人脸识别技术的发展与挑战

人脸识别的研究始于20世纪60年代末，最早的研究见于参考文献[44]，Bledsoe以人脸特征点的间距、比率等参数为特征，建成了一个半自动的人脸识别系统。而且早期人脸识别研究主要有两大方向：一是提取人脸几何特征的方法，包括人脸部件归一化的点间距离和比率，以及人脸的一些特征点，如眼角、嘴角、鼻尖等部位所构成的二维拓扑结构；二是模板匹配的方法，主要是利用计算模板和图像灰度的自相关性来实现识别功能。Berto在1993年对这两类方法做了较全面的介绍和比较后认为，模板匹配的方法优于几何特征的方法。

目前的人脸识别研究也主要有两个方向：其一是基于整体的研究方法，它考虑了模式的整体属性，包括特征脸（Eigenface）方法、SVD分解的方法、人脸等密度线分析匹配方法、弹性图匹配（Elastic Graph Matching，EGM）方法、隐马尔可夫模型（Hidden Markov Model，HMM）方法以及神经网络的方法等；其二是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他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，而且也保留了各部件本身的信息，而基于部件的识别则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。有文献认为，基于整个人脸的分析要优于基于部件的分析，理由是前者保留了更多的信息，但是这种说法值得商榷，因为基于人脸部件的识别要比基于整体的方法来得直观，它提取并利用了最有用的特征，如关键点的位置以及部件的形状分析等，而对基于整个人脸的识别而言，由于把整个人脸图像作为模式，那么光照、视角以及人脸尺寸会对人脸识别有很大的影响，因此如何能够有效地去掉这些干扰非常关键。虽然如此，但对基于部件分析的人脸识别方法而言也有困难，其难点在于如何建立好的模型来表达识别部件。近年来的一个趋势是，将人脸的整体识别和特征分析的方法结合起来，如Kin Man Lam提出的基于分析和整体的方法，An-dreas Lanitis提出的利用可变形模型（Flexible Model）来对人脸进行解释和编码的方法。(www.xing528.com)

计算机人脸识别技术是近20年才逐渐发展起来的，20世纪90年代成为科研热点。近年来关于人脸识别的研究取得了很大的进步，国际上发表有关论文的数量大幅增长，仅1990～1998年之间，工程索引（Engineering Index，EI）可检索到的相关文献就多达数千篇。美国电气电子工程师学会（Institute of Electrical and Electronics Engineers，IEEE）的PAMI（模式分析与机器智能）汇刊还于1997年7月出版了人脸识别专辑，每年的国际会议上关于人脸识别的专题也屡屡可见。特别是，随着近年来深度学习在模式识别等相关领域中获得广泛的应用，研究基于深度学习的人脸识别技术将是未来一段时间内较为热门的研究方向。由于人脸识别实验所采用的人脸数据库通常不大，最常见的人脸数据库仅包括100幅左右的人脸图像，如MIT（麻省理工学院）、Yale（耶鲁大学）、CMU（卡内基梅隆大学）等人脸数据库均为小型库，且由于不同的人脸数据库之间的输入条件各异，因此不同的识别程序之间很难进行比较。为促进人脸识别算法的深入研究和实用化，美国国防部发起了人脸识别技术（Face Recognition Technology，FERET）工程，它包括一个通用人脸数据库和一套通用测试标准。该FERET人脸数据库可用于各种人脸识别算法的测试比较。1997年，FERET人脸数据库存储了取自1199个人的14126幅图像，其中同一个人的图像差异，包括不同表情、不同光照、不同头部姿态以及不同时期（相隔1个月以上）拍摄差异等。如今FERET人脸数据库仍在扩充，并定期对各种人脸识别程序进行性能测试，其分析测试结果对未来的工作起到了一定的指导作用。由于FERET人脸数据库中包括军人的图片，不能在美国以外获得，因此其他国家的研究只能采用本地的人脸库，如英国的Manchester（曼彻斯特）人脸数据库。