3、人臉識別的優勢與困難

3.1優勢

    人臉識別的優勢在于其自然性和不被被測個體察覺的特點。所謂自然性，是指該識別方式同人類（甚至其他生物）進行個體識別時所利用的生物特征相同。例如人臉識別，人類也是通過觀察比較人臉區分和確認身份的，另外具有自然性的識別還有語音識別、體形識別等，而指紋識別、虹膜識別等都不具有自然性，因為人類或者其他生物并不通過此類生物特征區別個體。不被察覺的特點對于一種識別方法也很重要，這會使該識別方法不令人反感，并且因為不容易引起人的注意而不容易被欺騙。人臉識別具有這方面的特點，它完全利用可見光獲取人臉圖像信息，而不同于指紋識別或者虹膜識別，需要利用電子壓力傳感器采集指紋，或者利用紅外線采集虹膜圖像，這些特殊的采集方式很容易被人察覺，從而更有可能被偽裝欺騙。

3.2困難

    人臉識別被認為是生物特征識別領域甚至人工智能領域最困難的研究課題之一。人臉識別的困難主要是人臉作為生物特征的特點所帶來的。

    相似性：不同個體之間的區別不大，所有的人臉的結構都相似，甚至人臉器官的結構外形都很相似。這樣的特點對于利用人臉進行定位是有利的，但是對于利用人臉區分人類個體是不利的。

易變性：人臉的外形很不穩定，人可以通過臉部的變化產生很多表情，而在不同觀察角度，人臉的視覺圖像也相差很大，另外，人臉識別還受光照條件（例如白天和夜晚，室內和室外等）、人臉的很多遮蓋物（例如口罩、墨鏡、頭發、胡須等）、年齡等多方面因素的影響。

    在人臉識別中，第一類的變化是應該放大而作為區分個體的標準的，而第二類的變化應該消除，因為它們可以代表同一個個體。通常稱第一類變化為類間變化（inter-class difference），而稱第二類變化為類內變化（intra-class difference）。對于人臉，類內變化往往大于類間變化，從而使在受類內變化干擾的情況下利用類間變化區分個體變得異常困難。

3.3主要用途

    人臉識別主要用于身份識別。由于視頻監控正在快速普及，眾多的視頻監控應用迫切需要一種遠距離、用戶非配合狀態下的快速身份識別技術，以求遠距離快速確認人員身份，實現智能預警。人臉識別技術無疑是最佳的選擇，采用快速人臉測試技術可以從監控視頻圖象中實時查找人臉，并與人臉數據庫進行實時比對，從而實現快速身份識別。

4、人臉圖像采集及檢測定位

4.1人臉圖像采集

    不同的人臉圖像都能通過攝像鏡頭采集下來，比如靜態圖像、動態圖像、不同的位置、不同表情等方面都可以得到很好的采集。當用戶在采集設備的拍攝范圍內時，采集設備會自動搜索并拍攝用戶的人臉圖像。

4.2人臉檢測定位

    人臉檢測定位是人臉分析中的第一步，它要在輸入圖像中搜索人臉，并確定人臉的位置和尺寸信息。從單幅圖像中進行人臉檢測定位常需要克服由于人臉朝向不同、光照條件的改變、景物遮擋的存在，甚至不同表情給人臉外觀帶來的變化等一系列問題。在為識別而進行的人臉檢測定位中，一般設人在圖像中的存在性是否確定的，否則常需要先對人進行檢測。在通常情況下，并不能設一副圖像中只有一個人臉，如只有一個人臉則常可直接采用人臉分割的方法。人臉與人體的分離也是一個困難的問題，一般也不用目標檢測的方法。

    人臉特征定位是近年來圖像處理領域的熱點問題之一，很多學者已經提出各種各樣的定位算法，主要有常用的三類方法[5]：第一類方法是基于整體人臉的灰度模板匹配的方法，這種方法運算量太大，且受亮度變化影響太大。第二類方法是人工神經網絡方法，通過大量樣本的訓練，最后對圖像各區域進行判決。該方法在理論上十分可行，但是訓練樣本的選擇和網絡收斂均非易事。第三類方法是膚色檢測的方法，這種方法利用了數字圖像的彩色信息，大大提高了檢測的速度，基本能做到實時檢測并且不受人臉旋轉或人側轉的影響，但由于膚色空間和其他顏色空間的交叉性，已有的方法只能限制在簡單的背景，在復雜的背景圖像中誤檢率非常高。

    而近年來, 也有些國內外學者們根據定位所依據的基本信息的類型,將現有的臉部特征定位方法分為基于先驗規則、基于幾何形狀信息、基于色彩信息、基于外觀信息和基于關聯信息等5 大類 。

1) 基于先驗規則　先驗規則是關于臉部特征一般特點的經驗描述。 人臉圖像有一些明顯的基本特征, 如臉部區域通常包括雙眼、鼻和嘴等臉部特征, 其亮度一般低于周邊區域; 雙眼大致對稱, 鼻、嘴分布在對稱軸上等。 為了利用這些基本特征進行臉部特征定位, 一般要先對輸入圖像作變換, 使所要使用的特征得到強化, 而后根據規則從圖中篩選出候選點或區域。 此類方法的難點在于, 如何將人們的直觀印象精確地表述為可應用的代碼化規則, 以及如何處理規則的精確性與普適性之間的矛盾。

2) 基于幾何形狀信息　幾何形狀信息, 即目標對象的幾何形狀特征, 具有很好的直觀性, 易于理解和應用, 因而很早就在模式識別領域得到廣泛的使用。 基于幾何形狀信息類方法的一般思路是：根據臉部特征的形狀特點構造一個帶可變參數的幾何模型, 并設定一個相應的評價函數以量度被檢測區域與模型的匹配度, 搜索時,不斷調整參數使能量函數最小化, 使模型逐漸收斂于待定位的臉部特征。

3) 基于色彩信息　色彩信息類方法的基本思想是用統計方法對目標對象的色彩建模, 在搜索中根據被測點的色彩與模型的匹配度, 篩選出待測特征的可能位置。 色彩信息在人臉檢測中有廣泛的應用, 而在臉部特征定位方面的應用則相對較少, 這是因為, 膚色在色彩空間中具有聚合性, 而臉部特征的色彩信息較為復雜, 如眼與嘴, 以及眼睛的瞳孔與眼白的色彩有顯著區別,這給統一建模造成了一定的難度。

4) 基于外觀信息　與幾何信息類方法和色彩信息類方法不同的是, 外觀信息類方法不再面向像素級判斷, 而是將一定區域(窗口) 內的圖像整體視作一個隨機變量, 并映射為高維空間中的一個點。 這樣,同一類型的臉部特征就可以描述為高維空間中的一個點集, 可以用統計方法對其分布規律建模, 在搜索中, 通過計算待測區域與模型的匹配度即可判定其是否包含目標臉部特征。 這類方法對圖像質量、環境條件和目標對象狀態等方面的變化有較好的適應能力, 近年來引起研究者們的廣泛關注。

5) 基于關聯信息　上述方法大多從局部著眼, 試圖依據像素本身(色彩信息類方法) 或鄰近像素之間的相互關系(幾何、外觀類方法) 來做出判斷, 但局部信息的區分度有限, 在不受限制的條件下往往存在著大量的相似點, 這就增大了后期處理的難度。 為了解決這個問題, 研究者們引入了關聯信息, 試圖利用臉部特征之間存在著的較穩定的相對位置關系來縮小候選點范圍。 與前面提到的先驗知識不同的是, 這些方法所使用的關聯信息都是通過統計學習得到的。