人脸识别技术是根据人的面部特征的唯一性特点而进行的个体识别和确认技术。人的面部特征的唯一性，可以在脸上某单一器官或部位上得以体现，更重要的是可在这些单一特征之间的位置、距离、角度、数量、形状和模式等相互关系上得以体现。而且这些面部特征都具有一定的稳定性。当验证某人的身份时，只要通过某种设备摄录下他的面部生物学特征，与事先已经储存着的相关样本特征进行比较，几秒钟内即可完成识别。同许多生物识别技术一样，人的面部识别技术是近几年在全球范围内迅速发展起来的一项安全技术。它是依靠面部的二维或三维图像处理和模式识别来实现鉴别或验证个体身份目的，具有非接触性、对被识别对象侵扰少和识别手段隐蔽等特点，在反恐、跟踪、追逃、打拐、出入口控制、银行管理等许多领域都有着独特的应用价值。
1.2.2.1 人脸识别的研究内容
人脸识别主要分为人脸检测、人脸特征提取和人脸识别3个过程。
1）人脸检测（face detection）
人脸检测就是给定任意图像，确定其中是否存在人脸，如果有，给出人脸的位置、大小等状态信息。人脸检测主要受到光照、噪声、姿态以及遮挡等因素的影响，人脸检测的结果直接关系到后面两个过程的准确性。近年来，人脸检测已成为独立的研究课题，受到研究者的关注。
2）人脸表征（face representation）
人脸表征就是提取人脸的特征，是将现实空间的图像映射到机器空间的过程。人脸的表征具有多样性和唯一性，只有保持这种多样性和唯一性，才能保证人脸图像的准确描述和识别。人脸图像信息数据量巨大，为了提高检测和识别的运算速度，提高图像传输和匹配检索速度，必须对图像进行数据压缩，降低向量维数，即用尽可能少的数据表示尽可能多的信息。人脸表征在提取人脸特征的同时，也实现了对原始图像的数据降维。
3）人脸识别（face recognition）
人脸识别就是将待识别的人脸与已知人脸进行比较，得出相似程度的相关信息。这里所指的人脸识别是狭义的识别，是统称的广义人脸识别的一个子过程。人脸识别又分为两类：一类是确认（verification），它是一对一进行图像比较（comparison）的过程，回答你是不是你本人的问题（Are you who you say you are？）。另一类是辨认（identification），它是一对多进行图像匹配比对（matching）的过程，回答你是谁的问题（Who are you？）。人脸确认是人脸辨认的简单化，人脸辨认比人脸确认要复杂困难得多，因为人脸辨认系统涉及大批量数据的比对。在海量数据的检索比对中，识别精度和检索时间是至关重要的指标，因而这一过程的核心是选择适当的人脸表征方式和匹配策略。
从一幅图像中找到人脸，大体上有以下四种方法：(www.xing528.com)
1）基于知识的方法（knowledge-based methods）
基于知识的方法是基于规则的人脸检测方法，规则来源于研究者关于人脸的先验知识。它将典型的人脸形成规则库，对人脸进行编码。通常，通过面部特征之间的关系进行人脸定位。一般比较容易提出简单的规则来描述人脸特征和它们的相互关系，如在一幅图像中出现的人脸，通常具有互相对称的两只眼睛、一个鼻子和一张嘴。特征之间的相互关系可以通过它们的相对距离和位置来描述。在输入图像中首先提取面部特征，确定基于编码规则的人脸候选区域。
2）特征不变方法（feature invariant approaches）
该算法的目的是在姿态、视角或光照条件改变的情况下找到存在的结构特征，然后使用这些特征确定人脸。基于特征的方法可以从已有的面部特征及它们的几何关系进行人脸检测。它寻找人脸的不变特征用于人脸检测，即先检测人脸面部特征，然后推断人脸是否存在。对于面部特征，如眉毛、眼睛、鼻子、嘴和发际，一般利用边缘检测器提取，根据提取的特征，建立统计模型，描述特征之间的关系并确定存在的人脸。基于特征的算法存在的问题是，由于光照、噪声和遮挡等使图像特征被严重地破坏，人脸的特征边界被弱化，阴影可能引起很强的边缘，而这些边缘可能使得算法难以使用。
Sirohey提出了从复杂的背景中分割人脸进行人脸识别的定位方法。它使用边缘图和启发式算法来去除和组织边缘，而只保存一个边缘轮廓，然后用一个椭圆拟合头部区域和背景间的边界。Graf等人提出定位灰度图像的面部特征和人脸的检测方法。在滤波以后，用形态学的方法增强具有高亮度、含有某些形状（如眼睛）的区域。Leung等人提出一种基于局部特征检测器和任意图匹配的概率方法，在复杂场景中定位人脸，其目标是找到确定的面部特征的排列。典型的人脸用五个特征（两只眼睛、两个鼻孔和鼻子与嘴唇的连接处）来描述。Yow和Cipolla提出了一种基于特征的方法。在第一阶段，应用了二阶微分Gaussian滤波器，在滤波器响应的局部最大点检测感兴趣的点，指出人脸特征可能的位置；第二阶段，检查感兴趣点周围的边缘并将它们组成区域。这种方法的优点是可以在不同的方向和姿态上检测人脸。Han等人提出了使用一种基于形态学的技术进行眼部分割，进而实现人脸检测的方法。他们认为眼睛和眼眉是人脸最突出和稳定的特征，特别适合人脸检测。彭进业等人提出了一种在图像的反对称双正交小波分解数据域中，实现多尺度对称变换的方法，并将它应用于脸部图像中主要特征点的定位。王延江等人提出了一种快速的彩色图像中复杂背景下的人脸检测方法，其方法首先对彩色图像中与人的肤色相似的像素进行聚类和区域分割，然后利用小波分解对每一个候选区域进行人脸特征分析，如所检测到的区域特征分布与某一预先定义的人脸模型相似，则确认该区域代表人脸。在人脸检测和手的跟踪等许多应用中，已经使用了人类的皮肤颜色作为特征。虽然不同的人有不同的皮肤颜色，研究表明主要的不同在于它们的亮度而不是它们的色度。标注皮肤像素的颜色空间包括RGB、规格化的RGB、HSV（或HIS）、YCrCb、YIQ、YES、CIE XYZ和CIE LUV。人们已经提出了许多方法用于构建颜色模型。最简单的模型是使用Cr、Cb值定义一个皮肤色调像素区域，也就是R（ Cr，Cb），从皮肤颜色像素得到样本。仔细选择阈值［Cr1，Cr2 ］和［Cb1，Cb2 ］，如果像素值（Cr，Cb）满足Cr1 ≤Cr≤Cr2，Cb1 ≤Cb≤Cb2，就被分类到皮肤色调中。
3）模板匹配方法（template matching methods）
存储几种标准的人脸模式，用来分别描述整个人脸和面部特征；计算输入图像和存储的模式间的相互关系并用于检测。在模板匹配的方法中，首先将脸模式（一般为正面脸模式）参数化，用一函数来定义脸模式，然后计算输入图像与脸模式中脸的轮廓、眼、鼻、嘴各部分的相关值。根据这些相关值可确定输入图像中是否存在人脸及其位置。这种采用固定模板的方法优点是简单、易于实现，缺点是无法处理图像中脸部尺寸、姿态、形状的变化。随后，为了克服这一缺陷，相继又提出了多精度、多尺度、子模板和可变形模板等方法。
4）基于外观的方法（appearance-based methods）
与模板匹配方法相反，该方法从训练图像集中进行学习从而获得模型（或模板），并将这些模型用于检测。这类人脸检测方法主要使用了统计分析与机器学习技术来找出与人脸图像和非人脸图像相关的特性，所取得的特性以分布模型或判别函数的形式被用来检测人脸。同时，对问题的特征数据数量进行降维以减少计算量、提高检测功效。这类方法主要可分为特征脸方法、基于分布规则方法以及神经网络与支持向量机方法。
面部识别技术并非万能的，其性能和准确率尚需提高，比如对双胞胎（指单卵双胞胎）的识别或面部整容、整形前后之个体的识别都是较为困难的。但是，如果这一技术能够与其他技术（如面部皮肤热成像识别技术）相互配合应用，其效果应该更为理想。人的血液细胞会沿着皮下血管产生一种热模式，即血管正上方的皮肤温度总是略高于周边部位，由此产生的等热线与指纹一样具有个体唯一性。何况人的皮肤下面有许多血管，两个血管完全相同的人是不存在的。根据这一原理，利用红外摄像技术发现皮肤温度的细微变化而进行的血管识别（个体识别）的技术即为皮肤热成像识别技术，或称热成像技术。这一技术甚至能够把肉眼难以分辨的双胞胎区分开来，而且不仅可以对人的面部进行观察，也可以在较远的距离对人的全身实施成像。人可以对自己进行各种化装或伪装，以躲避普通摄像机的监视，但却逃脱不了红外线系统的跟踪，因为人不可能改造或取走自己的血管。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
