人臉檢測(cè)技術(shù)在“多媒體課程”中的教學(xué)應(yīng)用

張湃，孟慶瑩

（唐山學(xué)院智能與信息工程學(xué)院，河北唐山，063000）

0 引言

2019年，教育部《關(guān)于深化本科教育教學(xué)改革全面提高人才培養(yǎng)質(zhì)量的意見》強(qiáng)調(diào)，全面提高了人才學(xué)習(xí)的質(zhì)量，需要促進(jìn)支持教學(xué)的科學(xué)研究，促進(jìn)高等教育機(jī)構(gòu)和大學(xué)的發(fā)展，以使最新的研究成果成為一名教師，支持學(xué)生盡早進(jìn)入項(xiàng)目、實(shí)驗(yàn)室和團(tuán)隊(duì)，通過(guò)先進(jìn)的研究提高學(xué)生的創(chuàng)新能力和實(shí)踐能力。近年來(lái)，研究團(tuán)隊(duì)致力于實(shí)施數(shù)學(xué)，在圖像識(shí)別領(lǐng)域?qū)W習(xí)優(yōu)秀，從研究?jī)?nèi)容和成果到數(shù)學(xué)建模課程教學(xué)，逐步形成了以質(zhì)量、應(yīng)用、研究為目標(biāo)的多層次、創(chuàng)新的人才學(xué)習(xí)方式，取得了良好的實(shí)踐教學(xué)效果。

隨著數(shù)字和網(wǎng)絡(luò)文字的出現(xiàn)，人臉識(shí)別技術(shù)[1]已逐漸滲透到的日常生活中[2-4]與基本的人臉識(shí)別技術(shù)相關(guān)。人臉識(shí)別是人臉數(shù)據(jù)處理的最重要內(nèi)容，已成為模式識(shí)別、圖像識(shí)別系統(tǒng)和計(jì)算機(jī)視覺(jué)等研究的熱點(diǎn)。由于人臉是人體的生物學(xué)特性之一，因此人臉是個(gè)體外觀等主觀因素之一，表情和姿勢(shì)的差異，以及圖片質(zhì)量、背景和復(fù)雜度、光照強(qiáng)度等客觀因素對(duì)人臉識(shí)別結(jié)果的影響，因此人臉識(shí)別是一個(gè)非常復(fù)雜的問(wèn)題，但也具有非常重要的學(xué)術(shù)價(jià)值和應(yīng)用機(jī)會(huì)。

視覺(jué)是一個(gè)快速發(fā)展的科學(xué)方向，新方法層出不窮?？茖W(xué)技術(shù)的不斷進(jìn)步將逐步將人臉識(shí)別技術(shù)應(yīng)用于許多領(lǐng)域，包括多生物特征人臉識(shí)別，近年來(lái)，視頻監(jiān)控?cái)z像機(jī)已在多個(gè)城市普及，并在交通監(jiān)控、社會(huì)保障、交通安全等方面發(fā)揮了重要作用，在調(diào)查和案例解決領(lǐng)域，本研究主要涉及人臉識(shí)別和基于集成系統(tǒng)的人臉識(shí)別網(wǎng)絡(luò)。

人臉識(shí)別技術(shù)是指計(jì)算機(jī)用來(lái)檢測(cè)人臉圖像或視頻流的技術(shù)。人臉的復(fù)雜性以及拍攝圖像和視頻的環(huán)境的多樣性使得計(jì)算機(jī)領(lǐng)域的人臉識(shí)別技術(shù)成為一門非常復(fù)雜的學(xué)科。

面部識(shí)別的使用分類：（1）位置。它用于區(qū)分人臉與圖像或視頻流，并精確定位人臉和圖像的確切位置；（2）關(guān)鍵位置。它用于檢測(cè)照片或視頻流中的人體特征，如眼鏡、鼻子、嘴唇及其屬性；（3）面部識(shí)別。它用于通過(guò)圖像或視頻流中的面部線條準(zhǔn)確識(shí)別一個(gè)人的身份；（4）面部監(jiān)控。連續(xù)監(jiān)控并確定視頻流面的位置、方向和一半；（5）面部表情識(shí)別。從圖像或視頻流中識(shí)別人們的情緒狀態(tài)：快樂(lè)、悲傷、憤怒。

應(yīng)用與展望：（1）給視頻通話增加樂(lè)趣，比如動(dòng)態(tài)地在臉上戴口罩；（2）同步虛擬圖像和對(duì)應(yīng)人臉的表情和動(dòng)作；（3）識(shí)別某一級(jí)別，如登錄驗(yàn)證；（4）運(yùn)動(dòng)捕捉和控制，例如使用手勢(shì)控制計(jì)算機(jī)。

所涉區(qū)域：

（1）計(jì)算機(jī)學(xué)習(xí)

計(jì)算機(jī)學(xué)習(xí)始于1959年亞瑟·塞繆爾（Arthur Samuel）提出的國(guó)際象棋學(xué)習(xí)算法。1998年，湯姆·米切爾（Tom Mitchell）給出了一個(gè)數(shù)學(xué)定義：

對(duì)于計(jì)算機(jī)程序，給定任務(wù)T和性能監(jiān)控方法P，如果測(cè)量結(jié)果P受T影響經(jīng)驗(yàn)E，我們認(rèn)為計(jì)算機(jī)程序已經(jīng)學(xué)習(xí)了E；

反饋檢測(cè)技術(shù)是對(duì)未知圖像或視頻流人臉的識(shí)別和定位，P在確定圖像或視頻流人臉時(shí)是準(zhǔn)確的（實(shí)際上有一個(gè)更準(zhǔn)確的評(píng)估標(biāo)準(zhǔn)用于此評(píng)估）。該程序通過(guò)體驗(yàn)一組人臉圖像而非人臉圖像來(lái)改進(jìn)P。

計(jì)算機(jī)學(xué)習(xí)本質(zhì)上是一組基于高等數(shù)學(xué)、概率論、數(shù)理統(tǒng)計(jì)和線性代數(shù)的復(fù)雜的人工命題。通過(guò)對(duì)一組樣本的分析和評(píng)估，不斷審查閾值，最終完成對(duì)未知樣本的相對(duì)準(zhǔn)確的評(píng)估。

（2）圖像處理

主要用于圖像處理時(shí)的物體去除和面部輪廓定位；提取特征時(shí)，應(yīng)使用預(yù)視覺(jué)圖像分離計(jì)算機(jī)學(xué)習(xí)所需樣本的數(shù)學(xué)特征，并最終以直角繪制面部特征；利用輪廓點(diǎn)所示樣本的線性變換得到面部輪廓的位置，作為特征輪廓矩陣；

處理流程：（1）像抓取人臉樣本圖譜一樣抓取它；（2）學(xué)習(xí)像AdaBoost一樣的抓地力。找到他臉的大致位置。

本實(shí)驗(yàn)根據(jù)人臉特征，根據(jù)圖像輪廓構(gòu)建方法，在此基礎(chǔ)上，通過(guò)并行計(jì)算，向量函數(shù)由多個(gè)候選人臉的形態(tài)、顏色和紋理特性組成，快速提取目標(biāo)，最后，將開發(fā)一種連續(xù)平均量化的人臉檢測(cè)算法和埋入程序。本實(shí)驗(yàn)旨在利用數(shù)學(xué)理論和軟件解決圖像領(lǐng)域的突出問(wèn)題，包括多個(gè)知識(shí)點(diǎn)和多個(gè)跨學(xué)科知識(shí)，具有綜合性、適用性、可擴(kuò)展性和可擴(kuò)展性，交叉性和探索性，鼓勵(lì)創(chuàng)新人才的培養(yǎng)。

本設(shè)計(jì)主要研究了基于連續(xù)平均量化的人臉識(shí)別技術(shù)，通過(guò)SMQT去除人臉特征，得到目標(biāo)結(jié)構(gòu)，并通過(guò)SNOW分類對(duì)人臉和人臉進(jìn)行分類，準(zhǔn)確定義人臉的具體位置。對(duì)于遮擋和多方面人臉，仍然精確耐用。

1 連續(xù)平均量化人臉檢測(cè)原理

連續(xù)平均量化算法SMQT是Ni1sson，2005年提出的局部特征分配方法，可以以較低的運(yùn)行成本獲得結(jié)構(gòu)特征[5]。基于win更新策略[6]具有良好的學(xué)習(xí)和預(yù)測(cè)率。該計(jì)劃主要用于控制SMQT算法對(duì)光照、旋轉(zhuǎn)、遮擋、，在復(fù)雜背景等因素的影響下，主要的識(shí)別過(guò)程是通過(guò)連續(xù)平均量化去除候選區(qū)域中的人臉特征，然后通過(guò)SNOW分類訓(xùn)練出的特征對(duì)人臉和人臉進(jìn)行分類，而不是準(zhǔn)確地識(shí)別人臉位置。

SMQT的目標(biāo)是隔離對(duì)光和傳感器可變性不敏感的功能。該方法可以自動(dòng)降級(jí)圖像結(jié)構(gòu)并獲取結(jié)構(gòu)屬性。該屬性用于隔離對(duì)光不敏感的光敏感屬性，為了減少繪制線條時(shí)對(duì)照明因素的影響。

SNOW分類器是瘦網(wǎng)絡(luò)線性單元的訓(xùn)練結(jié)構(gòu)。SNOW最初在Roth的面部位置提供。其主要目的是使用預(yù)定義的樣本特征訓(xùn)練線性和可持續(xù)的網(wǎng)絡(luò)，并訓(xùn)練面部和面部網(wǎng)絡(luò)，在SNOW分類訓(xùn)練過(guò)程中，訓(xùn)練樣本也分為兩類：正樣本和負(fù)樣本，即人臉和人臉樣本。

在表面檢測(cè)期間，分類可能會(huì)出現(xiàn)重復(fù)檢測(cè)等現(xiàn)象。該算法使用幾何位置和分級(jí)方法來(lái)降低重復(fù)率。每個(gè)分類與其他分類分開識(shí)別。如果給定區(qū)域的重復(fù)率高于指定閾值，一定數(shù)量的分類能夠檢測(cè)到該區(qū)域，而使用不同的分類來(lái)識(shí)別該區(qū)域。保留分類結(jié)果較高的分類，刪除其他分類，并且無(wú)法獲得重復(fù)的結(jié)果。

2 樣本處理和實(shí)驗(yàn)結(jié)果

（1）對(duì)于包含單個(gè)人臉圖的不同表情，不同程度光照及不同偏轉(zhuǎn)角度時(shí)檢測(cè)結(jié)果分別如圖1，圖2所示。

圖1 FERET人臉庫(kù)中人臉不同表情檢測(cè)結(jié)果

如上所示，該算法實(shí)現(xiàn)了目標(biāo)人臉識(shí)別，圖1顯示了識(shí)別不同表情、不同角度的結(jié)果，基本達(dá)到100%。如圖2所示，對(duì)于不同的光照，人臉正面和正面的檢測(cè)效果、精度和強(qiáng)度都很好，因此，SMQT+SNOW算法不受光照不均勻、人臉角度低和旋轉(zhuǎn)的影響。

（2）對(duì)于包含多張人臉的檢測(cè)結(jié)果如圖3、圖4所示。

圖3 包含五張人臉的圖片和檢測(cè)后的圖片

圖4 多張不同角度人臉圖片及其檢測(cè)結(jié)果

基于上述指標(biāo)，可以看到，一張臉、兩張臉以及不同靈巧度和光照水平的多個(gè)表情的檢測(cè)結(jié)果原則上都在90%以上，檢測(cè)效率也很高。然后分析了三個(gè)因素的影響：遮擋，采用SMQT+SNOW人臉檢測(cè)方法，光照強(qiáng)，背景復(fù)雜。

（3）有眼鏡，帽子，圍脖等遮擋物時(shí)的人臉檢測(cè)結(jié)果如圖5所示。

圖5 有各種遮擋物的人臉檢測(cè)結(jié)果

由圖5，圖6可以觀察，由于人臉有圍巾，帽子，眼鏡等障礙物的阻擋，導(dǎo)致人臉面部特征提取不全面，因此識(shí)別率有所下降。圖6和圖7降低了基于SMQT+SNOW的人臉識(shí)別算法檢測(cè)結(jié)果的準(zhǔn)確性，原因是密度過(guò)大、光線過(guò)強(qiáng)、人臉大小過(guò)大以及相互閉合，導(dǎo)致錯(cuò)誤檢測(cè)和漏檢；表示如果在強(qiáng)光照下人臉固定區(qū)域過(guò)大，則SMQT+SNOW算法的檢測(cè)率不高。以下指標(biāo)顯示了復(fù)雜背景下的人臉識(shí)別結(jié)果。

圖6 單人臉較強(qiáng)光照的檢測(cè)結(jié)果

圖7 有較強(qiáng)光照時(shí)的人臉檢測(cè)結(jié)果

①通過(guò)仿真實(shí)驗(yàn)圖顯示，SMQT+SNOW檢測(cè)算法對(duì)單個(gè)人臉和多個(gè)人臉圖像都具有較高的檢測(cè)率；②根據(jù)上述所有圖像的識(shí)別結(jié)果，可以得出結(jié)論，一般來(lái)說(shuō)，通過(guò)矩形框識(shí)別的面部具有一個(gè)共同特征，即面部基本上為正，面部角度不太大，因此旋轉(zhuǎn)角度太大）過(guò)多的表達(dá)會(huì)影響SMQT+SNOW的檢測(cè)；③如果有帽子、圍巾、頭發(fā)等障礙物，會(huì)有一些虛假檢測(cè)和未應(yīng)答檢測(cè)；④在普通光照條件下，SMQT+SNOW算法人臉識(shí)別效果好，檢測(cè)率高，如果光線強(qiáng)，檢測(cè)效果會(huì)降低，會(huì)消失，假檢測(cè)也會(huì)消失，當(dāng)然這也與人臉的數(shù)量和密度有關(guān)?？傊?，SMQT+SNOW算法對(duì)某些遮擋、強(qiáng)光照、困難背景、任意位置等因素具有較高的檢測(cè)率。

3 結(jié)語(yǔ)

本設(shè)計(jì)主要研究基于連續(xù)平均量化的人臉識(shí)別技術(shù)，重點(diǎn)研究不同位置、不同表情、不平等購(gòu)物對(duì)人臉識(shí)別的不利影響。是否有人臉圖像。如果有肉，需要定位人臉并用矩形框進(jìn)行識(shí)別。本設(shè)計(jì)使用連續(xù)平均變換去除人臉特征，然后使用雪分類對(duì)人臉和人臉進(jìn)行分類，為了準(zhǔn)確確定人臉的位置，為了提高檢測(cè)算法的準(zhǔn)確性和可靠性，改進(jìn)訓(xùn)練方法，有效提高檢測(cè)效率，降低誤檢率，這意味著：它提高了算法的速度，顯著提高了算法的可靠性和準(zhǔn)確性。