基于眉眼子區域和零均值預處理的特征臉識別方法

李詠豪

(南京理工大學計算機科學與工程學院，江蘇南京 210094)

0 引言

由于新冠疫情的影響，為防止疾病傳播，在公共場合要求戴上口罩。人們戴上口罩后，對原有的人臉識別技術[1]形成了新的挑戰，為保證識別準確率，不少已有的人臉識別門禁系統要求摘下口罩進行識別，而這對人民健康又會帶來安全隱患。因此，需要對現有的人臉識別技術作進一步改進，允許不摘口罩的情況下進行識別，并能夠保證其識別準確率。特征臉識別方法[2-3]是常用的人臉識別技術之一，但是該方法在有口罩遮擋的情況下，識別準確率較低。本文在特征臉識別基礎上，提出了基于眉眼子區域和零均值預處理的特征臉識別方法，獲得了較高的識別準確率。

1 改進的特征臉識別方法

1.1 眉眼子區域的選取

在訓練圖像無遮擋，而測試圖像有遮擋的情況下，如果將整幅圖像作為訓練或測試使用，在缺少嘴巴、鼻子等五官信息的情況下，識別率一定會受到較大的影響。在人臉有口罩遮擋的情況下，只有眉毛和眼睛的子區域未被遮擋，對訓練圖像截取眉、眼子區域，同樣，對測試圖像也截取眉、眼子區域，這樣，可進一步降低遮擋對五官信息的影響，從而保證人臉識別率。如圖1所示，圖1(a)為人臉原圖，圖1(b)為有遮擋的人臉圖，圖1(c)為截取眉眼后的人臉圖。

假設圖像用m*n大小的矩陣I來表示：

本文選取包含眉毛、眼睛部位的前k行以提取圖像眉眼子區域I’：

圖1 眉眼子區域的選取

1.2 零均值預處理

人臉識別的精度較易受到外界光照的影響，這主要是由于當光照發生變化之后，人臉圖像的整體像素分布將會發生較大影響，從而影響基于特征臉識別方法的準確率。為降低該因素的影響，我們通過對圖像數據進行預處理，去除亮度差異帶來的干擾。如圖2所示，測試人臉偏亮時，特征臉方法中的前三個主分量受光照最為嚴重，對識別結果產生一定的影響。所以，考慮光照這一影響識別結果的重要因素，本文通過對圖像數據進行預處理，去除亮度差異帶來的干擾，從而優化改進了模型。

圖2 基于PCA的特征臉識別方法受到光照影響

圖3 當k為不同數值時的人臉識別準確率

本文對特征臉方法添加了一個自身圖像零均值的預處理。預處理具體步驟如下：首先，求出訓練圖像中每一幅圖像的灰度平均值，然后，將圖像中每一點像素(x,y)的灰度值I(x,y)減去該圖像自身灰度平均值生成向量放入數據庫中，即

1.3 特征臉識別方法

以主成分分析算法[4-5]為基礎的特征臉識別算法步驟如下：

步驟一：生成訓練樣本

對于經上述預處理后的人臉訓練庫，我們從中為每人隨機選擇一定數量的圖像用來構成人臉訓練集，而剩下的人臉圖像則構成測試集。設人臉訓練庫中共有M幅圖像。假定人臉圖像矩陣為并將其每幅人臉圖像矩陣按列連接，構成m*n大小的列向量，得到訓練樣本集表示長度為m*n的列向量。

步驟二：執行K-L變換

首先，計算所有訓練樣本的均值，即平均臉，再將M幅圖像分別減去平均臉，得到M幅差圖像向量，減去平均臉后構成的矩陣

步驟三：求特征值和特征向量

步驟四：求特征空間

選擇前t個特征臉進行識別，若其對應的特征值越大，則其對應的特征向量上的投影對方差的貢獻也越大，這里，定義方差貢獻率：

步驟五：提取特征

我們將每幅人臉圖像向特征臉子空間進行投影，將投影系數作為特征空間中的一個點。根據這組系數，即可將其作為人臉識別的依據。

步驟六：識別分類

我們利用特征向量，計算人臉測試圖像和人臉構造圖像間的距離：

表1 識別準確率與同一個人的訓練圖像數目之間的關系

2 實驗結果

本文的人臉數據集中，訓練集和測試集中的圖像均為32×32大小，分別包括100個人。訓練圖像中每個類有6張圖，口罩遮擋圖像是每個類3張圖，每張人臉圖片都已經對齊。

我們利用本文算法，計算k取不同數值時得到的人臉識別準確率。從圖3可見，當k為9-14，人臉識別率達到峰值，接近22%，而當k在14-32之間時，人臉識別率呈遞減趨勢，該結果進一步證明了本文提出的模型的準確性。當k為9-14時，所截取的圖像中僅包括眉、眼子區域，當訓練人臉與測試人臉都只包含眉、眼子區域，而被口罩所遮擋的五官均不作考慮，這時，識別率可達到最大值。當k為32時，相當于不作任何截取，取整幅圖像進行訓練與測試，因受口罩等遮擋，因此識別率較低。

另外，本文還測試了識別準確率與同一個人的訓練圖像數目之間的關系，如表1所示。從表1可見，本文算法識別率達到60%(人臉圖像訓練數據只有一張圖像)，隨著訓練圖像數目的增加，識別準確率也相應提升。因此，利用本文算法可以有效提高有遮擋情況下的人臉識別準確率。