性匹配法的特征提取有代表性的神经网络模型有:BP网络、RBF网络和Hop-弹性匹配法是-种较好的特征提取方法，主要思想是采field网络等。神经网络的适应性、容错性和鲁棒性较强,但是用畸变不变性的物体识别特性，定义了-一种对于人脸变形具此方法需要的神经元数目多,训练时间较长.Freaud等哪提出有不变性的距离，采用属性拓扑图(如图1所示)代表人脸，图了constrained generative网络模型，该模型基于标准图像处理中任-顶点均包含一个特征向量，用来记录人脸在该顶点位过程，然后使用统计分析的过程进行处理。该模型较大,为了置附近的信息,边则表示各特征点之间的关系。假设S1是人降低模型可采用多个滤波器和快速搜索算法解决。脸库中定义的某人脸属性拓扑图,S为待识人脸属性拓扑图。1.3人脸鉴别在弹性匹配中也就是寻找S1中各节点在S中的最佳匹配节经过特征提取过程后，人脸图像被转换成一种数字信息，点。匹配时通过函数将其与数据库中已有的人脸特征信息进行比较，鉴别出人脸E(M-EπclrYxr-E●的身份。鉴别的方法和前两步的方法有很强的继承性，主要HI (P(i)-P())-(Q(i)-0Q(i)) I'4).通过计算它们的相似度，若这两个特征集合的相似度在某--来确定待识别人脸图像向量场和库中人脸图像向量场的匹配特定的范围内,可确定识别成功。程度。其中P(i)表示属性图S1中节点i在库中人脸上的坐标，特征提取过程提取的是人脸的关键特性,除了这些以外Qj)表示属性图s中节点j在待识别人脸上的节点坐标。人脸还受到年龄、性别、表情和肤色等特征的影响,因此还要分析年龄、性别等相关的信息。对这些信息分析可以通过神经网络方法构建分类器,将年龄和性别等因素分类,构建老化模型、性别模型等来完成。只有通过综合分析这些信息之后，才能够得出正确的识别结论。由2三维 人脸识别三维人脸图像包含的信息比二维图像要丰富得多，从理图1属性拓扑图论上讲三维识别要比二维识别更有效。三维人脸识别的提出弹性匹配法提取人脸特征需要有一个学习的过程，开始已经很早，但只在近几年发展比较快。需要人工定位特征点,经过一- 段时间学习后,可自动进行特征通过三维数据采集设备获取人脸图像时，人脸很难处于定位和提取。优点在于，拓扑图的顶点采用了Gabor 小波变垂直状态,水平方向总会有小角度偏转,所以需要对采集到的换特征,对光线、大小和表情等具有一定的不变性。从理论上人脸位姿进行校正，建立一个合适的坐标系来简化坐标变换弥补了特征脸提取特征的缺陷。的复杂度。在弹性匹配法的研究中,苏光大等叨在原有经典算法的我们一般采用法兰克福坐标系,此坐标系是通过双耳孔基础上做了改进，利用局部关键点的信息来整体匹配，特征点和左眼睛下缘来确定的，这种采用人脸面貌自身特征定义的主要定位在灰度变化剧烈、信息丰富的地方(如眼球、眼角等)。坐标系，具有与初始位姿无关的特性,应用起来比较方便。本1.2.4基于神经网络的特征提取文在法兰克福坐标系基础上提出了一种 新的坐标系，通过面神经网络是由许多简单单元组成,具有并行处理能力、自貌曲面的曲率分析得到相应的特征标识点，然后利用双眼眼学习和记忆功能的非线性动力学系统，通过学习过程获得对角连线作为X轴方向(由左向右为正向),保持Z轴方向，利用关键特征点规律和规则的隐性表达。图2为BP网络模型。右手坐标系确定Y轴方向,由于面貌的识别特征采用了坐标无关的几何特征,因此坐标原点可以保持不变,以减少坐标变换的运算。2.1 三维人脸建模在三维人脸识别中获取人脸特征点的三维数据场是一个关键中国煤化工!型上采集特征点，因此三维)MH.CN MH G'人脸模型。重构三维人.脸模uTr从仙:输入层隐舍层 输出层(1)基于照片特征点模型。二维照片只有人脸平面信息, .图2. BP 神经网络模型而三维人脸还有深度信息。从二维人脸来表达三维人脸，需一1925一要从二维人脸图像中提取关键特征点，再加上深度信息重构的流动等), 但是它的计算量相当大。人脸，最后对重构的人脸进行纹理贴图或三维模型彩绘技术，2.2三维 人脸特征提取形成更多的面部细节。从人脸照片到三维人脸建模，可以从三维人脸特征提取比二维人脸特征提取复杂得多，三维正、侧面照片中提取关键特征点，设特征点P(X,Y,Z)在正面与.人脸表面有任意的拓扑，使得在二维人脸图像中应用的方法侧面照片上的成像点分别为P(u1,v1)与P:(u2,v2),则特征点的(如 傅立叶变换)无法直接在三维人脸图像中应用。三维人脸三维坐标计算公式为特征提取主要采用统计的思想，对有意义的几何特征和形状.信息进行计算。(X=k号u .和二维人脸特征提取不同的是，在提取特征前应先匹配(6|Y=ku空间坐标。也就是说利用深度图像处理技术分析人脸曲面的Z=kv曲率等几何特征,并对人脸曲面进行凹凸区域的分割、正侧面(其中,k为归一化系数)。用此方法生成三维模型并不是真正轮廓边缘的提取，将提取的这些特征作为识别的要素。在三的三维，称其为2.5维;为了获得较真实三维模型,可从多个角维人脸特征提取方面已经有大量的研究，但是特征提取方法度获取多幅头部照片,图像的获取先手动确定几个像机初始还不成熟，主要有以下几类:点,然后利用极线约束条件确定图像间匹配关系叫,将每幅照(1)基于图像灰度的特征提取。这种方法依据的是:不同片中间最逼真的部分分割出来，再合成三维图像。采用的不环境中图像的灰度可能千差万别，但人脸的不同区域相对的同角度的照片越多，生成的三维模型越過真。基于照片特征灰度变化具有一定的不变性。提取特征时首先匹配三维空间点合成三维模型的方法所需的代价比较低，但是对特征点的方向,然后将图像由空间域变换到频率域中进行处理,即将空依赖性较强，实现的图像逼真度较低。间信息转化为信号信息来处理。较有代表性的方法为灰度图(2)肌肉模型。肌肉模型结合脸部肌肉的解剂结构、组织像的水平和垂直投影等方法。此方法针对大小为N.xN的人学等方面的知识，模拟脸部肌肉的动作来合成许多脸部组织脸灰度图像P(x,y),其中x∈[1,N],y∈[1,N],且像素值P(x,y)满的细微变形，使脸部变得更加丰满和逼真，并且可以产生人脸足P(x,y)∈[0,1],x为行索引值,y为列索引值,定义其投影图为表情的变化。首先,Platt等人提出了基于肌肉物理特性的模M,xN)_K(8H62(7)型则。Waters提出了一种层状肌肉模型"来模拟人脸表情,这NINIP种模型可以实现逼真的面部特征和表情的变化，可产生逼真式中:V(x)和V;(y)--图像 P(x,y)的垂直和水平投影,P -P的表情动画效果,但是计算量较大。在Waters的肌肉模型中，(x,y)的平均灰度值。这类方法相对比较简单，只有图像质量虚拟肌肉Rumsn由固定点NO和肌肤切入点N1确定,肌肉收缩好、特征明显时提取效果较好,并且算法的鲁棒性不高。.时,会对影响范围内的网格点产生引力的作用，肌肉上某点S(2)基于动态模板的特征提取。这种方法的实质是参数的位移量OS=(N0-S)8c.其中c肌肉收缩因子(0≤c≤1);8是作化的图元模型和能量函数的结合，其中能量函数的设计依据用力线形衰减因子,8=8,8。随后Lee等人提出基于人脸解剖人脸的先验知识来确定,模板由三维人脸特征点的参数组成，学的多层人脸物理模型"。张青山等叨在动画生成中提出了参数可以根据环境的变化而调整，在进行特征提取时由模板基于肌肉模型的高层驱动方法。的参数确定提取的面部三维特征。黄万军等利用动态模板(3)基于形变模型。形变模型是近几年发展起来的一种较为精确地提取眼睛的特征。此类方法对正面或近似正面人重构三维人脸的方法。它的基本思想是用线性组合的方法表脸图像中的眼睛和嘴巴等器官的提取效果比较好。示同一类物体，即一类对象可以用该类对象的基底的线性组(3)基于动态轮廓模型(Snake模型)的特征提取。此类方合来表示。神经生物学的研究明也表明，人的眼睛也是通过法在图像内定义一个曲线集，与待检测人脸或某些器官的轮二维物体表现的线性组合来识别三维物体。Vetter和Blanz在廓进行自适应匹配，活动轮廓在能量函数的指导下收敛到局基于二维的形变模型的基础上提出了三维人脸形变模型叫,该部边界,而且可以保持曲线的连续与平滑。简单地说就是“能模型使用激光扫描仪获得三维原型人脸，并使用原型人脸建量”最小化的曲线，即能量最小时与待检测物体的匹配度最立人脸形变模型，将模型与特定图像匹配实现人脸的三维重高。Kass首次使用动态轮廓模型求不规则物体的外观特征咖。建。Romdhani等咧采用激光扫描仪获得人脸的3D数据,分别Williamns等提出了基于动态轮廓模型的改进算法明采用贪心对一些基准点构成的形状和基准点的灰度(或彩色)完成PCA，算法加快了系统的运行速度，增强了稳定性。此类方法适用得到3D人脸形状和灰度(彩色)基图像,通过变化参数就可获于人脸外轮廓和眉毛等器官的特征提取，但不适合眼睛和嘴得不同的3D人脸模型。形变模型的优点是应用少量的参数，巴特征的提取。可以反映物体本质特征的信息。它的主要缺点是对图像的适(4)基于神经网络的特征提取。神经网络同样可以很好用范围受制于预先建立的图像库,特定化的过程较慢。地应用到三维人脸识别中,通过设计分类器,对图像样本进行(4)物理学模型。物理学模型D0I是近年来发展较快的模中国煤化工应及鲁棒性强的特点，型。它使用多层弹性网格和有限元网格表示皮肤的物理特性，在人MHCNMHG然神经网络对脸部器官采用了一种保持体积恒定的变形规则，通过解大规模的动力的定位形心均权灯的维术，世很胜心圳对器官的精确提取。方程组来模拟面部变形。这种模型能实现相当逼真的面部描2.3 三维人脸鉴别述，甚至可以模拟過真动画效果(如表情变化、头发运动、眼泪三维人脸鉴别利用上一步中所提取的面部关键特征，与一193方数据数据库中已有的图像进行比较，从而得出人脸的身份。由于技术引入到人脸识别中,组建各种类型的人脸图像数据库,或三维数据的复杂性,通常在比较之前,先将数据库中的图像用不同区域的人脸图像数据库,应用网络技术和分布式计算技近似于所提取的特征的方式表示，以减低比较的复杂度。对术来检索人脸数据,以达到降低数据库的冗余度、提高识别速比图像常用的方法和二维人脸鉴别方法类似，通常使用最大度的目的。相似性判别法;另外三维图像和二维图像有密切的关系，由于(2)深入研究基于三维信息的人脸识别，增强人脸识别的三维数据比较复杂，所以也可将三维图像转换为二维图像效果。由于三维动画的发展，促使三维建模方面的研究发展进行鉴别。较快,取得的成果较多;但是对于三维人脸特征提取方面的研2.3.1最大相似性判别法究较少，不像二维人脸识别有较成熟的方法。人脸的三维信此方法首先匹配人脸整体的轮廓和三维空间方向:然后，息的获取有两种渠道:①从简单易取的二维图像中提取;②直在保持姿态固定的情况下，匹配脸部不同特征点(这些特征点接通过三维扫描仪器获得。基于前者已有不少的研究成果，是经过特征提取步骤提取出来的)。匹配时根据人脸特征向但由于二维照片本身所含信息的局限性，基于二维照片的三量的统计相似度来判断,相似度在-定范围之内即为识别结维人脸识别方法并未取得突破性的进展。所以，开展基于真果。相似度的计算公式为三维人脸信息的人脸识别方法研究更具有其深远意义。s=/(n-p)k+(6- +...+.h.(8)(3)进- -步研究人脸表情和时变特征的识别问题。人的脸式中:t-待检验样本的特征向量的第i个特征分量;pr-部并不是僵硬和-成不变的。这些变化也是影响人脸识别样本库中样本的特征向量的第i个特征分量;k-- -第i个特的重要因素,解决好这些问题也是人脸识别的重要内容.已征分量的权值;m-特征向量的维数。经有人在这方面进行了相应的研究，如建立了面部表情模.相似度计算不能反映脸形图像中的哪些变化量是关键型、利用光流来跟踪面部运动单元的识别"等方法。但并的，哪些又是偶然的。因此可采用贝叶斯统计识别方法来解未很好地解决由表情变化所产生的对人脸识别的负面影响。决这个问题”。设人脸图像M和M:的典型变化量0=M-M2,如何降低这些变化带来的负面效应，也是具有挑战性的研Q是同一人不同图像之间的变化量,匹配度的计算公式为:究课题。贝叶斯统计识别将图像从高维空间转换到低维空间,在S(M,M)-P(O∈Q)=P(Q|O)9)4结束语低维空间中解决图像变化量的问题。人脸识别是一项跨学科的研究课题 ,在研究过程中面临着2.3.2基于平面投影的二维识别方法相当程度的难度。由于人脸具有很大的柔性,会产生一定的变在现实中面临较多的是对二维人脸照片进行识别。在三形，而且表情、光线和附着物等在不同的环境下具有较大的差维人脸识别的数据库中，存储的是人脸样本的三维几何特征别，这为人脸识别要取得突破性的进展带来困难的同时，却为.数据，因此在任意姿态的人脸识别方面具有优势。由于二维其赋予了一定的挑战性,从而促使着人们对其不断地探求。人脸识别技术比较成熟，我们可以把三维特征信息转化为二人脸识别技术经过几十年的发展，已经硕果累累,尤其是维特征信息,间接识别三维图像。三维图像应用的是柱面坐在二维识别方面。三维人脸识别方面每年也有许多文献发表，标，通过映射把图像映射到平面坐标上,转换成二维图像,可提出了一些新的方法和技术，但应用不太理想。人脸识别的以方便地应用二维人脸识别方法。这种方法将二维的识别优最终 目的是取得良好的应用效果，目前出现的许多人脸识别势和三维的姿态识别优势结合到一起,提高了识别效果。系统多数是基于二维人脸图像进行人脸识别的，应用范围和效果都很有限。这一切为我们继续探求人脸识别的有效方法3研究展望提供了广阔的空间。目前人脸识别特别是三维人脸识别的研究基本处于实验参考文献:阶段。在实验当中针对信息不是很复杂或者人脸库图像较少时，识别率比较高,识别速度也比较快,但是投入到实际应用[] 张翠平,苏光大.人脸识别技术综述[J]. 中国图象图形学报,中并非如此。已经有一些方法推广到实际应用中，国内外已2000,5(11):885-894.经有二维人脸识别系统问世,但是识别率和准确性并不是很[2] Parke F LA parametric model of human faces[D].Salt Lake Ciy:高。目前三维人脸识别的系统还不够成熟。每年都会有许多University ofUiah, 1974.新的算法和理论产生，尤其是近几年在二维和三维人脸识别[3] Lee Y, Terzopoulos D, Waters K. Realistic modeling for facia-方面都有突飞猛进的发展，但是这些方法应用到实际中还存lanimation[A].Proceedings of SIGGRAPH9S[C].Los Angeles:在许多缺陷。ACM Press, 195.55-62.从应用角度出发,笔者认为人脸识别应从以下几个方面[4] 张新宇，张三元,叶修梓.基于图像化几何的三维模型彩绘[].增强研究:中国煤化工(1)研究通过分布式检索处理海量的人脸数据,提高识别s]modeling for animation[J].的速度。完善的人脸图像库是人脸识别技术的基础，组建完HH. CN M H 2013304善的人脸图像数据库需要大量的人脸图像,随着图像的增多，6] Pighin F,Hecker J, Lischinski D,et al. Synthesizing realistic fa-相应的检索速度也会随之降低。为此可以考虑将分布式计算cial expressions from photographs [A]. Proceedings of Sigg- 1927 -Raph'98[C].Orlando: ACM Press, 1998.75-84.plication to face recognition[J]. IEEE Trans PAMI, 2000, 22(6):7] Guenter B,Grimm C,Wood D,et al. Making faces[A]. Procee-570-582.dings of SiggRaph'98[C]. Orlando:ACM Press, 1985566.[24] Raffacle appelli, Dario Maio, Davide Matoni. Multispace KL8] LuX G, Zhou J, Zhang C S.A novelalgorihm for rotated humanfor pattem representation and cassification [0]. IEEE Transface detection[A].Proc IEEE Conferenceon Computer VisionandPAMI, 20,239)977-996.Pattemn Recognition [C]. Hilton Head Island, South Carolina,25] Shan s, Gao W, Zhao D. Face rcognitin from a single exampleUSA: 2000.760-764.image based on face specific subspace [A]. Proc IEEE ICASSP9] Ai H Z,Liang L H,XuG Y. A general fram ework for face detec-2002C].tion[A].Tan Tie-Niy,Shi Yuan-Chun,Gao Weneds. Procthe 3rd[26]陈粟,倪林.- -种特 征脸分析和小波变换相结合的人脸识别方Conference on Multim odal Interfaces, Lecture Notesin Com-法[].计算机应用, 2004,24(10):75-81.puter Science1948[C].Berlin: Springer-Verlag, 200.19-126.[27]丁嵘, 苏光大,林行刚.使用关键点信息改进弹性匹配人脸识[10] WangJ G,TanTN. A new face detection method based on shape别算法[J].电子学报, 2002,30(9):1292-1294.infomation[].Pattern Recognition Letters, 200,21(6-7):463-28] Raphael Feraud, Olivier J Bernier, Viallet Jean Emmanuel, et al.A fast and accurate face detecter based on neural neyworks[J].11] Sungk K, Poggiot. Example-based learming for view-based bu-IEE Trans PAM, 2001,23(1):42-53.men face detectionOJ.IEEE Transations on Pattern Analysis[29] Pighin F, Szeliski R, Salesin D H. Modeling and animation real-and Machine Itelligence, 2000,20(1):39-51.istic faces fromimages[J]. Proceedings International Journal of[12] Feraud R,Bermier OJ,ValletJ E, et al. A fast and accurate detec-Computer Vision, 2002, 50(2):143-169.tor based on neural networks [J].IEEE Trans Pattern Analysis[30] Platt s, Badler N. Animating facial expressions []. Computerand Machine Ielligence, 2001,23(1);:42-53.Graphics, 1981,15(3)-245-252.[13] Garcia C,Delakis M. A neural architectuer for fast and robust[31] Waters KA muscle model for animation three -dimensional fa-face detection proceedings[A]. Intemational Conference on Pat-cial expression[A]Proceedings of the SIGGRAPH[C]. 1987.17-tern Recognition[C]. 2002.44-47.24.[14]梁路宏,艾海舟,徐光祜.基于模板匹配与人工神经网络确认的[32]张青山，陈国良,具有真实感的三维人脸动画[].软件学报,人脸检测[J.电子学报, 2001,296)-744-747.2003,14(3):643-650.[1S] Yang M H,Roth D,Ahuja N. A SNOW-based face detectoe[A].[33] Bulthoff H, Edelman S Y, TarrM J. How are three dimnen-sionalSolla S A, Leen T K, Muller K R. Advances in Neural Informa-objects repesented in the brain?[]. Cerebral Corlex, 1995,5(3);tion Processing Systems 12[C].MIT Press, 200.855 861.247-260.[16] Froba B, Kublbeck C.Robust face detection at video rate based[34] Blanz Vetter TA morphable model for the synthesis of3D fa-on edge orientation features [A]. Proc Fifth IEEE Intermationalces[A]. Proeeding of SIGGRAPH99[C]. Los Angeles: ACMConference on Automatic Face and Gesture Recognition [C].Press, 199.187-194.2002.327-332.[35] Sami Romdhani, Volker Blanz, Thomas Vetter. Face idenifica-[17] 陈茂林,戚飞虎.自组织的隐马儿可夫模型的人脸检测研究[J].tion by fting a 3D morphable model using linear shape and tex-计算机学报, 202,2511:1165-1169.ture error functions [A]. Denmark: 7th European Conference on[18] Miao J,Yin B,Wang K,et al.A hierarchical multiscale and multi-Computer Vision Copenhagen[C.2002.angle system background using gravity- center template[]. Pa1- [36] Terzopoulos D, Waters K. Physcally-based facial modeingtemn Recognition, 1992():1237-1248.analysis and animation []. Joumal of Visualization and Com-[19] Wong K W, Lam K M, Siu W C. An eficient algorithm for hu-puter Animation, 1990,1(2):73-80.man face detection and facial feature extraction under different[37]黄万军,尹宝才,孔德慧.基于三维可变形模板的眼睛特征提取conditions[J]. Pattern Recognition, 2001,34:1993-2004.[].计算机研究与发展, 2002,39(4>:495-501.20] 张洪明，赵德斌,高文.基于肤色模型、神经网络和人脸结构模 [38] Kass M, Witkin A, Terzopoulos D. Snakes: Active contor mo-型的平面旋转人脸检测[].计算机学报, 2002,25 (11): 1250- .delsl].Internation Journal of Computer Vision, 1988,1(4):321-1256.331.[21] ZhouJ, Lu X G, Zhang D, et al. Orientation analysis for rotated [39] Williamns, Donna, Shah, et al. A fast algorithm for active conto-human face detetion[]. Image and Vision Computin, 2002,urs and curvature estimation[J].CVGIP: Image Understanding,(20): 257-264.中国煤化工[22] Yuille A, Hallinan P, Cohen D. Feature extraction from faces[40]民族大学学报(自然科学using deformable templates[J]. International Journal of Com-TYHCNMHGputer Vsion,9292)2)991[41] Mase K.Recognition of facial expression frorm optical flow[J].[23] Lui Chengjun, Harry Wechster. Evolutionary pursuit and its ap-iEICE transactions, 191,(10);:3474-3483.一1928 -