摘要：本文回顾了人脸识别的现状。基于几何特征的识别方法，根据人脸图像的灰度特征，利用投影图和特征描述相匹配的算法，初步确定人脸各部分的位置。然后利用投影法和模板匹配法准确确定瞳孔和其他面部特征的位置。实验表明，该方法准确率高，运行速度快。关键词：特征定位，特征提取，类间方差判断分析方法。模板匹配人脸识别的研究近年来受到广泛关注。它与指纹识别、视网膜识别属于同一类生物识别技术。它在公共安全（犯罪分子识别等）、安全验证系统、医学、视频会议、流量控制等方面具有巨大的应用前景，也因此成为当前模式识别和人工智能领域的研究热点。尽管人类可以毫不费力地识别人脸和表情，但人脸的自动机器识别是一个极其困难的课题。人脸识别的研究已有20多年的历史。它首先与指纹识别一起用作识别犯罪分子的手段。然而，人脸的结构比指纹复杂得多，并且受多种因素影响：面部表情的多样性、成像过程中的光照、图像大小、旋转和姿势变化等。每个人在不同的环境下拍摄的人脸图像可能会有所不同。因此，人脸识别尚未取得像指纹识别那样令人满意的效果。目前还没有通用且成熟的自动人脸识别系统。 1、人脸识别理论研究与发展现状。人脸识别的输入图像通常有正面、倾斜和侧面三种类型。由于实际情况的要求，人脸的正面模式研究最多，其发展可分为三种类型。阶段。第一阶段以Bertillon、Allen和Parke为代表，主要研究人脸识别所需的面部特征。此阶段工作的特点是识别过程完全取决于操作人员。第二阶段是人机交互识别阶段。代表人物包括Goldstion、Harmon 和Lesk。他们使用几何特征参数来表示正面图像。采用21维特征向量来表示人脸特征，设计了基于特征表示的识别系统。第三阶段是自动识别向实用化发展阶段。随着高速、高性能计算机的发展，面部模式识别方法得到了很大的改进。目前国内外针对人脸识别的研究方法层出不穷。但根据人脸表示方式的不同，一般可分为以下三种类型：基于几何特征的识别方法、基于代数特征的识别方法、基于连接机制的识别方法。 (1)基于几何特征的正面人脸图像识别方法。人脸由一组几何特征向量表示，利用模式识别中层次聚类的思想设计分类器，以达到识别的目的。这就要求所选择的几何特征向量具有一定的唯一性，并且能够消除时间跨度和光照的影响。几何特征向量是基于人体面部器官的形状和几何关系的特征向量。戈文达拉朱等人。首先利用模板技术成功检测报纸杂志图片的人脸轮廓。黄和陈使用动态模板技术来检测各种面部特征。面部特征。 (2)基于代数特征的自动人脸识别方法，用代数特征向量来表示人脸。代数特征首先由Hong 等人提出。它是由图像本身的灰度分布决定的。它描述了图像的内在信息。它是通过对图像灰度进行各种代数变换和矩阵分解来提取的。杨靖宇等人对代数特征的提取进行了深入的研究。
该方法将人脸视为灰度变化的二维模板来捕捉和描述人脸的整体特征。它主要使用一些标准的数理统计技术，计算相对复杂。 （3）基于连接机制的人脸正面自动识别方法，利用神经网络的学习能力和分类能力，直接用灰度图像（二维矩阵）表示人脸。该方法的优点是保留了人脸图像的材质信息和形状信息，同时避免了更复杂的特征提取工作。但普遍存在的问题是识别准确率低、流程复杂。本文从构建实际应用系统的角度出发，采用基于几何特征的识别方法。具体过程是首先根据人脸图像的灰度特征，通过匹配投影图和特征描述，确定人脸各部分的位置。然后利用投影法和模板匹配法来定位瞳孔的位置，更准确地提取眼睛的特征。 2.算法描述特征的选择应保证最具代表性、信息量大、冗余度小，并要求在一定干扰下保持一定的不变性和适应性。基于这一要求，我们借鉴了前人的研究成果，并整合了本文的实验。将人脸颊宽和嘴部颊宽作为人脸识别的主要特征，将这10个特征与瞳孔距离的比值形成的特征向量存储在数据库中。对这些特征向量进行向量归一化后，可以有效避免头部偏转带来的偏差。 2.1 预处理和特征定位实验使用4006008bit灰度图像。首先，对图像进行平滑和滤波以消除噪声。然后采用类间方差判断分析方法确定二值化阈值。类间方差判断分析方法是指利用阈值K将图像灰度直方图中灰度值的几何分布分为两类，然后根据平均值的比值求出最大值对应的K值两个类别的方差（类别间方差）和每个类别的方差（类别内方差）就是二值化阈值。实验结果表明，二值化图像更有利于特征定位。由于人眼的灰度特征与人脸其他部位有显着差异，因此利用投影图方法我们可以轻松获得眼睛、鼻子、嘴巴的大概位置。具体过程如下：将包含人脸图像主要特征信息的区域沿X坐标方向进行Y方向投影，如图1所示，从上到下的直线即为二值阈值线。该线与投影区域之间的第一个交点用作起点。向下穿过灰度变化较大的曲线后，找到二值阈值线与投影区域的交点，即额头点的位置H。位置不需要很精确，但要保证H点在眉毛实际位置的上方。然后根据投影图确定眉毛、眼睛、鼻子、嘴巴、下巴的大概位置。但考虑到在一些人脸照片中，额头的头发遮住了眉毛的位置，或者由于摄影灯光的影响，一些特征的投影不明显，这会给准确识别带来一定的困难。因此，本文还采用了投影图与特征描述相匹配的特征识别树识别方法。特征识别树识别方法的具体过程是：首先给每个特征一组初始匹配标签，然后在识别树上验证每个特征。即从投影图中最初定位的6个特征中，可以定义标签函数为original={C0,C1.Cn}，待识别为人脸的标签集合记为Li={ L1,L2.L6}，依次为眉毛、眼睛、鼻子、上唇、嘴巴、下巴，每个特征都有一定的描述集Lci={Lc1,Lc2,Lc6}。
如果Ci通过了Lc中一个Lci的一致性检验，则Ci{Li}。识别树如图2所示。这种一致性检测利用了人脸各部分的相对位置和相对距离变化、各特征区域的灰度分布特征等。经过对200张不同人脸图像的实验验证，特征定位准确率达到96%。为进一步鉴定提供必要条件。 2.2 瞳孔定位与图像归一化在特征向量归一化过程中，以瞳距为基准。这是考虑到瞳距是人脸识别中最稳定的特征，也是最重要的特征。因此，瞳距定位的准确性是决定系统识别效率的关键。一般采用如图3所示的简化模板来提取眼睛特征，即用两条端点重合的抛物线分别近似上下眼睑，并在上下眼睑之间添加眼球的模板，使用动态模板匹配进行特征提取。然而，人眼睑的特征曲线并不像抛物线那样规则，并且会因表情而发生很多变化。这使得误差很大，无法准确描述眼睛的特征。本文考虑了可提取特征的稳定性及其在人脸识别中的作用。确定两眼的瞳距和内眦距作为眼部区域的主要特征。采用投影法和模板匹配两种方法对瞳孔位置进行平行精确定位。同时进行上眼睑曲线的轮廓跟踪。最后对图像数据进行标准化处理，使系统更具通用性和实用性。 2.2.1 用投影法确定瞳孔位置。以眉眼距离为参数，在眼睛位置开一个局部小窗口。首先，该窗口中的数据{f(x,y)}被自动阈值化和去噪，然后将这些二值化数据的平均值投影到X方向。设小窗口中的二值图像数据为f(x,y)，其中x，yS，S是mn窗口。那么沿X方向的平均像素数为： 计算后的典型数据结果如图4所示。分别从图像X方向的中点向左、右搜索P(x)的极小点，其对应的X坐标为左右瞳孔在水平方向的位置。 2.2.2 采用模板匹配法确定瞳孔位置。在眼睛区域的小窗口中，使用99 模板搜索瞳孔的位置。以左眼为例，模板的表达如下： 求模板的最小值数值对应的X、Y坐标就是左眼瞳孔的位置。 LeftPupil(x,y)=min(D(i.j)) 其中(i.j)S，S是左眼搜索区域。 Left-Pupil(x,y)对应的(x,y)是左眼瞳孔的位置。还可以找到右眼瞳孔的位置。经过300张人脸图像的实验验证，该方法瞳孔定位准确率达到95%，高于投影法。但投影法定位计算量小，运行速度快。为了确定内眦点，二进制数据也在眼部区域的小窗口内进行处理。以左眼为例，搜索左眼区域最左边的黑点。同时保证这个点一定是边界点，并且从这个起点开始搜索的边界像素个数不能太小。依次继续搜索，直到搜索范围内外的边界点。最后，对边界线进行优化。检测结果如图5所示。可以看出，这样提取的曲线与眼睛的特征比较吻合，有利于眼睛的分类和识别。考虑到待识别图像中，人脸部分占整个图像的比例不同，即有大头照和标准照片，以及图像中人脸位置的差异，使得识别过程的数据处理复杂。因此，完成上述定位过程后，我们对图像数据进行了标准化。使用瞳距作为水平参考、眼睛位置作为垂直参考来执行坐标转换。实验验证，定位精度提高了5%~10%。
本文从应用角度出发，广泛分析人脸图像数据的灰度分布特征，采用投影图与特征描述相匹配的算法，准确定位人脸各特征的位置，快速可靠。采用投影法和模板匹配两种方法定位瞳孔位置，更准确地提取眼睛特征。图像数据标准化为特征识别提供可靠的数据。参考文献1 周继六，何其超人脸正面图案自动识别方法研究四川大学学报（自然科学版），1993；30（1）：70752 严超，苏光达。面部特征的定位和提取。中国图形图像学报， 1998;3(5):3753803 李晓波，Nichols Roeder.从正面图像中提取人脸轮廓.模式识别， 1995;28(8):116711794 林健文，颜红.人脸图像中眼睛的定位与提取。模式识别，1996;29(5):7717795 谢旭，Sudhakar R,张浩.利用可变形模板改进眼睛特征提取。模式识别，1994;27(6):791799
