人臉辨識

人臉辨識屬於生物認證 (Biometrics) 的一種識別技術，利用每個人特有之臉 部特徵進行身分的識別。除了人臉辨識以外，生物認證用於辨識身分也包含了常 見的指紋、掌紋、視網膜以及語音等識別技術。人類透過眼睛觀察人臉上的特徵，

經由對於人臉特徵的記憶，即可判定不同人的身分。而在電腦視覺裡的人臉辨識 技術則是透過攝影機擷取人臉影像，經由比對預先建立的人臉辨識模型，藉此判

影像串流 (近門邊 攝影機)

人臉偵測 正規化 人臉辨識

前後景分離 擷取身體區域 建立

色彩模型

色彩模型辨識

人物身分與位置

色彩資料庫 人臉辨識系統

色彩模型辨識系統

圖 1.1. 系統方塊圖 影像串流

(離門邊較遠 處攝影機)

定出影像中人物的身分。相較於其他的生物認證技術，人臉辨識為一種更貼近自 然的辨識方法，其近似於人類辨識人臉之原理。此外人臉辨識有別於指紋以及視 網膜等生物認證技術，人臉辨識屬於一種非接觸式的辨識方式，辨識過程中被辨 識者不需要按壓指紋或是貼近設備，甚至可以在不被人們察覺的狀態下完成辨 識，也因此可避免人們對於身分辨識的偽裝與反感。

在電腦視覺裡，人臉辨識技術屬於一種整合型的技術領域，其中最重要的兩 個部份分別為人臉偵測與人臉辨識。人臉偵測的目標在於找出畫面中人臉的位 置，使人臉能從背景中分離出來，一般人臉辨識技術可分為：以特徵為基礎 (Feature-based) 以及以影像為基礎 (Image-based) 兩大類[3]，其細節可參考圖 1.2。

以特徵為基礎的人臉偵測藉由分析人類臉部結構上之特徵，例如：輪廓、顏 色 、 形 狀 以 及 五 官 的 幾 何 關 係 作 為 人 臉 判 定 之 依 據 ， 其 可 分 為 Low-level analysis、Feature analysis 以及 Active shape models 三類。

以影像為基礎的人臉偵測使用圖形識別的方式進行偵測，一般來說都會先以 人臉影像以及非人臉影像經由一個學習的機制，依人臉影像與非人臉影像兩個群 體間的差異作為判定人臉的依據，其可分為 Linear subspace methods、Neural networks 以及 Statistical approaches 三類。Chiang 等人[4]使用膚色進行人臉偵測，

並輔以臉部眼睛與嘴唇的幾何關係排除非人臉的影像以提昇偵測效能。Rowley 等人[5]使用神經網路的方法進行人臉偵測，其將人臉影像區分為數個不同形 狀、大小以及尺度的子區域影像進行學習，而將待偵測之影像縮放為不同尺度進 行偵測，並且提供了一系列的處理方式解決臉部影像亮度不均勻；消除人臉在不 同尺度重複偵測。對於背景影像對偵測效能的影響，其定義一橢圓遮罩加以排 除。Wu 等人[6]統計膚色及髮色之分佈模型，再透過預先建立之人臉膚色與髮色 分佈位置之樣板以 Fuzzy pattern matching 的方式進行人臉偵測，其效能更優於單 獨使用膚色進行人臉偵測。

4

在人臉辨識上，Turk 等人[7] 透過主成份分析(Principal Component Analysis, PCA) 的方式抽取臉部特徵進行人臉辨識，即為著名的特徵臉 (Eigenfaces)。

Etemad 等人[8]應用線性鑑別分析 (Linear Discriminant Analysis, LDA) 在人臉辨 識以及性別辨識，比起主成份分析，線性鑑別分析能拉近相同群體間的距離且分 散相異群體間的距離以提昇辨識效能。Moghaddam 等人[9]使用支持向量機 (Support Vector Machine, SVM) 進行人臉影像之性別辨識，並與放射狀基礎函數 (Radial Basis Function, RBF) 網路進行性別辨識之效能進行比較。

本研究採用 Viola 等人[1]所提之人臉偵測技術進行人臉偵測，其為包含了積 分影像 (Integral image)、矩形特徵 (Haar-like feature) 以及 Adaboost 演算法的一 種人臉偵測技術。在完成了人臉偵測後，我們結合了 Soriano 等人[10]的膚色偵

圖 1.2. 人臉偵測方法分類[3]

測技術，用以檢測並正規化待辨識之人臉影像，而後利用 Huang 等人[2]的人臉 辨識方法，其將人臉影像透過特徵空間轉換以及標準空間轉換兩種方式，將人臉 影像投影至標準空間進行人臉辨識。基於主成份分析的特徵空間轉換能夠擷取出 臉部影像最具代表性的主要成份，對於縮減資料量是個強而有力的工具，在縮減 資料量的同時，也同時能保留資料的最大代表性。基於標準分析的標準空間轉換 能同時增大類別間的分散度與同類間聚集度，進而增強分類器表現，結合了這些 特性使得人臉辨識能夠有良好的效能。