一个完整的人脸识别系统通常要包括人脸检测、面部特征点定位、人脸建模以及分类判别4个步骤。其原理图如图8-5所示：
图8-5 人脸检测和识别原理图
（一）人脸检测技术
由于人脸检测技术是人脸识别系统的基础，其包括了图像预处理、人脸粗检、人脸细检、归一化（统一图像规格）、光照补偿（以改善图像质量）等过程。对于智能数字监控系统而言，与人脸检测技术的结合可以实现如下目标：利用人脸检测技术从原始视频流中检测并分离出人脸图像加以保存，可以获得无损的清晰人脸照片，同时为事后通过人脸照片检索视频奠定基础；针对人脸区域进行光照补偿，改善图像关注区域的视觉效果；人脸检测结果可作为音视频压缩卡编码状态转换的触发信号，可有效改善编码质量、提升编码效率。
1.人脸检测的方法
1）基于知识的方法。它对典型的人脸规则所包含的知识进行编码。这一方法通常通过捕捉面部特征之间的相互关系进行检测，主要用来进行人脸定位。
2）特征不变的方法。该方法着眼于当姿态、视角或者光照条件改变的情况下，找到人脸存在的结构特征，然后使用这些特征定位人脸。
3）模板匹配的方法。该方法存储几种标准的人脸模式，这些模式分别描述了整个人脸或若干脸部特征。通过计算输入图像与存储的人脸模式间的相互关系来进行人脸检测。这一方法在人脸检测和人脸定位中都有应用。
4）基于外观的方法。与模板匹配方法相反，该方法的人脸模型是从训练图像集的学习中获得的，其中训练的图像集应当具备各种脸部特征中有代表性的变化。学习得出的模型用于人脸检测。
2.PC型数字监控系统中人脸检测方法
对于PC型数字监控系统而言，其音视频采集、编码过程一般由音视频压缩卡上板载的DSP完成；应用系统则一般运行于操作系统平台之上，完成录像（存储）、视频预览及回放、视频传输、系统配置等任务。在PC型数字监控系统上要实现人脸检测功能有以下三种途径：
1）在音视频压缩卡板载的DSP上完成人脸检测。
优点：无需通过PCI总线传输未经编码的原始视频流到监控主机，减轻了对PCI总线的传输压力。
缺点：对DSP的音视频编码过程造成一定的性能下降，对于负荷饱和的DSP而言，需要减少音视频编码的路数（如四路变为两路）以完成人脸检测。
2）基于监控主机的CPU完成人脸检测。
优点：是不影响音视频压缩卡的编码，不会给板载DSP带来新的负荷，同时由于目前监控主机一般采用P4以上的高性能PC，与基于DSP的人脸检测相比具有一定的效率优势。
缺点：则是需通过PCI总线传输未经编码的原始视频流到监控主机，加重了对PCI总线的压力。同时，一定程度上也提升了CPU的占用率（一般会达到60%～70%）。
3）结合使用音视频压缩卡的DSP及监控主机的CPU。由板载DSP完成图像预处理及人脸粗检，粗检结果由DSP通过PCI总线传至主机（数据量比未编码的原始视频流少1或2个数量级），最终由CPU完成人脸检测。这种方式综合了前面两种方式的优点，同时又避免了二者的不足，因此在实际应用过程中得到了普遍的应用。
完成人脸检测过程后，检测到的人脸图像由数字监控应用系统调用人脸检测软件开发数据包实现压缩、关联存储、检索。这里所称“关联存储”是指通过视频通道ID、时间将人脸图像与视频进行关联。
（二）人脸识别技术
人脸识别主要依据那些在不同个体之间存在较大差异而对于一个人则比较稳定的特征。具体的特征形式随识别方法的不同而不同。
人脸识别包括了人脸图像预处理、人脸特征表征和识别三部分。
1.人脸图像预处理
人脸图像预处理主要是去除光照、图像旋转，以及人脸尺寸等方面的影响，将图像规范成统一的模板，方便识别。
去除光照：拍摄时由于各种环境、时间照度不同，致使获得的视频中的人脸图像有明暗差异，或本身图片亮度不均匀，在识别时均会影响识别效果，可通过采用直方图均衡等方法去除光照的影响。
图像旋转：拍摄时不同动作图像时，人脸的位置会有不同程度的偏移，可通过将人眼旋转至同一水平面解决。
人脸尺寸：拍摄时距离的远近，得到的人脸图像大小不一，可通过人脸的剪裁去掉多余的背景图像，然后统一尺寸，通常是依据人两眼间距离为基本依据进行剪裁。
2.人脸特征表征(www.xing528.com)
人脸有以下特征：
1）肤色特征。当光照条件不变时，肤色对于旋转、表情等变化不敏感，具有相当好的鲁棒性。
2）灰度特征。由于人脸的轮廓近似椭圆形，人脸的五官分布具有对称性，空间位置相当固定，个体五官的外形大致相同，从而表现为灰度分布呈一定规律性，这种规律反映了人脸的内在特征。灰度特征通常采用统计的方法或特征空间变换的方法进行提取。
3.人脸识别的方法
目前常见的人脸识别基本方法可分为这几类：基于几何特征的人脸识别、基于子空间分析的人脸识别、基于模板匹配的人脸识别、基于隐马尔可夫模型的人脸识别、基于神经网络的人脸识别和基于3D的人脸识别等。
1）基于几何特征的人脸识别。这类识别方法首先将人脸用一个几何特征矢量表示，进而用模式识别中的层次聚类思想设计分类器对人脸进行识别。在这种基于几何特征的识别中，识别总归为特征矢量之间的匹配，基于欧氏距离的判决是最常用的识别方法。
优点：符合人类识别人脸的机理，易于理解；对每幅图像只需存储一个特征矢量，存储量小；对光照变化不太敏感。
缺点：从图像中抽取稳定的特征比较困难，特别是当特征受到遮挡时；对强烈的表情变化和姿态变化的鲁棒性较差；一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息丢失。
2）基于子空间分析的人脸识别。子空间方法的基本思路是将高维的人脸图像特征通过空间变换（线性或非线性）压缩到一个低维的子空间进行识别。
3）基于模板匹配的人脸识别。这类方法的基本思路是将人脸灰度图像当做数据库中的模板，然后通过计算未知样本和已知模板间的归一化相关来进行人脸识别，对全局模板整个人脸或局部模板眼睛、鼻子和嘴巴都进行了尝试。
4）基于隐马尔可夫模型的人脸识别。在人脸识别中识别的对象应该包括人脸各个器官数值特征及各个器官联系特征信息。而隐马尔可夫模型（HMM）提供了解决这一问题的方法。按照这种模型，把测到的特征看成是另一组不可观测“状态”产生的一列实现。因而可以将不同的人用不同的HMM参数来表征，而同一个人由于姿态和表情变化产生的多个观测序可以通过同一个HMM模型来表征。
5）基于神经网络的人脸识别。人工神经网络是一种模仿生物神经网络行为特征的分布式并行信息处理算法结构的动力学模型。将人工神经网络应用于人脸识别，一个直观的想法是建立一个神经网络，其中每个神经元对应图像中的一个像素。
6）基于3D的人脸识别。目前的人脸识别主要还是针对二维图像或二维动态视频序列进行研究，二维图像识别技术在其他领域已有很多的应用，但是由于人脸是个塑变体，使得通过二维图像识别技术对人脸识别存在困难。另外，基于二维图像的人脸识别，不可避免受到环境光线、背景、视角等和人脸的姿态、表情、遮挡等不利影响，因而其识别精度很难有进一步的提高。3D人脸识别允许与面部表情有关的变形，把3D人脸数据转换成“特征形式”，使它成为模型的形状变化的不变量。
（三）影响人脸检测和识别性能的因素
影响人脸识别性能的主要因素有：
1）光线。光线是人脸识别中非常重要的因素，如果光线达不到要求，采集到的图像很难达到识别的要求。而视频监控现场通常受各种条件的限制，增加光线补偿有一定的难度，所以应根据实际的现场情况选择采集设备。
2）角度。大角度的人脸图像对识别会有影响。
3）人脸大小。人脸大小对识别性能有一定的影响，人脸图像太小时，无法满足识别的需要。随着人脸图像在一定范围内增大，人脸识别性能会有所提高。
4）饰物。普通饰物不遮挡脸部特征的时候，对人脸识别的性能影响不大，但是黑边框眼镜和墨镜对识别性能影响较大。
5）配合程度。当受监视人群不配合时，如低头、遮挡人脸、快速奔跑，会造成人脸识别性能的急剧下降。
6）监控列表库中的照片质量。使用高质量的图像入库，可以大大减少误报和漏报，可以提高人脸识别的性能。
（四）人脸检测和识别技术的应用
（1）企业、住宅安全和管理。如人脸识别门禁考勤系统，人脸识别防盗门等。
（2）电子护照及身份证。这或许是未来规模最大的应用，在国际民航组织（ICAO）已确定，从2010年4月1日起，其118个成员国家和地区，必须使用机读护照，人脸识别技术是首推识别模式，该规定已经成为国际标准。中国的电子护照计划公安部一所正在加紧规划和实施。
（3）公安、司法和刑侦。如利用人脸识别系统和网络，在全国范围内搜捕逃犯。
（4）自助服务。如银行的自动提款机，如果用户卡片和密码被盗，就会被他人冒取现金。如果同时应用人脸识别就会避免这种情况的发生。
（5）信息安全。如计算机登录、电子政务和电子商务。在电子商务中交易全部在网上完成，电子政务中的很多审批流程也都搬到了网上。而当前，交易或者审批的授权都是靠密码来实现，如果密码被盗，就无法保证安全。但是使用生物特征，就可以做到当事人在网上的数字身份和真实身份统一，从而大大增加电子商务和电子政务系统的可靠性。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
