人脸识别技术

常我们所说的人脸识别是基于光学人脸图像的身份识别与验证的简称。光学人脸图像（以下简称人脸图像）是外界光源（包括太阳、室内人造光源和其他物体表面反射）的光线照射在人脸上，经人脸表面反射后传播到摄像机传感器的光线强度的度量。不难理解，这一成像过程实际上涉及到三大类关键要素： 
1. 人脸内部属性：包括人脸表面的反射属性（如反射系数等，通常简称为纹理--Texture） 、人脸3D形状（表面法向量方向） 、人脸表情、胡须等属性的变化； 
2. 外部成像条件：包括光源（位置和强度等） 、其他物体（比如眼镜、帽子）或者人体其他部件（比如头发）对人脸的遮挡等； 
3. 摄像机成像参数：包括摄像机位置（视点） 、摄像机的焦距、光圈、快门速度等内外部参数
因此，光学人脸图像的成像过程可以简单地形式化为：
I = f( F , L ,C )
(1)其中，函数 f 表示成像函数，F，L 和 C 分别表示人脸内部属性、外部成像条件和摄像机成像参数这三类要素， I 为生成的人脸图像。如果我们进一步假设：人脸皮肤的反射属性满足朗博（Lambertian）模型，人脸为凸表面结构，光源为无穷远处的单色点光源，上述成像公式可以进一步改写.综上所述，理想情况下，要根据人脸图像区分出不同的人脸，根本上似乎需要从人脸图像表观中分离开人脸稳定不变的本质属性（3D形状与表面反射率）与外界条件和摄像参数。然后，从 3D形状与表面反射率属性中提取不同人脸的差异信息，馈入到后端的判别分类器中进行识别。设输入图像为 I，这一过程可以形式化为以下三个步骤：
1. 属性分离。分离人脸本质属性要素与光源条件 s*、摄像参数c*等外部参数要素：
2. 特征提取。从人脸属性要素中提取能够体现特定人脸身份的特征：
3. 分类判别。将提取的特征与数据库中存储的已知人脸特征进行对比，选择相似度最大的人脸作为输入人脸的身份信息。
然而，这一过程并不那么简单直接：从单一未知光源条件的图像中恢复 3D 形状信息和表面反射率是经典的视觉难题，本质上是一个病态的问题。尽管近年来研究人员通过利用各种约束条件和先验知识可以在一定程度上实现该功能，或者要求多幅不同光照条件下的图像以便得到更精确的估计结果，但直到现在仍没有取得本质的突破。除了少数采用特殊设备获取人脸 3D 结构的系统外，多数系统不得不退而求其次，采用的人脸建模方法仍然停留在图像表观层面上，并没有使用对 3D形状和纹理进行显式分离的步骤，而是直接从图像表观中提取判别特征并进行分类来完成识别。
例如，在基于面部结构几何特征的人脸识别方法中，T 通常是一个计算面部主要器官（眉毛、眼睛、鼻子、嘴巴和下巴）的大小、形状、位置和角度关系等几何度量参数的过程，最终形成的特征 F*是一个反映这些几何度量的特征向量。对于模板匹配方法而言，T是对人脸图像进行几何归一化和亮度校正的过程，得到的 F*则是一个反映图像各像素点亮度的二维数据矩阵。再比如对“特征脸”方法而言，T是一个将高维空间中的人脸图像降维到一个低维子空间中的变换（主成分分析） ，形成的特征 F*是降维后的主成分特征分量。 需要指出的是，近年来布兰兹（Blanz）和维特（Vetter）等人提出的 3D 变形模型方法是上述理论计算模型的重要尝试，已经引起了研究人员的高度重视。尽管还存在很多困难，比如速度和恢复精度问题，但相信此方面的工作近期会有更大的突破。