人臉識別關鍵問題研究

a) 人臉識別中的光照問題

光照變化是影響人臉識別性能的最關鍵因素，對該問題的解決程度關系著人臉識別實用化進程的成敗。研究思路是將在對其進行系統分析的基礎上，考慮對其進行量化研究的可能性，其中包括對光照強度和方向的量化、對人臉反射屬性的量化、面部陰影和照度分析等等。在此基礎上，考慮建立描述這些因素的數學模型，以便利用這些光照模型，在人臉圖像預處理或者歸一化階段盡可能的補償乃至消除其對識別性能的影響。重點研究如何在從人臉圖像中將固有的人臉屬性（反射率屬性、3D表面形狀屬性）和光源、遮擋及高光等非人臉固有屬性分離開來。基于統計視覺模型的反射率屬性估計、3D表面形狀估計、光照模式估計，以及任意光照圖像生成算法是目前的主要研究內容。

具體考慮兩種不同的解決思路：

利用光照模式參數空間估計光照模式，然后進行針對性的光照補償，以便消除非均勻正面光照造成的陰影、高光等影響；

基于光照子空間模型的任意光照圖像生成算法，用于生成多個不同光照條件的訓練樣本，然后利用具有良好的學習能力的人臉識別算法，如子空間法，SVM等方法進行識別，

b) 人臉識別中的姿態問題研究

姿態問題涉及頭部在三維垂直坐標系中繞三個軸的旋轉造成的面部變化，其中垂直于圖像平面的兩個方向的深度旋轉會造成面部信息的部分缺失。使得姿態問題成為人臉識別的一個技術難題。

解決姿態問題有三種思路：

學習并記憶多種姿態特征，這對于多姿態人臉數據可以容易獲取的情況比較實用，其優點是算法與正面人臉識別統一，不需要額外的技術支持，其缺點是存儲需求大，姿態泛化能力不能確定，不能用于基于單張照片的人臉識別算法中等。

基于單張視圖生成多角度視圖，可以在只能獲取用戶單張照片的情況下合成該用戶的多個學習樣本，可以解決訓練樣本較少的情況下的多姿態人臉識別問題，從而改善識別性能。

基于姿態不變特征的方法，即尋求那些不隨姿態的變化而變化的特征。中科院計算所的思路是采用基于統計的視覺模型，將輸入姿態圖像校正為正面圖像，從而可以在統一的姿態空間內作特征的提取和匹配。

最后，基于單姿態視圖的多姿態視圖生成算法將是接下來要研究的核心算法，目前的基本思路是采用機器學習算法學習姿態的2D變化模式，并將一般人臉的3D模型作為先驗知識，補償2D姿態變換中不可見的部分，并將其應用到新的輸入圖像上去。

補充幾點：

攝像機的圖像問題

攝像機很多技術參數影響視頻圖像的質量，這些因素有感光器(CCD、CMOS)、感光器的大小、DSP的處理速度、內置圖像處理芯片和鏡頭等，同時攝像機內置的一些設置參數也將影響視頻質量，如曝光時間、光圈、動態白平衡等參數。

丟幀和丟臉問題

需要的網絡識別和系統的計算識別可能會造成視頻的丟幀和丟臉現象，特別是監控人流量大的區域，由于網絡傳輸的帶寬問題和計算能力問題，常常引起丟幀和丟臉。

視頻人臉識別監控的最優方案

使用更先進的高清攝像頭(3-5百萬)。

室內均勻光線，或室外白天，無側光和直射光

人群面向同樣的方向，朝向相機的方向。

恰當的監控點，如走廊、巷子或安檢門/閘機口等(不要一群人同時出現)。

相機與人臉的角度小于20°。

決定監控系統性能的幾個主要因素

模板庫的人數：不宜大，包含關鍵人物即可。

經過攝像頭的人數：同時出現在攝像頭的人數決定了單位時間里的比對次數。

報警反饋時間：實時性越強，對系統性能要求越高。

攝像頭采集幀數：幀數越高，人員經過攝像頭前采集的次數越多，比對的次數也越多。