談人臉識別系統的構建

楚展奇

【摘 要】人臉識別是模式識別和人工智能領域內的一個研究熱點，在生物識別方法中有很特殊的優勢，廣泛地應用在安全、民用等方面。論文介紹了人臉識別系統的設計流程和流行應用算法。

【Abstract】The face recognition is a research focus in the field of pattern recognition and artificial intelligence. It has a special advantage in the field of biometric recognition， and be widely used in the field of safety and civilian use. This paper introduces the system of the face recognition

design process and popular application algorithm.

【關鍵詞】人臉識別；模式識別；設計流程；應用算法

【Keywords】face recognition； pattern recognition； design flow； application algorithm

【中圖分類號】TB472 【文獻標志碼】A 【文章編號】1673-1069（2017）03-0099-02

1 引言

人臉識別技術是一種非接觸式、友好的生物識別方式，它是當前模式識別和人工智能領域的一個研究熱點，其開始于20世紀60年代，到20世紀90年代隨著圖像處理、模式識別、認知科學等理論的發展取得了突破性進展，廣泛地應用在自動身份認證與識別、民用、安檢等方面。

2 技術流程

人臉識別系統主要包括四個組成部分，分別為：人臉圖像采集及檢測、圖像預處理、特征提取以及匹配與識別。

2.1 圖像采集及檢測

人臉檢測是人臉識別過程中的關鍵技術。對任意給定的一個或一組圖像進行識別，人臉檢測的目的在于判斷圖像中是否存在人臉，并準確標定出人臉的位置、大小和姿態的過程。具體算法有以下幾種類型：

2.1.1 基于直方圖粗分割和奇異值特征的人臉檢測

這種方法是用平滑的直方圖對圖像進行粗分割，再根據一定的灰度區間對人眼進行定位，進而確定出人臉區域。這種算法檢測率較高，但耗時較長，而且當臉部光照變化較大或臉部有較大陰影時，圖像很難被檢測到。

2.1.2 基于二進制小波變換的人臉檢測

給定一幅原圖像，在垂直方向上應用低通分析濾波器得到垂直方向的低頻分量和水平方向上的高頻分量，水平方向應用高通分析濾波器得到水平方向的低頻分量與垂直方向的高頻分量，再經過一系列的變換，得到角度相似函數和自由參數，這樣選擇人臉部位的任意一點（n，m），學習得到自由參數，應用這些不等長的參數，可以有效地獲取人臉部位的特征。

但該方法對原始圖像的要求較高，當圖像的背景相對復雜，比如從側面拍攝人臉時，水平方向和垂直方向的高低頻分量很難獲取，這將直接影響到自由參數的準確性，從而很大程度上影響人臉檢測的檢準率。

2.1.3 基于AdaBoost算法的人臉檢測

2010年Viola和 Jones引入積分圖概念，提出了基于Harr-like特征、級聯結構的AdaBoost算法，成功應用于模式識別領域，實現了實時人臉檢測，使人臉檢測技術取得了突破性進展。該算法是挑選出一些最能代表人臉的矩形特征（弱分類器），按照加權投票的方式將弱分類器構造為一個強分類器，再將訓練得到的若干強分類器串聯組成一個級聯結構的層疊分類器，有效地提高分類器的檢測速度。

2.2 人臉圖像預處理

預處理是人臉識別過程中的一個重要環節。輸入圖像在采集、傳輸、變換過程中，由于多種原因，往往會造成圖像與原始人物之間產生某些差異。這些質量的退化會對下一步的特征提取造成很大的影響，因此有必要對分割出來的圖像進行適當的處理，使其有利于計算機的運算，這種處理就是圖像的預處理[1]。

通常圖像的預處理有濾波法、基于數學形態的預處理方法等。濾波法常用基于空間域的均值濾波、高斯濾波、中值濾波、邊緣保持濾波和基于頻率域濾波的低通、高通、帶阻濾波等[2]；基于數學形態的預處理方法有灰度腐蝕、灰度膨脹、灰度開運算、灰度閉運算等方法。論文簡單介紹了濾波法的計算原理。

均值濾波是用像素鄰域內的各像素灰度平均值代表原來的灰度值，此法能有效地去除噪聲，但容易使邊緣模糊。

高斯平滑濾波器是根據高斯函數的形狀來選擇權值的線性平滑濾波器。高斯平滑濾波器對去除服從正態分布的噪聲是很有效的，在邊緣檢測之前要對圖像進行平滑濾波，往往采用高斯濾波器。

中值濾波是用局部的中值代替局部均值。在灰度圖像 f 中以像素（x，y）為中心的 N×N 屏蔽窗口（N= 3， 5， 7， …）內， 首先把這 N×N 個像素點的灰度值按大小進行排序，然后選取值的大小處于中間位置的灰度值α， 使 f （ x ， y）α。這樣 ， 把被處理點的某一鄰域中像素灰度中值作為該點灰度的估計。

2.3 人臉識別常用算法

2.3.1 基于主成分分析的人臉識別算法

主成分分析法（Principal Component Analysis，PCA）是最早、研究最廣泛的人臉識別方法。該方法識別人臉時，將單張人臉圖像投影到此低維空間，用所得投影坐標系數與目標樣本集中的投影系數進行比對，以確定最佳特征臉。其步驟如下：

①利用濾波或膨脹、腐蝕等方法對人臉圖像進行預處理。

②讀入特定人臉數據庫，形成人臉樣本的特征空間。

③將訓練樣本圖像和測試人臉圖像進行正交變換、投影等。

④選擇合適分類方法判斷訓練樣本和測試人臉是否同類。

2.3.2 基于神經網絡的識別方法

心理學家McCulloch和數學家Pitts 合作提出了形式神經元的數學模型， 成為人工神經網絡的開端。神經網絡把模型的統計特征隱含在神經網絡的結構和參數中，對于人臉這類復雜的、難以顯示描述的模型，基于神經網絡的方法具有獨特優勢。神經網絡的魯棒性比較好，但是訓練慢，并可能陷入局部最優。

2.3.3 基于隱馬爾科夫模型的人臉識別算法

隱馬爾可夫模型（HMM）的基本理論發起于20世紀六七十年代，Samaria等人最早提出關于人臉的隱馬爾可夫模型，使用人臉圖像中的額頭、眼睛、鼻子、嘴巴和下巴5個特征參數，隱含5個形態，將人臉用矩形從上到下分成若干區域，將窗口內的像素點數據排成列向量，用每個區塊的像素值作為觀察序列來進行人臉識別。

除以上方法外，還有很多不同的算法，如基于三維的人臉識別、基于主動近紅外圖像的多光源人臉識別技術、基于皮膚特征的人臉識別都取得了很好的應用效果。

3 系統的構建

MATLAB是一種用于算法開發、數據可視化、數據分析以及數值計算的高級技術計算語言和交互式環境，利用其對待識別人臉圖像的預處理、判斷待識別圖像是否在人臉庫中、對選取不同訓練樣本個數下識別效率進行比較。

3.1 ORL人臉庫

英國劍橋大學的ORL人臉庫包含40個人，每人10幅圖像，每幅圖像大小為92×112，圖像是在不同時間、光線輕微變化的條件下攝制的，其中包括姿態、光照和表情的差別。

3.2 圖像預處理

通過幾何歸一化對輸入的圖像加工，使其與人臉庫的圖像一致，然后將彩色圖像轉換為灰度圖像，通過灰度拉伸，直方圖均衡化等方法完成對圖像的處理。

3.3 人臉識別

根據具體情況選擇不同的核心算法，以HMM算法為例，對人臉庫中的圖像進行訓練，得出人臉庫的HMM值。

在建立完人臉庫后，用與訓練相同的方法提取待識別人臉的HMM值，并與原人臉庫中存在的HMM值進行比較，求出各項的相似概率，對這些概率進行排序，輸出相似概率最大項。

【參考文獻】

【1】劉新業.基于人臉識別的人臉圖像預處理研究[J].電子測試，2008 （2） ：27-30.

【2】賈云得.機器視覺[M].北京：科學出版社，2000.