基于视频人脸识别跟踪监测与识别系统的研究与实现24

基于视频人脸识别跟踪监测与识别系统的研究与实现摘要随着现代科技的快速发展，生活智能化程度不断提高。各种智能型系统已被应用到各行各业。在众多智能系统中，自动身份认证系统由于其应用范围广，在业界已受到极大的关注。特别是基于人脸识别的身份认证系统，比起基于指纹和虹膜的认证系统。人脸识别是对于输入的人脸图像或视频，首先判断其中是否存在人脸，如果存在人脸，则进一步给出每个人脸中所蕴含的特征，并将其中与已知人脸库中的人脸图像进行对比，从而可以得到识别结果。由此可见，一个完整的人脸识别过程应该包括人脸检测和人脸识别两大部分。人脸检测作为人脸信息处理中的一项关键技术，近年来成为模式识别与计算机视觉领域内一项是受到普遍重视、研究十分活跃的课题，已经广泛应用于各种不同领域中。人脸检测技术的研究，由于受到背景、姿态、尺寸、光照以及检测时间等的影响，大部分算法都是在一定的约束条件下提出的。人脸识别技术因其在安全验证系统、信用卡验证、档案管理、视频会议、罪犯识别、医学等方面的巨大应用前景而越来越成为当前模式识别和人工智能领域的一个研究热点。本系统采用摄像头获取动态人脸图像预处理、人脸检测和定位、特征匹配实现了人脸识别；也可以采用静态图片人脸定位。关键词：人脸检测；人脸识别；定位；目录1前言31.1课题来源31.2人脸识别技术的研究意义31.2.1富有挑战性的课题31.2.2研究背景与意义32系统需求分析和方案选择112.1可行性分析112.1.1技术可行性122.1.2操作可行性122.2需求分析122.2.1应用程序的功能需求分析122.2.2开发环境需求分析132.2.3运行环境需求分析2.3预处理方案选择142.3.1设计方案原则的选择142.3.2图像文件格式选择142.3.3开发工具选择142.3.4算法分析选择3系统的概要设计141前言1.1课题来源随着安全入口控制和金融贸易方面应用需要的快速增长，生物统计识别技术得到了新的重视。目前，微电子和视觉系统方面取得的新进展，使该领域中高性能自动识别技术的实现代价降低到了可以接受的程度。而人脸识别是所有的生物识别方法中应用最广泛的技术之一，人脸识别技术是一项近年来兴起的，但不大为人所知的新技术。人们更多的是在电影中看到这种技术的神奇应用：警察将偷拍到的嫌疑犯的脸部照片，输入到电脑中，与警方数据库中的资料进行比对，并找出该嫌犯的详细资料和犯罪记录。这并非虚构的情节。在国外，人脸识别技术早已被大量使用在国家重要部门以及军警等安防部门。在国内，对于人脸识别技术的研究始于上世纪90年代，目前主要应用在公安、金融、网络安全、物业管理以及考勤等领域。1.2人脸识别技术的研究意义1.2.1富有挑战性的课题人脸识别是机器视觉和模式识别领域最富有挑战性的课题之一，同时也具有较为广泛的应用意义。人脸识别技术是一个非常活跃的研究领域，它覆盖了数字图像处理、模式识别、计算机视觉、神经网络、心理学、生理学、数学等诸多学科的内容。现如今的我们，虽然在这方面的研究已取得了一些可喜的成果，但是FRT在实用的应用中仍面临着很严峻的问题，因为人脸五官的分布是非常复杂，相似的，而且人脸的本身又是一个柔性物体，表情、姿态或发型、化妆的千变万化都给正确识别带来了相当大的麻烦。如何能正确识别大量的人并满足实时性要求是迫切需要解决的问题。1.2.2研究背景与意义近年来，随着现代科技的快速发展，生活智能化程度不断提高。各种智能型系统已被应用到各行各业。在众多智能系统中，自动身份认证系统由于其应用范围广，在业界已受到极大的关注。特别是基于人脸识别的身份认证系统严重的冲击了传统的指纹识别身份认证系统在身份认证市场的市场占有率，快速占领了生物特征识别中的12.9%的市场份额，仅仅只落后于指纹识别的市场占有率，并且还呈现不错的上涨趋势，同时据预测和人脸识别相关的产品未来的5年中将以8亿美元及以上的增幅快速增长。随着科学技术的发展，很多企业和科研单位都推出了自己的人脸识别系统。但这些系统多数是针对某种的特定环境而开发的，很大程度上缺乏通用性。缺乏通用性的重要原因是其核心技术仍然是采用国外的技术，只是通过一定的简单加工，而且多数还是考勤系统等。就是由于这些大公司没有产品开发的知识产权，没有形成深入研究相关方面的知识，因此在人脸识别技术上很难达到实际的应用模式的。同时由于通过各种不同的渠道从国外学习的相关技术也是参差不齐，使得产品的可靠性很难得到保障，其中有些涉及到国家安全的更是值得考虑的因素。在过去的一两年中人脸识别市场在中国处于快速的发展中，同时市场份额也在快速的扩大之中。其主要有以下原因：脸识别技术的重要性的认识。由于受到各界相关人士对其重要性的认识，使得国家也给予政策上的支持，是人脸识别在未来发展的重要基础之一，同时由于对其深入的研究，相关技术也更加的成熟，同时识别率比起以前提升至少在10倍以上，其中的一些方法几乎可以和人类的视觉系统相媲美，机器识别精准率接近100%。各种市场需求促进。由于生物识别需求的多元化和人脸识别技术的快速进步使相关公司可以生产出更加适合市场的产品，与此同时人脸识别产品的市场就得到了快速的发展。人脸识别产品已经不单单是门禁考勤系统，视频监控识别也成为其重要发展的方向，即通过检测某个人出现的视频，识别出其身份的系统，这显然是如指纹识别不能达到的效果。人口基数因素，我国的人口相比其他世界的其他国家那是有数量级之间区别的，这从本质上决定了我国的人脸识别市场需求。虽然我国的人脸识别市场的需求空间很大，但是现阶段的人脸识别产品的研究效果还远远达不到通用的市场需求。人脸识别在很大程度上还受到很多因素的影响，比如：光照条件、姿态、背景和面部表情等现实因素。这些变化的因素有时候会给识别算法带来灾难性的破坏，导致识别的结果明显不同，当然目前对其中的一个到两个方面的影响因素克服的算法还是有的，但其通用性也不是很强。人脸识别最主要的影响还是来自光照条件和姿态变化。为了消除光照和姿态对人脸识别算法的影响，相关工作者也做出了深入的研究，识别判断时采用和各种不同光照下的样本比较，但这样就大大减低了识别算法的速度，在实时性上又不能满足人脸识别的产品要求。当然现在正致力于人脸3D模型重建算法，可以有效的克服大部分不良因素产生的影响，将会得到更加深入的研究。人脸识别系统现在应用于许多领域，但是人脸识别技术也是一项近年来兴起的，且不大为人所知的新技术。在我国以及其他国家都有大量的学者正在研究之中，不断的更新人脸识别技术，以便系统的识别准确率达到新的高度。2人脸检测与方法综述2.1人脸检测主要算法原理分析主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。1.基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果；2.基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。3.基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。2.1.1基于几何特征的方法人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征，但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。可变形模板法可以视为几何特征方法的一种改进，其基本思想是：设计一个参数可调的器官模型（即可变形模板），定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。2.1.2局部特征分析方法（LocalFaceAnalysis）主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。基于这种考虑，外国人提出基于局部特征的人脸特征提取与识别方法。这种方法在实际应用取得了很好的效果，它构成了FaceIt人脸识别软件的基础。2.1.3特征脸方法（Eigenface或PCA）特征脸方法是90年代初期由Turk（人名）和Pentland（人名）提出的目前最流行的算法之一，具有简单有效的特点,也称为基于主成分分析(principalcomponentanalysis,简称PCA)的人脸识别方法。特征子脸技术的基本思想是：从统计的观点，寻找人脸图像分布的基本元素，即人脸图像样本集协方差矩阵的特征向量，以此近似地表征人脸图像。这些特征向量称为特征脸(Eigenface)。实际上，特征脸反映了隐含在人脸样本集合内部的信息和人脸的结构关系。将眼睛、面颊、下颌的样本集协方差矩阵的特征向量称为特征眼、特征颌和特征唇，统称特征子脸。特征子脸在相应的图像空间中生成子空间，称为子脸空间。计算出测试图像窗口在子脸空间的投影距离，若窗口图像满足阈值比较条件，则判断其为人脸。基于特征分析的方法，也就是将人脸基准点的相对比率和其它描述人脸脸部特征的形状参数或类别参数等一起构成识别特征向量，这种基于整体脸的识别不仅保留了人脸部件之间的拓扑关系，而且也保留各部件本身的信息，而基于部件的识别是通过提取出局部轮廓信息及灰度信息来设计具体识别算法。Eigenface(PCA)算法已经与经典的模板匹配算法一起成为测试人脸识别系统性能的基准算法；而自1991年特征脸技术诞生以来，研究者对其进行了各种各样的实验和理论分析，FERET'96测试结果也表明，改进的特征脸算法是主流的人脸识别技术，也是具有最好性能的识别方法之一。该方法是先确定眼虹膜、鼻翼、嘴角等面像五官轮廓的大小、位置、距离等属性，然后再计算出它们的几何特征量，而这些特征量形成一描述该面像的特征向量。其技术的核心实际为“局部人体特征分析”和“图形/神经识别算法。”这种算法是利用人体面部各器官及特征部位的方法。如对应几何关系多数据形成识别参数与数据库中所有的原始参数进行比较、判断与确认等。Turk、Pentland二人提出特征脸的方法，它根据一组人脸训练图像构造主元子空间，由于主元具有脸的形状，也称为特征脸，识别时将测试图像投影到主元子空间上，得到一组投影系数，和各个已知人的人脸图像比较进行识别。Pentland等报告了相当好的结果，在200个人的3000幅图像中得到95%的正确识别率，在FERET数据库上对150幅正面人脸象只有一个误识别。但系统在进行特征脸方法之前需要作大量预处理工作如归一化等。在传统特征脸的基础上，研究者注意到特征值大的特征向量(即特征脸)并不一定是分类性能好的方向，据此发展了多种特征（子空间）选择方法，例如Peng的双子空间方法、Weng的线性歧义分析方法、Belhumeur的FisherFace方法等。事实上，特征脸方法是一种显式主元分析人脸建模，一些线性自联想、线性压缩型ＢＰ网则为隐式的主元分析方法，它们都是把人脸表示为一些向量的加权和，这些向量是训练集叉积阵的主特征向量，Valentin