LVQ神经网络在人脸朝向识别中应用文献综述.docVIP

第  PAGE 4 页 共 5 页 LVQ神经网络在人脸朝向识别中的应用 人脸识别作为一个复杂的模式识别问题，近年来受到广泛的关注，识别领域的各种方法在这个问题上各显所长，而且发展出了许多新方法，大大丰富和拓展了模式识别的方向。人脸识别、检测、跟踪、特征定位等技术近年来一直是研究的热点。人脸识别是人脸应用研究中重要的第一步，目的是从图像中分割出不包括背景的人脸区域。由于人脸形状的不规则性以及光线和背景条件多样性，现有的人脸研究算法都是在试图解决某些特定实验环境下的一些具体问题，对人脸位置和状态都有一定的要求。而在实际应用中，大量图像和视频中人脸的位置、朝向和旋转角度都不是固定的，这就大大增加了人脸识别的难度。 在人脸识别领域的众多研究方向中，人脸朝向分析一直是一个少有人涉及的领域。在以往的研究成果中，一些研究者谈及了人脸朝向问题，但其中绝大多数都是希望在人脸识别过程中去除人脸水平旋转对识别过程的不良影响。但是，实际问题要复杂得多，人脸朝向是一个无法避免的问题。因此，对于人脸朝向的判断和识别，将会是一件非常有意义的工作。 一、人脸朝向识别的研究意义 研究人脸识别在理论和技术上都有重要的意义：一是可以推进对人类视觉系统本身的认识；二是可以满足人工智能应用的需要。采用人脸识别技术，建立自动人脸识别系统，用计算机实现对人脸图像的自动识别有着广阔的应用领域和诱人的应用前景。 同时人脸识别作为一种生物体征识别与其它较成熟的识别方法（如指纹、虹 膜、DAN检测等）相比有以下几个优点： （1）无侵犯性。人脸图像的获取不需要被检测人发生身体接触，可以在不惊动被检测人的情况下进行。 （2）低成本、易安装。人脸识别系统只需要采用普通的摄像头、数码摄像机或手机上的嵌入式摄像头等被广泛使用的摄像设备即可，对用户来说也没有特别的安装要求。 （3）无人工参与。整个人脸识别过程不需要用户或被检测人的主动参与，计算机可以根据用户预先的设置自动进行。 由于具有以上优点，近几年来，人脸识别技术引起了越来越多科研人员的关注。 人脸检测研究具有重要的学术价值。人脸是一类具有相当复杂的细节变化的自然结构目标，此类目标的检测问题的挑战性在于： （1）人脸由于外貌、表情、肤色等不同，具有模式的可变性； （2）一般可能存在眼镜、胡须等附属物； （3）作为三维物体的人脸的影像不可避免地受由光照产生的阴影的影响。 因此，如果能够找到解决这些问题的方法，成功构造出人脸检测与跟踪系统，将为解决其它类似的复杂模式检测问题提供重要的启示。 二、文献概述 20 世纪 90 年代以来，随着高速高性能计算机的出现，人脸识别方法有了重大突破，进入了真正的机器自动识别阶段。国外有许多大学在此方面取得了很大进展，他们研究涉及的领域很广，其中有从感知和心理学角度探索人脸识别。美国 Texas at Dallas 大学的 Abdi 和 Toole 小组，主要研究人脸感知机理的规律；由Stirling 大学的 Bruce 教授和 Glasgow 大学的 Burton 教授合作领导的小组，主要是研究人类大脑在人脸认知中的作用，并在此基础上建立了人脸认知的两大功能模型，他们对熟悉和陌生人脸的识别规律以及图像序列的人脸识别规律也进行了研究；英国 Aberdeen 大学的 Craw 小组，主要研究人脸视觉表征方法，他们对空间频率在人脸识别中的作用也进行了分析；荷兰 Groningen 大学的 Petkov 小组，在此基础上发展了并行模式识别方法。更多的学者则从事利用输入图像进行计算机人脸识别的研究工作。 在人脸识别的领域中，国际上逐步形成了以下几个研究方向： （1）基于几何特征的人脸识别方法，主要代表是 MIT 的 Brunelli 和 Poggio 小组，他们采用改进的积分投影法提取出用欧氏距离表征的 35 维人脸特征矢量用于模式分类； （2）基于模板匹配的人脸识别方法，主要代表是 Harvard 大学 Smith-Kettlewell 他采用弹性模板来提取眼睛和嘴巴的轮廓，Chen 和 Huang 研究中心的 Yuille，则进一步提出用活动轮廓模板提取眉毛、下巴和鼻孔等不确定形状； （3）基于 K-L 变换的特征脸的方法，主要研究者是 MIT 媒体实验室的 Pentland； （4）基于隐马尔可夫模型的方法，主要代表有 Cambridge 大学的 Samaria 小组和 Georgia 技术研究所的 Nefian 小组； （5）基于神经网络识别的方法，如 Poggio 小组提出的 HyperBF 神经网络识别方法，英国 Sussex 大学的 Buxton 和 Howell 小组提出的 RBF 网络识别方法等； （6）基于动态链接结构的弹性图匹配方法，主要研究者是由 C.Von derMal