一種基于監(jiān)控視頻的有效的人臉識別方法

武 琦，王夏黎，王博學(xué)，趙曉娜

(長安大學(xué) 信息工程學(xué)院，陜西 西安 710064)

0 引 言

人臉識別作為圖像分析和圖像理解最為活躍的一項(xiàng)應(yīng)用，近年來在身份驗(yàn)證、刑偵破案、視頻監(jiān)視、機(jī)器人智能化和醫(yī)學(xué)等方面得到了廣泛的應(yīng)用。人臉識別是融合了計(jì)算機(jī)視覺、視頻圖像序列處理與模式識別的一門技術(shù)，是利用計(jì)算機(jī)編程通過算法分析提取人臉特征信息從而進(jìn)行身份鑒別的技術(shù)。人臉圖像包含許多明顯的特征信息，但是特征維度較為復(fù)雜，并且對于實(shí)際監(jiān)控視頻中獲取的圖像會受到光照、角度、遠(yuǎn)距離等因素的影響，導(dǎo)致識別精度不理想。因此，提高基于監(jiān)控視頻的人臉識別準(zhǔn)確性極具研究價(jià)值。

目前多數(shù)的人臉識別算法有Fisher臉方法、特征臉方法、CNN和支持向量機(jī)等，這些方法中PCA算法具有統(tǒng)計(jì)最優(yōu)的、實(shí)現(xiàn)方便、對正面圖像識別率高等優(yōu)點(diǎn)[1]。然而，在實(shí)際生活中監(jiān)控視頻的圖像分辨率較低，人臉區(qū)域位置無法確定，其次人臉不同的角度和視頻中模糊的圖像信息，都使得人臉的區(qū)域難以準(zhǔn)確定位，從而影響了識別的準(zhǔn)確率。

因此，文中提出利用超分辨率迭代重構(gòu)方法將監(jiān)控視頻中采集的低分辨率圖像重構(gòu)為可以提供更多細(xì)節(jié)信息的高分辨率圖像，然后基于Harr-Like特征和Adaboost分類器對圖像中的人臉做出準(zhǔn)確檢測和定位，最后利用經(jīng)典的PCA對定位出的人臉圖像進(jìn)行識別，以提高識別的準(zhǔn)確率。

1 超分辨率重構(gòu)

圖像的超分辨率重構(gòu)技術(shù)是一種提高圖像分辨率、改善圖像質(zhì)量的有效方法，其核心是通過低分辨率序列中的某一幀圖像經(jīng)過插值得到高分辨率圖像的過程。低分辨率圖像序列表示存在亞像素級位移的同一目標(biāo)的信息，通常可以對進(jìn)行運(yùn)動估計(jì)后的低分辨率序列進(jìn)行濾波，得到一個較理想的初始狀態(tài)[2-3]。超分辨率迭代重構(gòu)所得圖像效果相對比較清晰，降低了邊緣效應(yīng)，很好地抑制了邊緣模糊，較好地保留了圖像的邊緣細(xì)節(jié)信息[4-5]。

原始圖像如圖1所示，重構(gòu)得到的細(xì)節(jié)信息如圖2所示。

圖1 原始圖像

圖2 重構(gòu)得到的細(xì)節(jié)信息

2 基于Adaboost算法的人臉檢測

2.1 Haar特征

Haar特征是基礎(chǔ)分類器的初始輸入值，定義為圖像中相鄰區(qū)域像素和的差。Haar特征由黑白的若干個矩形區(qū)域組成，可以反映人臉的灰度變化情況。例如臉部的一些特征能由矩形特征進(jìn)行簡單描述，如：眼睛和臉頰顏色深淺，鼻梁兩側(cè)和鼻梁顏色深淺，嘴巴和周圍顏色深淺等[7]。最初的弱分類器是一個最基本的Haar-Like特征，計(jì)算圖像的Haar特征主要采用“積分圖像”的方法。主要思想是將圖像從起點(diǎn)開始到各個點(diǎn)所形成的矩形區(qū)域像素之和作為一個數(shù)組的元素保存在內(nèi)存中，只遍歷一次圖像就可以求出圖像中所有區(qū)域像素和的快速算法，大大提高了圖像特征值計(jì)算的效率[8]。

2.2 Adaboost算法

Adaboost算法的訓(xùn)練過程：對于每一個特征，Adaboost算法都能產(chǎn)生一個弱分類器，在每一輪訓(xùn)練中，算法通過篩選弱分類器從而選擇分類精度最高的特征作為實(shí)際弱分類器[9-10]。在下一輪訓(xùn)練中，根據(jù)每個樣本分類準(zhǔn)確率確定其權(quán)重，使得分類器能夠糾正對錯分樣本的誤判。當(dāng)訓(xùn)練完畢之后，對所有產(chǎn)生的弱分類器，根據(jù)其識別精度調(diào)整其權(quán)重，最終組成決策分類器[11]。圖3是采用Adaboost算法檢測出的人臉圖像。

圖3 Adaboost算法檢測出的人臉圖像

3 基于PCA的人臉識別

PCA也就是主成分分析法，其基本思想是從多元事物中解析出主要影響因素，忽略掉影響因素不大的數(shù)據(jù)元素。計(jì)算主成分的目的是將高維數(shù)據(jù)投影到低維空間，同時(shí)在特征提取方面具有有效性，因此在人臉識別領(lǐng)域得到了廣泛的應(yīng)用[12]。

PCA的目標(biāo)是尋找R個新變量，使它們反映事物的主要特征，壓縮原有數(shù)據(jù)矩陣的規(guī)模。每個新變量是原有變量的線性組合，體現(xiàn)原有變量的綜合效果，具有一定的實(shí)際含義。這R個新變量稱為“主成分”，它們可以在很大程度上反映原來N個變量的影響，并且這些新變量是互不相關(guān)的，也是正交的。通過主成分分析，壓縮數(shù)據(jù)空間，將多元數(shù)據(jù)的特征在低維空間里直觀地表示出來。實(shí)驗(yàn)利用K-L變換抽取人臉的主要成分，構(gòu)成特征臉空間，識別時(shí)將測試圖像投影到此空間得到一組投影系數(shù)，通過與各個人臉圖像的比較進(jìn)行識別[13]。圖4是通過PCA算法得到的人臉特征圖。

圖4 PCA算法得到的人臉特征圖

假設(shè)有M幅人臉圖像組成集合X=[X1,X2,…,XM]∈RN×M，每幅人臉圖像由N(K×L)個像素組成(K行，L列)，其樣本集合為Xi。從X的每列中減去所有樣本的均值向量θ得到A=[X1-θ,X2-θ,…,XM-θ]=[g1,g2,…,gM]。然后利用集合A求特征臉[14]。算法的具體步驟如下:

(3)保留K個最大的特征向量組成特征子空間。

(5)使用特征臉進(jìn)行人臉識別。

4 實(shí)驗(yàn)過程與結(jié)果分析

實(shí)驗(yàn)流程如圖5所示。

實(shí)驗(yàn)采用Windows7平臺運(yùn)行，處理器為3.6 GHz Inter Core i7，內(nèi)存為8 G，編譯環(huán)境為VS2010。

如表1所示，用超分辨迭代重構(gòu)后的圖像進(jìn)行Adaboost算法檢測，然后在檢測出的人臉圖像上采用PCA降維的方法識別，準(zhǔn)確率整體大于直接進(jìn)行PCA的方法，通過實(shí)驗(yàn)中的有效數(shù)據(jù)表明該方法的識別率基本保持在90%～95%之間，比直接PCA方法提高了2%～3%。但是，在實(shí)驗(yàn)過程中識別的準(zhǔn)確率受到了客觀條件的影響。例如，實(shí)驗(yàn)數(shù)據(jù)中不戴眼鏡的人的識別率高于戴眼鏡人的識別率，因此還需要后期繼續(xù)優(yōu)化提高。

圖5 實(shí)驗(yàn)流程

識別方法N=5N=20N=50N=100直接PCA識別79.7592.3293.6591.16低分辨率重構(gòu)+Adaboost檢測+PCA90.2894.2094.9195.55

5 結(jié)束語

實(shí)驗(yàn)通過監(jiān)控視頻的攝像頭獲取具有人臉信息的圖像，對圖像進(jìn)行迭代重構(gòu)提高分辨率后，使用Harr-Like特征表示人臉的特征數(shù)值，然后采用Adaboost算法對圖像中的人臉進(jìn)行檢測和定位，判斷該區(qū)域是否是人臉區(qū)域。最后利用PCA獲取被主動定位出來的人臉圖像的主成分特征，通過數(shù)據(jù)降維，實(shí)現(xiàn)人臉識別，并顯示出圖像中人臉的信息。實(shí)驗(yàn)結(jié)果證明，對重構(gòu)之后的圖像采用Adaboost算法和PCA完成人臉識別的準(zhǔn)確率高于直接使用PCA的人臉識別方法，同時(shí)有效解決了特征數(shù)量冗余的問題，能滿足實(shí)際應(yīng)用中對準(zhǔn)確率的要求，在人臉識別中的應(yīng)用前景廣闊[15]。