一種基于單視圖的多姿態人臉識別算法淺述

宋進 歐海寧

湄洲灣職業技術學院 福建莆田 351100

隨著科學技術的進步，越來越多的高新技術被應用在了人們的生產生活當中，這在推動現代社會發展的同時，也讓人們的生產、生活方式發生了很大的改變。作為最成功的生物識別方法之一，人臉識別應用最為廣泛[1]。識別人臉的計算機可以用于各種問題，包括犯罪識別，安全系統，靜止圖像，視頻處理和人機交互等。因此，文章主要該部分進行討論，對人臉識別以及相應的處理技術的發展現狀與具體應用進行了解，并對簡單探討和描述一種基于單視圖的識別算法。

1 人臉識別技術的內涵

人臉識別和視頻處理技術是根據人類臉部信息進行身份識別的一種現代化生物識別技術，其主要是通過對人的圖像信息進行采集，以此來完成人臉的自動檢測與跟蹤。當前人臉識別的常見方式有：幾何光學結構、子空間局部特征識別以及大數據人臉庫深度學習。

對現有的人臉識別系統，在人臉和人臉姿態類似的情況下，人臉識別率相當高。然而現實中更常見的是需要去識別來自不受控制狀態下的人臉圖形。但是當人臉姿態發生多種變化時，人臉識別系統的識別率也會相應地降低。因姿態不匹配引發的問題相當復雜，因為局部特征信息已經從常規特征向量分量中被更改。改善這一問題的最有效的方式就是通過采集多姿態人臉來處理。

2 單視圖人臉識別的重要作用

在單視圖人臉識別樣本中，大部分情況下，樣本庫中實際上只能和一張圖像做對比，只有極少數情況中會存在著多種姿態的人臉識別。

單視圖的多姿態人臉識別在應用中面臨著巨大的挑戰和困難，如何完美地解決這個難題，對于社會現實具有重要的應用價值和意義。因為基于單視圖的人臉識別具有諸多的優勢，不僅可以降低多姿態人臉識別的成本，還可以減輕人臉采集工作量。甚至可以在已有的數據庫基礎上，拓展和建立新的人臉庫，以有效降低資源消耗。從而在特征選取時需從減少計算量與存儲量、保留貢獻率較高的信息兩個方面出發予以實踐，確保人臉識別系統運轉高效。

單視圖的人臉樣本有效地縮小了儲存空間，可以在有限的空間內放更多的單個人臉圖像，提升了系統的擴展性。在優化了算法的情況下，如果運用信息技術針對圖像進行歸一、去噪、平滑等處理，規避外部環境、成像因素、光照等條件對圖像識別造成的干擾，為圖像后續分析處理鋪平道路。

3 基于單視圖人臉識別的算法

3.1 多姿態人臉生成算法基本原理

由于人臉的器官分布的相似性，以及明顯的結構特征和局部特征特點，本文可以完全利用類似點和結構特征去創建多種姿態下的人臉幾何形變函數，從而形成多姿態的人臉圖像。當人的年齡或者面部表情，甚至光照角度和遮擋部位發生改變，都會導致人臉產生一些變化，對生成結果產生干擾。但是，人面部一些主要的局部特點卻不會因為這些細微的變化而發生變化。把人的面部圖像分成多個局部的特點，再把這些面部的特點加以分散，讓干擾的因素僅僅可以對局部的面部特征產生影響，從而可用采取沒有干擾因素影響的面部特點來描繪人臉的細節特征。為了提升多姿態人臉識別中的人臉生成精度，本文考慮采用局部加權的人臉分析算法，并且利用人臉特征進行數據化取值和對比[2]。

3.2 多姿態人臉支持分類識別

在這種基礎上，本文研究了五種擬合方法：對數法、指數法、最小二乘法、線性法和多項式法。結果表明，多項式擬合方法比其他四種算法具有更好的識別效率。通過分析累積趨勢和范數距離本文來提高人臉識別系統的擬合度。其階多項式的一般公式為

二階多項式足以解釋和區分哪一個是異常的。 的導數可由式求得：

該函數的導數取決于的值。從該表達式可知，如果p1為正，則圖像的斜率增加。若發現p1為正，則意味著異常的不斷累積，最終導致決策錯誤。

由此，本文提出的局部加權多姿態人臉生成算法，其主要是通過單張人臉的局部識別特征，得到人不同姿態下的相同的特征之間的映射函數。種方法借鑒了自然識別人臉的過程，先對人臉的整體加以識別，之后對面部重要的局部特征加以分析。這一過程會有可能會導致面部細節的部分丟失，故需加強并突出人像中的面部姿態及各圖像邊緣的關鍵點特征。隨著姿態變化不斷增加，同一個體的人臉圖像之間相關性降低。因此，本文將單視圖和人臉圖像作為樣本，并且對人臉的候選姿態樣本進行識別和確定，從而不需要對整個樣本庫進行對比，不僅減少了計算量，還降低了搜索空間。

4 結語

從結果上看，識別率的高低和每個人臉的訓練樣本數之間有著很大的關系。基于以上的情況，單視圖的多姿態人臉識別已經成為了人臉識別領域研究的重點，其研究具有重要的指導意義和價值。由于實際環境和條件的約束，大部分情況下設備都不能采集到足夠的人臉姿態[3]。而本文提出的人臉識別算法，能通過對多種個體樣本的人臉識別，從而有效地實現多姿態人臉的識別，提升識別率。同時，本文的人臉識別算法可以在只擁有正面人臉樣本的情況下，就能進行多姿態人臉識別，在具體的應用中具有良好的效果和適應性。