文献综述
生物特征识别(Biometrics)技术就是通过计算机与光学、声学、生物传感器和生物统计学等高科技手段密切结合,利用人体固有的生理特性(如指纹、脸像、虹膜等)和行为特性(如笔迹、声音、步态等)来进行个人身份的鉴定。其核心在于如何获取这些牛物特征,并将之转换为数字信息存储于计算机中,利用可靠的匹配算法来完成验证与识别个人身份的过程【1】。生物特征识别技术目前已得到较成功应用的有指纹识别、虹膜识别、DNA识别、人脸识别等。但是前三种识别技术的数据采集都必须要求待识别者执行一定的行为才能进行。比如,要得到某个人的指纹样本,从心理角度讲,采集方式并不友好;要得到某个人的虹膜图像,要求被测试者的眼睛必须对着一个特制目镜:DNA识别技术更是必须在实验室中进行。不能达到广泛性和实时性,这在很大程度上限制了这三种识别技术的应用。
人脸识别是在计算机技术、计算机图形学、模式识别等相关学科领域基础上出现的新兴研究方向，虽然该项技术从出现至今只有短短的几十年，但已经成为当下热门的研究课题之一【2】。最初是公安部门采用这种技术用于对相关犯罪分子进行照片归档和整理工作，以及案件侦破的辅助功能。伴随着现代科技水平的日新月异及人类文明的向前发展，对人脸识别系统的有效性、快捷性、方便性等方面要求越来越高。不仅如此，在现实社会中，人脸识别技术已经在企事业单位的门禁监控、小区物业安全等各个领域都已经进行了广泛地应用，主要应用有包括：身份认证、案件侦破、入口控制、信息安全、视频监控等【3】。因此这项技术的商业开发价值极大。由于人脸识别技术不是单独孤立的领域，需要在很多学科研发基础上才能进行推进，因此对于人脸识别技术的更深入探索不仅能够促进相关领域基础原理的研究开发及知识的交汇贯通，也会有助于产生新的研究课题与目标，极具科研和学术价值【4】。由此可见，人脸识别技术的发展具有广阔的社会意义和现实意义，甚至给人类日常生产生活也会带来极为深远的影响。
线性子空间方法是人脸识别的主流方法之一,具有描述性强、计算代价小、易实现
的特点,故受到广泛的关注【5】。该文就有关线性子空间方法的理论和相关算法进行了深入的研究,所提出的算法在人脸识别上表现良好。该文首先研究了线性鉴别分析用于人脸识别时遇到的高维小样本问题。解释了IFDA(Inverse FDA)【6】算法的合理性,建立了IFDA的理论基础。在ORL和Yale人脸库上的仿真试验比较了LDA【7】统一框架算法、MMC【8】和IFDA解决小样本问题的能力,揭示出它们的一些特性。该文研究了基于图像矩阵的线性鉴别分析进行图像压缩时的方向性问题,并提出了一种新的距离度量用于图像特征识别。通过仿真试验得出了有现实意义的结论并证实了本文所提出距离度量的有效性。该文揭示了在小类别人脸识别问题上ICA方法的独特性质。以一种新的方式证明了ICA以PCA作为基准算法的结论,并且讨论了特征选择与ICA人脸识别算法的适应性问题。最后,提出了一种称为监督化ICA(SICA)的新的人脸识别方法。仿真试验验证了讨论得出的相关观点,证实了所提出新方法的有效性。作为对子空间方法的补充,该文提出了一种称为监督化KPCA(SKPCA)的新方法。SKPCA结合了KPCA和监督化学习的优点,其提取的特征分类能力杰出【9】。人脸识别试验证实了SKPCA是一种有效而稳定的非线性子空间方法。
在过去的三十多年里,自动人脸识别技术得到了各个相关领域研究者的极大兴趣与广泛关注,跨越了众多研究领域,如:图像处理,计算机视觉,神经科学,统计学,模式识别等。随着技术的日益成熟,自动人脸识别技术被逐渐应用于商业及公共安全领域,从对可控格式人脸照片的静态匹配【10-14】,如护照,身份证,驾照,到对实时监控中人脸图像的识别,自动人脸识别技术发挥了巨大的应用价值。目前,当用于识别的人脸图像是在可控条件下得到的图像,如:清晰正面,光照条件适宜等约束条件,此时的识别率已经达到了我们可以接受程度。但是,当用于识别的人脸图像是在用户不配合,条件不适宜的情况下得到的,如:在监控器录像中截取的非正面,低像素,光照条件不佳的情况下,这样的识别率则会大大下降,有些情况下的识别率甚至不到30%。因此可以看出,人脸识别技术存在很多问题是直到目前仍然没有解决好的,而这些问题才是日常生活中人脸识别技术亟待解决的真正问题【11、12】。现主要研究人脸识别技术中的两个问题:基于线性子空间学习的人脸识别算法和处于姿态变化下的人脸识别算法。 在分析线性子空间人脸识别算法的基础上,提出了一种新的基于线性子空间学习人的脸识别算法(二维判别典型相关分析法【13】)。该算法将二阶张量的概念应用到原有的典型相关分析法中,有效避免了协方差矩阵奇异性问题,并且大大降低了计算复杂度。 在局部线性回归法【14】和高斯概率模型【15】的基础上,一种新的基于子区域的姿态变化下的人脸识别算法(加权子区域相似度的人脸识别算法【16】)。该算法利用局部线性回归法,生成虚拟的人脸正面图像【17】。
人脸识别的问题在计算机视觉的早期阶段被考虑，并且在近20年后正在经历复
兴。脸部的图像随着脸部表情，年龄，视点，照明条件，噪声等而改变。人脸识别系统的任务是以尽可能独立于这些图像变化的方式来识别脸部。人脸识别技术作为图像分析中最成功的应用近几年得到了高度重视，而我国关于这项技术的应用研究还处于起步阶段。通过介绍国内外人脸识别技术的发展现状以及目前所取得的成果，对该项技术的发展趋势进行了判断，这为人脸识别技术的发展提供了良好的依据【18、19】。国内关于人脸自动识别的研究始于二十世纪80年代，主要的研究单位有清华大学、哈尔滨工业大学、中科院计算所、中科院自动化所、复旦大学、北京科技大学等，并都取得了一定的成果。国内的研究工作主要是集中在三大方法的研究：基于几何特征的人脸正面自动识别方法、基于代数特征的人脸正面自动识别方法和基于连接机制的人脸正面自动识别方法【20】。近年来，由于反恐、国土安全和社会安全的需要，世界上各个国家都对安防领域加大了投入。身份验证是安防的一个核心领域，在这种大环境下，生物特征识别将迎来一个快速发展的时期，从而人脸识别技术的前景也必将更为广阔。
参考文献：
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
