基于局部特征和全局特征相融合的人臉識別技術

寧德職業技術學院 葉允英 高衛斌

隨著社會的不斷進步，在很多場景下都經常會使用到人臉識別技術，被廣泛地應用在了各行各業中。想要提升人臉認識技術的應用效果，就要對特征提取效率和人臉識別的正確率分析，通過創新出能夠融合局部特征與全局特征的算法，來優化人臉識別技術。通過仿真實驗的方式來進行探索，幫助提升人臉識別技術的實際應用水平。

人臉識別技術已成為較為常見的一種識別技術，能夠識別人類的生物特征，在多種場景下都可以表現出技術實力，支持身份識別、視頻查找、管理等，具有較為廣闊的應用空間。在實際的識別過程中，人臉識別的重點就是在有效特征的采集方面，從以往錄入的信息中，迅速的檢索到使用者的信息，對有效信息的確認就顯得尤為重要，想要提升人臉識別技術的水平，就能通過這些內容特征的識別效果提升?，F階段主要使用的識別類型為線性和非線性兩種技術，通過對這一技術的分析，可以得出目前的人臉識別技術的注意要提取方式一般有兩種選擇，第一種是基于在所選擇的樣本的全局特征，對不同樣本之間存在的區別進行分析；第二種是源于對所選的目標對象的局部特征展開研究，對于幾何特征進行提取，確保降維操作能夠保持樣本的統一性。想要提升樣本的特征提取的準確率，就要對人臉識別技術不斷優化，研發全新的特征提取技術，通過提高識別算法的適用范圍和使用效果，來提高人臉識別技術的整體水平。

1 人臉識別分類

1.1 按應用方式分類

人臉識別技術也被稱作人臉驗證，包括了不同的類別。其中，1∶1是通過對人類臉部特征的信息提取，從而進行信息識別的一種技術，屬于二分類技術，在現代社會具有廣泛的應用場景，在人們的日常生活中，屬于一種使用較為普遍的技術，包括人們購買車票、購物、繳費等都能夠使用到這一身份識別功能。而另外的一種1∶N的類型與1∶1存在著一些差異，這種方式在工作時需要準備多個樣本，同時展開分析，這樣也會使信息識別的工作量變得更多，當信息數據越多時，人臉識別的速度也就會更慢，當數據量過大時，例如超過20萬的總數，就會識別出多個結果，因為在這么龐大的數據信息中，會有很多信息雷同的對象，計算機不能夠精準的判斷具體的目標，需要由人工進行操作，幫助確認人臉識別的具體信息，這種類別一般會被應用在人口追蹤等場景下，幫助減輕人工操作的負擔，還可以讓人臉識別的速度加快。而第三種人臉識別的類型M∶N其實是在1∶N的基礎上，在多個人臉進行分析后，通過1∶N的算法進行處理后，再進行識別。

1.2 按素材使用分類

對于人臉識別技術展開探討，可以發現人臉識別可以根據素材的差異進行分類，其中包括了2D與3D兩種形式，2D的識別方式主要是對人臉的信息采集后經過檢測和處理，對信息展開分析。而3D技術與2D技術有些不同，人臉識別的素材來源是通過云數據的形式，而且還包括多視角圖等。點云數據時通過三維的信息數據構建而成，對于點云產生了重要作用，也會讓信息數據被重新界定。這種方式的數據信息收集方法，能夠提取較為完全的幾何信息。

2 人臉識別流程

2.1 2D人臉識別

人臉識別技術包括2D與3D兩種技術，實際對比流程可以參考如圖1所示，其中2D人臉識別的步驟主要包括了信息數據的提取、圖像的采集、人臉特征的提取和數據的比對。這種圖像信息的收集和提取主要是依靠攝像頭取得，經過信息圖像的分析后，就可以成為人臉識別的素材。對于圖像信息進行分析的主要目標，也是為了提升所采集的圖像信息的準確度，對人臉的信息進行更加精確的比對和探究[1]。一般情況下，對于人的面部信息的處理可以對敏感程度、尺寸大小、方位等進行調整，讓圖像信息能夠更加全面的展現出人臉的面部特征?，F階段使用最為廣泛的技術方法就是對灰度進行校對、調整濾波以及大小等。對于現階段的人臉識別技術來說，主要包括了三種識別的方式，第一種是建立在膚色模型的基礎上的識別方式；第二種是建立在邊緣特征上的檢測形式；第三種是根據理論方法衍生出來識別方式。其中在膚色特征上的檢測方法，重點是要利用高斯模型的技術，能夠對不同色彩進行分析，從而形成一個膚色模型，還能夠利用非參數對人臉的色彩進行分析判斷，從而實現人臉識別。第二種邊緣特征的識別方式，是通過對生物體輪廓的構造和五官的邊緣進行識別，以達到對人臉定位的目的，采用這種邊緣檢測法所獲得的數據量較少，一般會使用在實時檢測的情境下。第三種建立在統計理論的基礎上的識別方式，通過對Haar的面部特點分析，經過計算機軟件的處理，從而得到一個較強的分類管理方式，目前對面部特征識別的主要方式還可以分為視覺和圖像[2]。

圖1 2D與3D流程對比Fig.1 Comparison of 2D and 3D processes

2.2 3D人臉識別流程

相比于2D人臉識別，3D人臉識別是通過對圖像素材的收集，涉及到對人臉的圖像信息配對，構建3D模型以及信息的必會等。目前主要使用的圖像信息提取方式有以下幾種形式。第一種：由普通的攝像頭就可以實現的對圖像素材的采集；第二種：必須由專業的攝影裝備才能實現對圖像具體特征的提取。包括對圖像和深度的人臉特征的采集。當圖像素材提取后，需要通過比對分析，對圖像進行對準，確保所得出的數據能夠正常應用，還可以實時上傳與對應。比對的過程包括了時間上與空間上的多個方面，必須都保持同步狀態，才可以獲得精確程度更高的實際應用效果。

3 人臉識別的步驟

首先，要對需要進行人臉識別的樣本劃分，選擇好目標，其余的作為測試素材。然后選擇有效的運算方法，來學習樣品素材，從而取得信息數據。最后對信息素材處理研究，所得出的數據為降維后的數據，對這些數據整理，采用交叉算法可以對數據分析。而且，還能將驗證的樣本錄入到系統中，對數據信息進行確認，從而建立一個人臉識別機制，并將所獲得的信息樣本輸入到這樣的系統中，就可以實現對人臉的識別。

4 仿真實驗

4.1 仿真環境

想要保障仿真實驗中計算機處理的準確性，就要確保仿真環境符合標準，選擇合適的處理軟件，例如可以選擇使用Windows7系統展開實驗，利用有效的算法從數據系統中進行檢索。通過對全局特征進行分析處理，對局部特征的數據進行提取，從而得出人臉識別的效果比對結果。

4.2 人臉庫上的性能分析

人臉數據庫涵蓋了多個人臉特征姿態的識別，包括不同光線環境的巨量圖片素材，在不同的明暗程度下，Yale B人臉庫可以再次進行分類，從而實現人臉的特征分析，如圖2所示。

圖2 訓練集Fig.2 Training set

4.3 參數對識別率的影響

本次仿真實驗通過對人臉素材的樣本選擇，對所篩選的樣本的前4張圖片進行比對，對于剩余的6張圖像素材作為檢測的案例，如圖3所示。當降維參數符合標準時，人臉識別的成功率會受到具體參數的影響。從而得出了仿真實驗的結論，當參數處于任何數值時，對于人臉識別的影響都在可接受的有效范圍內。通俗的講，這種仿真實驗的方式，人臉識別的結果都可以得到預想水平[3]。

圖3 識別率與參數的關系Fig.3 Relationship between recognition rate and parameters

4.4 降維數對識別率的影響

對于人臉識別進行仿真實驗，當選定好實驗樣本后，降維數與識別率也存在著一定的關聯性，當降維數不斷提高后，對識別率的影響就是，讓識別率的效果不斷提升。在降維數數值處于40時，會讓識別率處于最高的反應區域，如圖4所示。

圖4 識別率與降維數的關系Fig.4 Relationship between recognition rate and dimension reduction

4.5 人臉識別正確率

根據不同光線條件下收集的人臉子集，差異性的識別算法，可以從人臉的局部特征進行分析，從而得出局部特征識別法。而全局特征的識別方式，是對全臉的識別，從仿真實驗中可以看出，基于全局特征的人臉識別準確率要高于局部特征的識別方式。綜合局部特征與全局特征的識別算法，能夠達到94%，相比于局部特征識別的概率，整體識別精準度有大幅度的提升。經過對兩種方式的對比，從而得出研究結果，仿真實驗的算法是一種更加高效的人臉識別方式。通過結合局部特征與全局特征的識別方式，可以有效地提高人臉識別的實際應用效果，能夠明顯地減少人臉識別的平均時間，能夠更好地實現人臉識別的工作需要，讓人臉識別具有實時性，可以達到快速識別，而且可以根據不同的工作需要，來選擇適合的識別方法。對于識別的準確率問題展開研究，可以由ROC曲線的表現來驗證不同方式的人臉識別能力。在數據庫中查找的速度快慢和準確率都能得到驗證。對于過去的識別方式，全新的人臉識別算法，可以在多種環境下，讓人臉識別的準確率提升，并且經過研究可以得出以下結論：（1）在選定好的光線明暗程度下，結合局部特征與全局特征的人臉識別方式，也會受到光線明暗程度等多種因素的干擾，但是也可以達到工作需要。（2）通過本次仿真實驗的探究，發現數值的對比后，在子集設置為3時，ROC的曲線率會有更好的表現，而當數值設置為4時，各種算法之間存在的差異并不大。所得出的結論是通過仿真實驗的驗證，從而獲得結論以這樣的識別方式整體表現更好，如表1所示。

表1 不同方法的運行時間比較Tab.1 Comparison of running time of different methods

4.6 人臉庫的性能分析

對于PIE人臉庫進行分析，主要包括了多種人臉素材，將這些彩色圖像進行操作，然后對像素進行轉化，可以發現在不同明亮度的光線條件下，人臉識別的準確率都在96%左右，比過去使用的人臉識別方法的準確率要高很多。本次仿真實驗的識別方式能夠明顯提高人臉識別的應用效果，所以得出的結論是本次實驗成為另一種更加先進的人臉識別方式。

5 結語

伴隨著當前社會的快速發展，這種生物特征的提取技術已經成為了廣泛應用在社會中的一種全新的手段。雖然現階段主要使用的人臉識別技術已經具備了一定的水平，但是受到一定的影響因素干擾后，也會產生識別不準確的問題。例如在光照條件發生變化時，就會讓人臉識別出現誤差，因而想要提升人臉的技術水平就要提出具有更加先進的技術特點的算法。對于生物特征來說，局部特征與全局特征都會對人臉識別帶來一定的影響，所以本文針對生物特征等特點，對于全局特征與局部特征等問題進行分析，通過建立仿真實驗，來探索更加高效的人臉識別算法，從而幫助我國的人臉識別技術獲得進一步的提升。

引用

[1]張凱兵,鄭冬冬,景軍鋒.低分辨人臉識別綜述[J].計算機工程與應用,2019,55(22):14-24.

[2]魯磊.基于卷積神經網絡的人臉識別方法研究[D].西安:西安科技大學,2019.

[3]盧子謙,陸哲明,沈馮立,等.人臉反欺詐活體檢測綜述[J].信息安全學報,2020,5(2):18-27.