人臉識別的研究近幾年受到普遍重視，它與指紋識別、視網膜識別等同屬于生物特征識別技術范疇。在公安(犯罪識別等)、安全驗證系統、醫學、視頻會議、交通量控制等方面有著巨大的應用前景，因而成為當前模式識別和人工智能領域的一個研究熱點。雖然人類能毫不費力地識別出人臉及表情，但人臉的自動機器識別卻是一個難度極大的課題。人臉識別的研究已有20多年的歷史，最早它和指紋識別一道作為識別罪犯身份的手段。但人臉的結構比指紋要復雜得多，并且受很多因素的干擾：人臉表情的多樣性、成象過程的光照、圖像的尺寸、旋轉及姿勢的變化等。即使同一個人，在不同的環境下拍攝得到的人臉圖像也可能不同。所以至今人臉識別尚未能取得象指紋識別那樣令人滿意的結果。還沒有通用成熟的人臉自動識別系統出現。
1 人臉識別的理論研究及發展現狀
　　人臉識別的輸入圖象通常有正面、傾斜和側面 三種，由于實際情況的要求，對人臉正面模式的研究最多，它的發展可分為三個階段。第一階段以Bertillon、Allen 和 Parke 為代表，主要研究人臉識別所需的面部特征。這一階段工作的特點是識別過程全部依賴于操作人員。第二階段是人機交互識別階段。代表有Goldstion、Harmon 和Lesk。他們用幾何特征參數來表示人臉正面圖象。采用21維特征矢量表示人臉特征，并設計了基于特征表示法的識別系統。第三個階段是向實用化發展的自動識別階段。隨著高速度高性能計算機的發展，人臉模式的識別方法有了較大改進。
　　目前國內外研究用于人臉識別的方法層出不窮。但根據人臉表征方式的不同，總體上可分為以下三種：基于幾何特征的識別方法、基于代數特征的識別方法和基于連接機制的識別方法。(1)基于幾何特征的人臉正面圖象識別方法，將人臉用一組幾何特征矢量表示，用模式識別中層次聚類的思想設計分類器達到識別的目的。這要求選取的幾何特征矢量有一定的獨特性，能夠消除時間跨度和光照的影響。幾何特征矢量是以人臉器官的形狀和幾何關系為基礎的特征矢量，Govindaraju等首先利用模板技術成功地檢測出報刊圖片的人臉輪廓，Huang 和Chen 利用動態模板技術檢測出人臉的各種面部特征。(2)基于代數特征的人臉正面自動識別方法，將人臉用代數特征矢量來表示。代數特征是由Hong等 首先提出的,由圖象本身的灰度分布確定的，它描述了圖象的內在信息，它是通過對圖象灰度進行各種代數變換和矩陣分解提取出的。楊靜宇等對代數特征的提取進行了較深入地研究。這種方法將人臉看作一個二維的灰度變化的模板，從整體上捕捉和描述人臉的特征，所運用的主要是一些標準的數理統計的技巧，運算比較復雜。(3)基于連接機制的人臉正面自動識別方法，將人臉直接用灰度圖(二維矩陣)表征，利用了神經網絡的學習能力及分類能力。這種方法的優勢在于保存了人臉圖象的材質信息和形狀信息，同時避免了較為復雜的特征提取工作。但是普遍存在的問題是識別準確率低，過程復雜。
　　本文從構造實際應用系統的角度，采用基于幾何特征的識別方法。具體過程是先根據人臉圖象的灰度特性用投影圖和特征描述相匹配的方法確定人臉各部分的位置。然后利用投影法和模板匹配方法定位了瞳孔的位置，較準確的提取出眼睛的特征。
2 算法描述
　　特征選取應保證最有代表性、信息量大、冗余量小，而且要求在一定的干擾下，也能保持一定的不變性和適應性。基于這種要求，借鑒前人研究成果，融合本文的實驗，將眉眼距、眼鼻距、眼嘴巴距、嘴巴下巴距、兩內眥距、鼻孔距、嘴巴長度、眼睛處的臉頰寬度、鼻子處的臉頰寬度及嘴巴處的臉頰寬度作為人臉識別的主要特征，并且將這10個特征分別與瞳孔距之比形成的特征矢量存入數據庫中。對這些特征矢量作矢量歸一化處理后，可以有效的避免頭部偏轉引起的偏差。
2.1 預處理與特征定位
　　實驗采用400×600×8bit的灰度圖象。首先對圖象進行平滑濾波處理，消除噪聲。然后利用類間方差判斷分析法確定二值化閾值。類間方差判斷分析法是指從圖象的灰度直方圖中把灰度值的幾何分布用閾值K分為兩類。然后根據這兩類的平均方差(類間方差)和各類的方差(類內方差)之比取最大值時所對應的K值即為二值化閾值。實驗結果表明二值化后的圖像更有利于特征定位。

　　由于人眼的灰度特征與人臉其他部位有明顯不同，我們采用投影圖的方法很容易得到眼睛、鼻子和嘴巴的大致位置。具體的過程如下， 作出人臉圖象沿X坐標方向包含主要特征信息的區域的Y方向投影圖，如圖1所示。其中自頂向下的直線為二值化閾值線。由該線與投影區域的第一個交點作為始點，由此向下經過具有較大灰度變化的曲線后，尋找二值化閾值線與投影區域的交點即為額頭點的位置H,額頭的位置不要求很精確，但應保證H點在眉毛實際位置的上方。然后由投影圖確定眉毛、眼睛、鼻子和嘴巴、下巴的大致位置。但考慮到有的人臉照片，前額的頭發遮住了眉毛的位置，或者是由于攝影光照的影響致使有些特征的投影圖的凸凹性不明顯，會給準確識別帶來一定困難。因此本文還采用投影圖和特征描述相匹配的特征識別樹識別方法。
　　特征識別樹識別方法的具體過程是：首先給每個特征一組初始匹配標號，然后在識別樹上核實各特征。即由投影圖中初定位的6個特征，其標號函數可定義為original＝{C₀,C₁....C_n}，人臉待識別的標號集記為L_i＝{L₁,L₂....L₆},它們依次為眉毛、眼睛、鼻子、上嘴唇和嘴巴、下巴，并對每個特征有一定的描述集L_ci＝{L_c1,L_c2,...L_c6}。如果C_i通過了L_c中一項L_ci的一致性檢測，則C_i∈{L_i}。識別樹示意如圖2所示。這種一致性檢測利用了人臉各器官的相對位置及相對距離的變化范圍，各特征區域的灰度分布特點等。

　　經對200張不同的人臉圖象進行實驗驗證，特征定位的準確率達到96%。為進一步識別提供了必要的條件。
2.2 瞳孔的定位及圖像標準化
　　在特征矢量歸一化處理中以瞳距作為基準。這是考慮到瞳距作為人臉識別中最穩定的特征，也是最重要的特征。因此瞳距定位的準確性是決定系統識別效率高低的關鍵。
　　一般提取眼睛特征都使用如圖3所示的簡化模板，即用兩條端點重合的拋物線分別近似上下眼皮，在上下眼皮之間加上眼球的模板，用動態模板匹配的方法進行特征提取。但是人眼眼皮的特征曲線并不象拋物線那么規則，且受表情的影響有較多的變化。這樣就使得誤差較大以致于無法正確描述眼睛的特征。本文考慮到可提取特征的穩定性及其在人臉識別中的作用。確定了瞳距和兩眼內眥距作為眼部區域的主要特征。采用了投影法和模板匹配兩種方法并行準確定位了瞳孔的位置。同時對上眼皮曲線進行了輪廓跟蹤。最后對圖像數據進行標準化處理，使系統的通用性和實用性更強。

2.2.1 用投影法確定瞳孔的位置
　　在眼睛位置處以眉眼距為參數開設局部小窗口。首先對此窗口內的數據 {f(x,y)} 進行自動閾值二值化，平滑消噪處理，然后對這些二值化數據均值作X 方向投影圖。設小窗口內的二值化圖像數據為f(x, y)，其中x,y∈S，S為m×n的窗口。則沿X方向的平均象素數為：
　　

　　經計算后的典型數據結果如圖4所示。從圖像X方向的中點分別向左右搜索P(x)最小值點，它所對應的X 坐標即為左右瞳孔在水平方向的位置。

2.2.2 用模板匹配法確定瞳孔的位置圖
　　在眼部區域的小窗口內，利用9×9的模板搜索瞳孔的位置，以左眼為例，模板的表達式如下：
　　

　　求出最小值的模板數值所對應的X,Y坐標，即為左眼瞳孔的位置。
　　LeftPupil(x,y)＝min(D(i.j))
　　其中(i.j)∈S,S為左眼搜索區域。Left－Pupil(x,y)所對應的(x,y)即為左眼瞳孔的位置。同樣可以求出右眼瞳孔的位置。經過對300張人臉圖像的實驗驗證，這種方法定位瞳孔的準確率為95%，比投影法準確率高。但是投影法定位的運算量小，運行速度快。
　　對于內眥點的確定，同樣在眼部區域的小窗口內對二值化數據進行處理。以左眼為例，搜索左眼區域的最左邊的黑點。同時保證這點必須是邊界點,且以
　　此為起始點搜索出的邊界，其像素的個數不可能太少。依次搜索下去直至被搜索的范圍內外邊界點。最后將邊界線進行優化。檢測結果如圖5所示。可以看出這樣提取出的曲線與眼睛的特征吻合得比較好，有利于眼睛分類識別。