1、面部处理：高级方法与建模指南

面部处理：高级方法与建模指南

1. 面部处理简介

面部识别作为图像分析与理解的重要应用，近年来备受关注。这主要归因于广泛的商业和执法应用需求，以及经过30年研究后可行技术的出现。与指纹分析、视网膜或虹膜扫描等生物识别方法相比，基于面部图像的个人识别系统无需参与者主动配合。面部识别技术的应用场景涵盖静态照片和视频图像，对图像质量、背景复杂度、个体图像变异性等有不同要求。

面部识别系统可分为基于静态图像和视频的两类。其问题可表述为：利用存储的面部数据库，对给定场景中的静态或视频图像进行人物识别或验证，可结合种族、年龄等辅助信息。系统性能评估包括误识率（FA）和拒识率（FR），实际系统需在两者间权衡。为科学评估，研究者收集了多个公开面部数据库并设计了测试协议，如FERET协议、FRVT供应商测试等。

面部识别的研究历史可追溯到20世纪50年代的心理学和60年代的工程学领域。早期将其视为2D模式识别问题，采用测量面部特征距离等方法。80年代研究进展缓慢，90年代因商业机会、实时硬件和监控应用的出现而重新兴起。近15年，研究致力于使系统自动化，解决面部定位和特征提取问题。基于外观的整体方法（如特征脸和Fisher脸）和基于特征的图匹配方法取得了较好效果，但特征提取技术仍有待提高。近5 - 10年，视频面部识别成为研究热点，其具有利用运动信息和多帧图像提高识别率的优势，但也面临视频质量低、面部图像小等挑战。近年来，3D面部识别因廉价实时3D传感器的出现而得到发展，可有效处理光照和姿态变化问题。

面部识别研究受益于多个相关学科。模式识别用于基于面部模式识别个人身份；图像处理用于图像大小归一化、质量增强和局部特征定位；计算机视觉用于面部区域检测和3D模型构建；计算机图形学用于