多人臉目標動態識別

胡昌盛，丁德紅

（湖南文理學院計算機科學與技術學院，湖南 415000）

多人臉目標動態識別

胡昌盛，丁德紅

（湖南文理學院計算機科學與技術學院，湖南 415000）

針對小場合特定人群進行動態識別，在要求的速度及準確率等條件下展開研究。目前進行目標識別技術眾多，采用LBPH技術，為適應動態捕捉進行算法上的改進，先介紹Haar分類器的原理，依據原理設計并制作Haar分類器，用實際的多目標圖片作實驗準確地檢測出人臉并加框標識，再將所選區域的人臉與樣本庫中預預先采集的人臉樣品進行LBP局部二值特征比對，識別率達80%，從而基本實現多目標識別。該成果產品化后可用于車站碼頭等公共場合的安防監測。

分類器制作；人臉識別；LBPH特征

湖南省科技計劃（No.2016GK2019）、湖南省教育廳一般項目（No.14CO542）

0 引言

人臉識別技術是機器視覺領域重要的研究內容。相對于指紋、虹膜等其他生物特征識別方法而言，人臉識別有不易察覺性，易采集性等特殊優勢，具有相當廣泛的應用前景。在信息檢索方面，人臉識別可以幫助檢索相關人物資料；在身份認證方面，人臉識別相對于傳統的身份識別具有更高的可靠性及安全性。

人臉識別技術經過長時間發展，在人臉檢測與人臉跟蹤、人臉特征點的檢測與標定、人臉特征描述與特征提取、人臉特征分類等各個領域都展開了廣泛而深入的研究，眾多理論、算法層出不窮。如：（1）基于特征子空間分析的主成分分析方法（PCA），線性判別分析方法（LDA），獨立成分分析方法（ICA）。（2）基于統計的支持向量機方法（SVM），人工神經網絡方法（ANN）。（3）基于局部模式的Gabor小波變換方法，基于局部二值模式（LBP）的方法等。

其中局部二值模式（LBP）算法作為圖像紋理表示的一種方法，用中心像素的灰度值作為閾值與其領域相比較得到的二進制編碼來表述局部紋理特征。因此其能表征出對光照及外界條件變化不敏感的圖像本身的特征，對一定基數下的人臉識別表現的很好。識別流程如圖1。

圖1 識別流程圖

1 Haar分類器

Haar特征在圖像中取大大小小很多矩形，將矩形分成兩份或三份，用黑白兩種顏色標記，將黑白兩色矩形里的像素值和相減得到差值。然后用這些差值來對圖像的子區域進行分類。通過不同的黑白矩形組合，就能提取邊緣特征、線性特征、中心特征和對角線特征，共同構成特征模板。如圖2所示。

圖2 人臉特征圖

1.1 Haar分類器原理

Haar分類器由Haar-like特征、積分圖（Integral Image）方法、AdaBoost算法、級聯分類器組成。

①Haar-like特征用來進行檢測。

②積分圖對Haar-like特征值進行加速。

③AdaBoost算法訓練來判別是否為人臉的強分類器。

④使用篩選式級聯把訓練出來的強分類器級聯到一起，提高準確率。

（1）弱分類器

弱分類器由子窗口圖像，特征，方向和閾值組成。

（2）弱分類器的生成

①將權重歸一化

②對于每一個特征f，訓練一個弱分類器h；計算所有特征的加權錯誤率εf，

③選取具有最小錯誤率εf的弱分類器hi

④權重的調整

其中ei=0表示xi分類正確，ei=1表示xi分類錯誤；

（3）強分類器的生成

①給定訓練樣本集S，樣本總數N，正負樣本X，Y；訓練的最大循環數T。

②初始樣本權重為訓練樣本的初始概率分布1/N；

③第一次迭代所有訓練樣本，得到第一個最優弱分類器。

④將上一輪中被誤判樣本的權重增加；

⑤將新樣本和上次分錯的樣本進行新一輪訓練。

⑥循環執行步驟4-5，經過T輪循環后產生T個最優弱分類器。

⑦將T個最優弱分類器組合得到所需要的強分類器，方式為：

1.2 級聯

級聯分類器可以看作是一種退化了的決策樹。即圖像被拒絕后就直接拋棄，不再進行推斷。級聯強分類器思想是：將若干個強分類器由簡到繁排序，期望經過特定訓練使得每個強分類器都可以有理想的檢測率，而誤識率可以降低。例如強分類器可以使得99%的人臉通過檢測，同時50%的幾率非人臉也可以通過檢測，這樣我們將20個強分類器進行級聯。則總識別率99% 20約為98%，誤識率為50%20約為0.0001%。這樣已經可以滿足實際需要了。所以我們要解決的問題是如何使每個強分類器都有較高檢測率。

（1）決策樹結構

圖3 決策樹結構

（2）級聯分類器的訓練

給定一個級聯分類器的層數K，檢測率D，誤識率F，第i層強分類器的檢測率di，誤識率fi。假使訓練一個級聯分類器達到給定的F值和D值，只用訓練出每層的d值和f值，方式為：

級聯分類器的關鍵部分在于怎樣訓練每層強分類器的d值和f值使之達到指定要求。

這里我們用OpenCV310級聯分類器的訓練，OpenCV提供了opencv_traincascade函數供我們訓練分類器。opencv_traincascade用來準備訓練用的正樣本數據和測試數據（輸出為以vec為擴展名的文件，以二進制方式存儲圖像，程序路徑如圖4。

①訓練樣本的準備：

訓練樣本要包括正樣本和負樣本。通俗來講，正樣本就是圖中只有你所需要的目標。而負樣本只要求圖

中不含有目標即可（最好盡可能多的提供場景的背景圖；負樣本盡可能的多，而且要多樣化，和正樣本有一定的差距但是差別也不要太大）。其中正樣本用opencv_createsample創建。負樣本則手動創建。

圖4 訓練程序所在的路徑

②歸一化樣本圖片，即在訓練前將正負樣本歸一化為統一的尺寸大小，轉化成灰度圖，并放在相應目錄下。

③集合文件格式（collection file format）和描述文件格式（description file format）：負樣本用集合文件格式描述（.txt文件），正樣本用描述文件格式描述（.dat文件）。

④進行樣本訓練

利用opencv_traincascade程序訓練結束后，生成的XML文件即為訓練好的級聯分類器，這個文件位于–data選項的目錄中。該目錄中的其他文件是訓練過程的中間結果，若訓練程序被中斷，再次運行訓練程序將讀入之前訓練的中間結果，不需要從頭重新開始訓練。訓練結束后，可以選擇刪除中間文件，保留最終的XML文件。至此，級聯分類器制作完畢，已經可以用來檢測人臉。

2 多目標識別研究

2.1 方法與材料

在普通光照條件，學生宿舍環境，與室友及一個相框，三個目標排成一排拍照合影，將所得照片用于多目標識別。

2.2 識別流程

（1）圖像預處理

對檢測到的圖像做直方圖或者濾波處理來更好地進行下一步的特征提取。

（2）特征提取

通過提取人臉特征，然后對其分類進而實現人臉識別，這里我們用LBP（Local Binary Pattern）進行特征提取。

（3）人臉識別

即將提取出的特征進行分類，匹配。

為了在匹配過程中我們需要知道匹配圖的名字，而一張張更改是很麻煩的，這里我們使用CSV（逗號分隔值文件格式）來讀取所準備的數據，CSV文件包含文件名，后面緊跟一個標簽，兩者以逗號隔開，當然，也可以用自己喜歡的符號，例如分號等。（形如/path/image. bmp；0（0即為你所為該圖所指定的標簽，類似為該圖的人的名字））。

在OpenCV中提供了LBPH人臉識別類，可以用它來進行人臉識別。首先，設定我們的感興趣區域（ROI，Region Of Interest）來專注工作過程。這里我們的感興趣區域為圖像中檢測到的人臉，用之前所訓練的級聯分類器去檢測并框定出來，這里我們采取擴大檢測窗口的方法來進行檢測。若同一個目標被多次檢測到，則表明該目標為正確目標。在檢測窗口遍歷完一次圖像后，處理重復檢測到的人臉區域，進行合并等操作。

已經獲得了人臉區域，接下來就可以對圖像中的人臉進行識別，這里使用LBPH算法，該算法會根據用戶的輸入自動更新，而不需要在每添加一個人或糾正一次錯誤判斷時便要進行重新的訓練。

讀取CSV文件，將檢測到的窗口與與訓練的樣本進行LBP特征向量的相似度比對，設置一個置信度閾值，當兩者的相似度小于閾值則認為是同一人，然后讀取樣本標簽，返回識別結果。

當識別器給了我們一個識別結果，即樣本標簽，可以將該標簽使得用戶發出一個反饋，即選擇是否識別正確。不管如何，我們都可以通過人臉圖像和正確的標簽來更新LBPH模型，以提高未來識別的性能。

3 實驗結果

檢測過程中，已訓練好的分類器會用不同的尺度遍歷輸入圖像的每一個像素，以檢測不同大小的人臉。對每個檢測到的人臉，去所訓練得到的樣本模型里去匹配盡可能相似的值，找到后將模型里的顯示出來，利用predict函數提供相應的置信度。如圖5、圖6所示。

4 結語

本文給出了多目標識別的方法，采用監督式學習，讀取訓練好的yaml文件，對每個監測到的區域的圖像分類，并在視頻幀人臉區域上方顯示分類結果（分類結果顯示為標簽和可信度），在左上角顯示縮略圖。利用

解FaceRecognizer::update可解決當有識別錯誤時無法立即更新樣本庫的問題。實驗結果表明改進后的Harr分類器用于多目標動態識別時，響應快，改進后可用于公眾場合進行人流識別。

圖5 LBP模型圖

圖6 識別結果（準確）

[1]Peter N.Belhumeur，Jo～ao P.Hespanha，and David J.Eigenfaces vs.Fisherfaces:Recognition.Using Class Specific Linear ProjectionKriegman.IEEE Transactions On Pattern Analysis And Machine Intelligence，1997，19（4）:711-719.

[2]吳巾一，周德龍.人臉識別方法綜述[J].計算機應用研究，2009，26（9）:3205-3208

[3]山世光.人臉識別中若干關鍵問題的研究.PhD thesis，中國科學院計算技術研究所，2004.

[4]O.Jesorsky，K.Kirchberg，R.Frischholz.Audio-and Video-Based Biometric Person Authentication，Chapter Robust Face Detection Using the Hausdorff Distance，pages 90–95.Berlin:Springer，2001.

[5]江小輝.基于改進型LBP特征的人臉識別研究[D].金華：浙江師范大學，2009.

Multiplayer Target Dynamic Face Recognition

HU Chang-sheng，DING De-hong

（Hunan University of Arts and Science of Computer Science and Technology College，Hunan 415000）

In view of the small occasion to identify the dynamic specific people,under the condition of the required speed and accuracy of launched research.There are many target identification technology at present,adopts LBPH technology,in order to adapt to the dynamic capture the improvement to the algorithm.First introduces the principle of Haar classifier,based on the principle of the design and construction of the Haar classifiers,with the actual experiment on multi-objective images accurately detect the human face and add logo.Then samples of the selected area faces to libraries face in the process of the collection in advance samples than LBP local binary characteristics,and the recognition rate up to 80%,which basically achieved target recognition.The results after the transition can be used for security monitoring station,wharf and other public places.

Classifier Production;Face Recognition;LBPH Characteristics

1007-1423（2016）30-0007-04

10.3969/j.issn.1007-1423.2016.30.002

丁德紅（1975-），男，博士后，高工，研究方向為嵌入式、圖形圖像、系統集成胡昌盛（1994-），男，本科

2016-08-19

2016-10-14