单训练样本人脸识别技术综述.doc

单训练样本人脸识别技术综述阙大顺,赵华波武汉理工大学信息工程学院,武汉(430063)E-mail:摘要:近年来,随着人脸识别技术的不断向前发展,人脸识别领域出现了一个新的研究问题——单样本人脸识别问题。单样本人脸识别技术,顾名思义,就是在每类(人)只有一个训练样本的情况下对未知测试样本进行识别的技术。本文对近年来国内外出现的单样本人脸识别技术和方法进行了分类,分析了各种方法的优缺点,还分析了单样本人脸识别技术所面临的挑战,最后对未来单样本人脸识别技术的发展方向进行了展望。关键词:人脸识别;单训练样本;特征提取0引言人脸识别(FaceRecognition是指基于已知的人脸样本库,利用图像处理和模式识别技术从静态或动态场景中,识别一个或多个人脸。随着人脸识别技术在安全验证系统、医学、档案管理系统、人机交互系统、公安工作、视频会议和图像检索等领域的广泛应用,已经成为计算机视觉和模式识别领域的一个研究热点。目前有许多人脸识别方法,当有充分数量的有代表性的训练样本时,能取得较好的识别效果。人脸识别方法大致可分为两类:一类是基于人脸图像的几何特征的方法,主要根据人脸的诸如眼、鼻、嘴和脸庞等局部特征及其关系来识别;另一类是基于模板的方法,利用人脸图像的全局特征来识别。本质上是通过对人脸图像进行某种数学变换,实现人脸空间降维和代数特征提取。单训练样本人脸识别,是指从给定的每人仅存储一幅已知身份的图像的数据库中识别出姿态、光照等因素不可预测的图像中人的身份[1]。人脸识别技术在身份证和海关护照验证以及公安执法等应用中,因为训练集中每个人都只有一幅人脸样本图像,所以目前大多数识别方法都无法获得好的识别效果,识别率会大幅下降,有些方法甚至无法应用。针对这种单样本人脸识别问题,许多研究人员提出了各种各样有效的识别算法。在这些算法中,比较有代表性的方法有本征脸法(PCA[3]、线性判别分析(LDA)[4]、隐马尔可夫模型(HMM[5]、支持向量机(SVM[6]、贝叶斯算法[7]、局部特征分析法(LFA[8]、特征线方法(FLM[9]及进化追踪(EP[10]。但在一些特殊的场合,比如护照验证、身份证验证等等,每类(人)只能得到一幅图像,只能用这些有限的图像去训练人脸识别系统,这就给上述识别效果比较好的方法带来了很大的麻烦。比如线性判别分析法(LDA,在单样本情况下,由于类内散布矩阵不存在,所以这种方法就无能为力了;同样,在单样本情况下,由于类内分布不能被估计出来,基于概率的方法也就变成了本征脸方法。尽管有些方法,比如主成分分析法(PCA),能够直接用于这种情况,但识别率很低,识别效果不理想,如文献[11]报道,在ORL人脸库上直接使用主成分分析法(%。由于单样本人脸识别问题给人脸识别带来了巨大的挑战及其本身具有的重要意义,近年来它已演变成人脸识别问题的一个子研究领域,而且研究人员已经提出了很多方法,比如样本增强法、样本扩张法、通用学习框架法。本文对这些方法进行了分析,并展望了其未来的发展方向,希望能让读者对单样本人脸识别技术有一个总体的了解。1单样本人脸识别方法简介Brunelli和Poggio[12]认为,人脸识别技术可以分为两大类:基于几何特征(GeometricFeature-based的方法和基于模版匹配(TemplateMatching-based的方法。本节系统地分析了各种单样本人脸识别方法,并将它们分为基于统计特征、基于几何特征和基于连接机制的方法。,由图像本身的灰度分布决定,描述了图像的内部信息。该方法将人脸看作是一个二维的灰度变化的模板,从整体上捕捉和描述人脸特征。近年来,很多基于统计特征的人脸识别方法被用于或改进后被用来解决单样本问题,再根据训练集中每类的样本是否被扩张,该方法又可细分为改进的统计识别法和样本扩张法。,使其适合单样本问题。PCA是一种非监督学习方法,可直接用于单样本人脸识别,但其识别率很低,很多研究者对它进行扩张使其识别率提高。,[31]等人提出一种称为二维核主分量分析(2D-KPCA的方法用于单样本人脸识别,2D-KPCA建立在2D图像矩阵的基础上,能够有效利用图像内部的空间结构信息,在FERET人脸库上试验,%的识别率。[32]提出了一种双非线性映射核主分量分析法(DKPCA,它首先使用Gabor小波提取人脸面部特征,然后设计一个非线性变换Ψ来强调人脸中如眼睛、鼻子、嘴等具有高统计概率和空间重要性的面部特征,用Ψ处理后的特征具有很高的鉴别能力,面部特征的重要程度随其空间重要程度而调整,