1、23人臉 臉部熱量圖 指紋 手形 手部血管分布 虹膜 視網膜 簽名 語音 7810生物特生物特征征普遍性普遍性獨特性獨特性穩定性穩定性可采集可采集性性性能性能接受程接受程度度防欺騙防欺騙性性人臉人臉HighHighLowLowMediumMediumHighHighLowLowHighHighLowLow指紋指紋MediumMediumHighHighHighHighMediumMediumHighHighMediumMediumHighHigh手形手形MediumMediumMediumMediumMediumMediumHighHighMediumMediumMediumMediumMed

2、iumMedium虹膜虹膜HighHighHighHighHighHighMediumMediumHighHighLowLowHighHigh視網膜視網膜HighHighHighHighMediumMediumLowLowHighHighLowLowHighHigh簽名簽名LowLowLowLowLowLowHighHighLowLowHighHighLowLow聲音聲音MediumMediumLowLowLowLowMediumMediumLowLowHighHighLowLowA. Jain, L. Hong and S. Pankanti. “Biometrics: Promising

3、Frontiers for Emerging Identification Market”， Communication ACM, 2000生物特生物特征征普遍性普遍性獨特性獨特性穩定性穩定性可采集可采集性性性能性能接受程接受程度度防欺騙防欺騙性性人臉人臉HighHighLowLowMediumMediumHighHighLowLowHighHighLowLow指紋指紋MediumMediumHighHighHighHighMediumMediumHighHighMediumMediumHighHigh手形手形MediumMediumMediumMediumMediumMediumHighHi

4、ghMediumMediumMediumMediumMediumMedium虹膜虹膜HighHighHighHighHighHighMediumMediumHighHighLowLowHighHigh視網膜視網膜HighHighHighHighMediumMediumLowLowHighHighLowLowHighHigh簽名簽名LowLowLowLowLowLowHighHighLowLowHighHighLowLow聲音聲音MediumMediumLowLowLowLowMediumMediumLowLowHighHighLowLownBill Gates: 以人類生物特征進行身份驗證的生

5、物識別技術，在今后數年內將成為IT產業最為重要的技術革命12131415n電子商務電子商務n信用卡信用卡n準考證準考證n身份證身份證人臉識別因識別方式友好、可隱蔽而備受學術界和工業界關注（但人臉識別不是萬能的）1743研究現狀研究現狀國際上對人臉及人臉面部表情識別的研究現在逐漸成為科研熱點。國內外很多機構都在進行這方面的研究,尤其美國、日本。進入90 年代,對人臉表情識別的研究變得非常活躍,吸引了大量的研究人員和基金支持,EI 可檢索到的相關文獻就多達數千篇。美國、日本、英國、德國、荷蘭、法國等經濟發達國家和發展中國家如印度、新加坡都有專門的研究組進行這方面的研究。其中MIT、CMU、Mary

6、land 大學、Standford 大學、日本城蹊大學、東京大學、ATR 研究所的貢獻尤為突出 。國內國內的清華大學、哈爾濱工業大學、中科院、中國科技大學、南京理工大學、北方交通大學等都有人員從事人臉及人臉表情識別的研究 505253545556所謂自動人臉識別系統，是指不需要人為干預，能夠自動獲取人臉圖像并且辨別出其身份的系統 一個自動人臉識別系統至少要包含三個部分，即數據采集子系統、人臉檢測子系統和人臉識別子系統 “人臉識別”有時是指整個自動人臉識別系統所做的工作，有時是指人臉識別子系統所做的工作數據采集子系統人臉識別子系統人臉檢測子系統自動人臉識別系統識別結果：He is !16*16人

7、臉圖像預處理預處理歸一化直方圖均衡Gamma變換特征選擇特征選擇PCA(特征臉)小波變換BoostingBoosting訓練器訓練器訓練集特征向量輸入（1） - 直方圖計算（2） - 選擇準確率最高的一維作為弱學習機（3） - 根據公式計算相應的權重，調整樣本分布（4）- 轉向（3）直到到達規定的循環次數 - 輸出加權組合后的分類器Boosting訓練器內部結構S O MM L P基于網絡級聯的面部表情識別子系統P C A最近距離分類器基于P C A和最近距離分類器級聯的表情識別子系統F L D最大相關分類器基于F L D與最大相關分類器級聯的表情識別子系統幾何關系最近鄰距離分類器基于幾何關系

8、與最近鄰距離分類器級聯的識別子系統圖像預處理S V M 信息融合中心識別結果是人臉識別的基準技術，并已成為事實上的工業標準該方法基于主成分分析（PCA）PCA是將分散在一組變量上的信息集中到某幾個綜合指標（主成分）上的數學方法，實際上起著數據降維的作用，并保證降維過程最大化保留原數據的差異這對最大化類間差異（即不同人之間的差異）并最小化類內差異（即同一人的不同圖像間的差異）很有效用PCA將2維數據降到1維的例子，綠色點表示二維數據，PCA的目標就是找到這樣一條直線，使得所有點在這條直線上的投影點之間的平均距離最大。也就是最大化地保留了原數據的差異性u直接計算C 的本征值和本征向量是困難的，可以

9、通過對矩陣 做奇異值分解間接求出um值的選擇：12(),(),()DxxxX11miiniiT如果將本征向量恢復成圖像，這些圖像很像人臉，因此稱為“本征臉” M. Turk & A. Pentland, JCN91利用PCA分析眼、鼻、嘴等局部特征，即本征特征方法 R. Brunelli & T. Poggio, TPAMI93 A. Pentland et al., CVPR94這實際上相當于：為若干重要的特征建立本征空間，然后將多個本征空間集成起來本征臉利用全局特征，本征特征利用局部特征，二者各有優勢待識別圖像本征臉識別結果本征特征識別結果 A. Pentland et a

10、l., CVPR94(2)(1)(3)(4)難題能否自動確定：該用哪些特征？（眼睛？鼻子？嘴？）特征的確切位置在哪兒？（從哪兒到哪兒算眼睛？）將二者結合，可以得到更好的識別效果同樣，這實際上相當于：為若干重要的特征建立本征空間，然后將多個本征空間集成起來由于嘴部受表情影響很嚴重，因此未考慮嘴部特征0.70.750.80.850.90.951123456789 10 11 12 13 14 15 16 17 18 19 20RankSEMEeigenfaceeigenfeatureeigenface + eigenfeatureCumulative match score X. Geng & Z.-H. Zhou, unpub04FERET人臉數據庫上的結果(3)(2)(1)(4)(2)(1)(3)(4)待識別圖像出現在算法返回的前Rank個圖像中SEME選擇的特征本征臉+本征特征所用的特征0.60.70.80.912345RankSEMEeigenfaceeigenfeatureeigenface + eigenfeatureCumulative match scoreSEME的訓練（計算）開銷很大，但只需訓練一次0.90.920.940.960.98112345