面像识别技术介绍

3.2.1　面像识别技术介绍

1.捕捉面像图像的两项技术分为视频技术和热成像技术

视频技术通过一个标准的摄像头获取面像的图像或一系列图像，在面像图像被捕捉之后，一些核心点被记录，例如，眼睛、鼻子和嘴的位置以及它们之间的相对位置被记录下来，然后形成模板。人的骨骼也存在着细微的差别，通过视频图像采集系统获得被测者面部的图像，利用核心算法就人的面部五官形状和位置、脸型和面部线条等几方面进行计算分析形成模板。北京2008年奥运会就大量采用了该技术。

热成像技术通过分析由面像的毛细血管的血液产生的热线来产生面像图像，与视频摄像头不同，热成像技术并不需要在较好的光源条件下，因此，即使在黑暗情况下也可以使用。一个算法和一个神经网络系统加上一个转化机制就可将一幅面像图像变成数字信号，最终产生匹配或不匹配信号。

2.典型的框架结构

主导的面像识别模型是描述性的，而不是生成性的。若干训练用的样品图像就是以二维方式表示被识别对象的特征化指标。虽然曾使用过非常简单的建模方法，但是主要的特征化方法是采用目标图像数据的概率密度函数(probability density function——PDF)估计法。

例如，选取几个目标样品数据的低维表示，直接用图像级特征的概率分布函数，作为一种简单的参数函数(例如，高斯函数)，然后获得目标类的一种低维、有效的可计算模型。一旦获得目标类的概率分布函数，就能用Bayes规则作出最后检验判决实现识别。其结果是目标样品非常简单的、类神经网的表示，它能被用来检测目标类的出现，从同类中比较并筛选出其他脸型。这一模型结构还是相当有效的，目前的面像识别方法能做到每秒处理30帧视频数据，并能在一台机器上，从上千人的数据库中比较筛选出与输入面像相同的面像。

3.降维(dimensionality reduction)

为了获得有代表性的脸型，首先，必须将图像转换成低维的坐标系统，这个坐标系统保留原目标图像的有价值的属性。为降维而实行的变换是完全必要的。原图像的维数太高，因而要求大量的样品去直接了解外貌的类别。

降维的典型方法包括Karhunen-Loève转换(也叫主元分析)或Ritz近似(也叫基于样品的表示)。有时也使用其他的降维法，包括Gabor变换、小波变换、特征柱状图、独立成分分析等。

所有这些方法有一个共性，那就是它们以维数较低的子空间有效地描述有高维空间的原图像。目标外貌是一个新的、低维的坐标系统，一旦获得一个低维的目标类(脸、眼睛等)，就能使用标准的统计参数法来估计外貌的大体范围，同时，由于维数低就仅要求使用相对较少的样品来估计参数或类内判决函数。

这一方法重要变型是判别式模型，它着眼于类间差异而不是类本身，这一模型比概率密度函数的学习更有效、更精确。一个不同特征的简单的线性例子是Fisher判别式。也可以使用像Support Vector Machines一样的判别式分类符扩大类别之间的空白。