随着社会的发展，人们越来越迫切要求快速而准确的身份验证和识别系统。而生物特征所具有的人类内在的特征和差异，使得基于生物的识别方法具有很强的鲁棒性和重复性，成为身份验证的主要手段。生物特征识别包括：指纹识别、眼虹膜扫描、声音识别及人脸识别等。与其他识别方法相比，人脸识别由于具有直接、友好、方便的特点，使用者无任何心理障碍，易于为用户所接受，从而得到了广泛的研究与应用。人脸识别技术在高安全性部门的警戒、入口控制及计算机保密等领域有着广泛的应用价值。人脸识别就是通过计算机分析人脸图像并从中提取有效的特征信息，用来进行身份验证的一种技术。作为人脸识别技术中的红外图像人脸识别，是近年来生物识别技术研究的热点，是一具有广泛应用价值和挑战性的课题。 人脸识别关键问题是识别系统能适应实际应用中千变万化的环境。在可见光人脸识别领域，人们为了解决这些变化的情况，研究了大量复杂的算法，但仍远不能满足要求。例如在光照条件变化、人脸姿态变化、人脸表情、化妆、照片欺诈等条件下就使得可见光图像人脸识别
变得非常困难。从理论上来说，人脸热红外图像基本上不受周围环境光照的影响，不需采取补偿措施就可以解决在光照条件变化、人脸伪装等情况下进行人脸识别的相关问题。环境光照的变化对红外图像的获取以及图像的质量影响很小，这就弥补了可见光人脸识别的缺点。红外图像人脸识别具有抗干扰性强，不受人脸变化和位置的影响，与光强独立的，其识别性能受环境光照变化的影响很小，不受伪装的干扰，防欺骗性强等特点。所以研究红外图像人脸识别具有深远的意义。
2红外图像人脸识别概述
2.1人脸识别简介
人脸识别始于60年代末，许多的研究学者对其进行了广泛、深入的研究。近年来，关于人脸识别的研究取得了长足的进步。按照人脸识别的自动化程度，人脸识别的发展经历了以下三个阶段：
机械式的识别阶段，主要研究人脸识别所需要的面部特征。用一个简单的语句与数据库中的某一张脸相联系，同时与指纹分析相结合，提供了一个较强的识别系统。这一阶段工作的特点是识别过程全部依赖于操作人员，显然并不是一种可以自动完成识别的系统。
人机交互式识别阶段，Kaya和Kobayashi采用了统计识别的方法，用欧氏距离来表示人脸特征，如嘴唇与鼻子之间的距离，嘴唇的高度等。通过进一步的研究，T.Kanad设计了一个高速且有一定知识导引的半自动回溯识别系统，创造性地运用积分投影法从单幅图像上计算出一组脸部特征参数，再利用模式分类技术与标准人脸相匹配。
真正的机器自动识别阶段，随着高速度、高性能计算机的发展，人脸模式识别方法有了较大的突破，提出了多种机器全自动识别系统。数字高清网络摄像机
人脸识别系统包括两个主要环节：首先从输入图像中进行人脸检测及定位，并将人脸从背景中分割出来；其次，对归一化的人脸图像进行特征提取和识别。活肽粉
2.2红外图像人脸识别特点
采用红外线来进行人脸识别这一设想是美国Mikos公司的Prokoski于1992年最早提出。Prokoski指出：人脸温谱图正是由人脸组织与结构如血管大小和血管分布等的红外热辐射决定的，而每个人的血管分布是独特的，不可复制的，且这种特性不随年龄的增长而变化，所以它们如同指纹一样与人的生理结构有关，具有唯一性。在当时，因为红外照相机
价格高昂且受到管制而没有得到重视。但是随着科技的进步，红外技术的进一步发展，特别是20世纪90年代CCD技术的发展，红外相机的价格下降非常快。因而，近几年来，美国、日本、以列、新加坡及我国等少数几个国家相继开展了红外人脸识别的研究。我们相信不久的将来，基于红外图像人脸识别的技术将得以广泛的推广和应用。但同时我们也应该看到，目前红外图像人脸识别的研究不够成熟，对许多影响红外图像人脸识别性能的因素我们还不是很清楚，因此，有许多关键问题未得到解决：
红外图像分辨率低、人脸边缘轮廓和细节特征比较模糊，没有可见光那么清晰；
红外线对玻璃的透射性很差。戴眼镜的人的红外人脸图像的眼睛部位全部是黑，由于没有眼睛部位的信息，所以会影响识别性能；
红外人脸图像容易受到外部环境温度的影响；
红外人脸图像还受到生理和心理的影响，如酒精反应、紧张、害羞、兴奋、疲倦、发烧、牙痛等，都会影响识别性能。
红外人脸识别在全球范围内还只是刚刚开始，研究人员还只是用常规的方法应用于红外人
脸图像，因此，如何针对红外图像的特点，提出一种新颖而且有效的方法来提取人脸的特征，仍是一个非常新颖而具有挑战性的课题。
联合签名2.3红外图像人脸识别的方法
近年来红外图像人脸识别研究得到了迅速的发展，有一些具有代表的红外图像人脸识别方法：基于几何特征的方法、主成分分析(Principal Component Analysis, PCA)法、线性辨别分析(Linear Discriminant Analysis, LDA)法、独立主元分析( Independent Component Analysis, ICA)法、局部特征分析(Local Feature Analysis, LFA)法等。下面简单介绍各种方法：
基于几何特征的方法
采用几何特征对人脸正面图像的识别是通过提取人眼、鼻、口等重要特征点的位置和几何形状作为分类特征。人脸的轮廓线可以通过邻近像素亮度程度的不同清晰地分离出来。同样，人脸的各个特征部位也都有各自的不同于邻近区域的亮度值，故也可以用轮廓线划分出人脸的每一个特征部位，进而进行特征定位。在提高识别率的方法中，眼睛和嘴之间的
距离，被作为一个最基本的几何特征。采用Sobel算子进行人脸轮廓线的提取图上对眼睛和嘴水平位置的定位。
收缩薄膜主成分分析法
主分量分析方法是在均方误差最小意义下的最优线性正交变换，是模式识别领域常用的一种特征提取方法。它实质上是K-L变化的一种网络递推实现，K-L变化是图像压缩中的一种最优正交变换，用于统计特征提取。主分量分析的方法的目的就是到一子空间能将原始高维空间降维，使得用最少的数据表达原始高维数据并尽可能是误差最小，以便在保持准确率的情况下简化数据量，缩短数据处理时间，提高数据处理效率。
线性辨别分析法
砂浆回收线性判别分析也称为Fisher判别分析，它是由Belbumeur在1996年引入模式识别领域的。这种方法使投影后的模式样本的类间散布矩阵最大而类内散布矩阵最小，也就是说，投影后保证模式样本在新的空间中有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性。线性判别分析提取的特征向量集，强调的是不同人脸的差异而不是光照
条件、人脸表情和方向的变化。因而，采用这种方法对光照条件、人脸姿态等的变化不太敏感，从而有助于提高识别的效果。
独立主元分析法
独立成分分析是近几年才发展起来的一种新的统计方法。ICA方法的目的是将观察到的数据进行线性变换，使其分解成统计独立的分量。ICA的基本思想是用基函数来表示一个随机变量集合，其基向量是统计独立的，或者尽可能的独立。
局部特征分析法
局部特征分析是在主分量分析的基础上发展而来的，主分量分析能够大幅度降低图像模式的维数，但这种方法描述的是图像的全局特征，局部特征分析将特征与位置关联起来，利用统计得到的局部特征和它们的位置来描述图像。局部特征分析的表示是稀疏分布的，具有较低的维数，这保留了主分量分析的优点，另外，局部特征分析与主分量分析具有相同的重构误差。
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议