一種人臉三維特征信息融合方法

陳思依+郭萬里

摘 要：針對現行人臉識別算法的識別安全問題，文中提出了一種人臉三維特征信息的融合方法，用于身份認證。該方法采用經典的Gabor小波變換產生人臉正面與兩側面紋理特征矩陣，然后對正面與兩側的紋理特征分別建立共有特征矩陣，該方法產生的特征矩陣建立在人臉正面及雙側面視角可融合的基礎上，可一定程度規避單一視角的可仿冒性、環境弱魯棒性等問題，從而可用改進的最近鄰分類器對特征矩陣進行識別。測試結果表明，該方法可實現較高的識別安全性，可用于安全級別較高的場合。

關鍵詞：人臉識別；Gabor小波變換；紋理特征；最近鄰；信息融合

中圖分類號：TP391 文獻標識碼：A 文章編號：2095-1302（2017）06-00-04

0 引 言

在高度信息化的當今和未來社會，信息安全問題與每個人的切身利益相關，甚至涉及國家安全。傳統的身份認證方法已不能滿足當今社會發展的需求。以生物特征為基礎的身份識別技術如人臉、指紋、聲音、虹膜、筆跡和步態等，由于其固有的可靠性、便捷性和高效性，已成為一種發展趨勢[1-3]。其中，人臉識別技術，尤因其無侵害性和采用用戶最自然、直觀的特性，在生物特征識別中應用廣泛[4]。

傳統的二維人臉識別技術采用提取人臉正面特征的方法通過分類器進行識別[5]。但二維人臉圖像容易受到光照、遮擋等因素的影響[6]，或假照片的仿冒使得身份認證系統的識別安全性下降。而目前已有的三維人臉識別技術中的第三維往往局限于單張圖像的灰度值[7，8]，雖然準確性不高，但拿照片仿冒的可能性仍然存在。

基于上述情況，可以將人臉識別與三維特征融合等技術相結合，設計安全的身份認證技術。此技術由人臉圖像采集及預處理模塊，人臉特征提取模塊，人臉庫和人臉立體匹配等模塊組成，核心是人臉立體視覺擬合模塊中的特征信息融合方法。三維人臉識別身份認證系統流程圖如圖1所示。

1 人臉主區域提取與優化

人臉識別過程主要包含兩個基本步驟[9]：

（1）人臉檢測和定位，即從輸入圖像中精準定位人臉并反饋人臉所在位置，將人臉從背景中分離出來；

（2）對優化的人臉圖像進行特征提取與識別認證。

本方法首先采用Viola-Jones算法對拍攝圖片進行實時人臉檢測，根據人臉檢測獲取的人臉圖像部分坐標，提取圖像人臉主要信息，在空域對提取圖像進行去噪、補光、圖像增強等操作，突出處理部分圖像信息，為以后的特征提取建立良好的信息源[10]。

系統采用拉普拉斯濾波器對圖像進行增強[11]，圖像I（x，y）的拉普拉斯算子定義為：

通過將圖像與下列空間模板卷積，該表達式可在圖像中所有點實現：

若用對角線元素替換空間二階導數，可使用以下模板：

使用拉普拉斯算子對圖片進行增強的公式為：

其中，I（x，y）為輸入圖像，g（x，y）為增強后的圖像。C為常數系數，若模板的中心系數為正，則C取1；否則，C取-1。

圖2所示為圖像優化前后對比圖。

2 人臉特征提取與匹配

2.1 Gabor小波變換提取特征

Gabor小波變換是窗函數為高斯函數的短時距傅立葉變換，它在提取目標的局部空間和頻率域信息方面具有良好的特性如分辨力強、多尺度和多方向性[12]。其2D核函數定義如下：

其中，（x，y）為像素坐標點，u指Gabor小波的方向，k代表總方向的個數， v代表Gabor小波的尺度因子，exp（-[k2（x2+y2）]/（2σ2））為高斯函數，可以看成Gabor小波，用高斯窗口來限制振蕩函數的范圍，控制其局部有效，k/σ表示高斯窗口大小，在本方法中取σ=2π。

值得一提的是，為了減少光照等環境因素對人臉特征提取造成影響，式（8）中的exp（-σ2/2）可以使濾波器不受直流分量大小影響，從而增強環境魯棒性。接上式（8），對人臉圖像I（x，y）和Gabor小波核函數Ψu，v（x，y）進行卷積：

本方法首先需要在采集圖像中選取5個尺度和8個方向，即提取每張采集圖像的40個復系數的Gabor小波紋理特征，再對它們取模值、向量化，最后將其順序排成矩陣形式。按照Gabor小波變換方法對試驗測試中的一幅圖像進行紋理特征提取，結果如圖3所示。

用上述方法對人臉正面的n個樣本進行特征提取，將各特征向量聯合建立正面特征矩陣FF，作為正面識別的特征樣本庫。再以同樣的方式建立人臉雙側面特征樣本矩陣FSL，FSR，保存該樣本矩陣。

2.2 建立正面與雙側面相似度矩陣

對每一個需要錄入的人員采集 n個樣本信息，每個角度可得到n個特征向量，對這n個特征向量兩兩之間求歐氏距離Fi（i=1，2，3，…，n×（n-1）/2）。二維空間歐氏距離計算如下：

式中A、B分別表示歐氏距離的兩個特征向量。

本方法采用Fi表示任意兩個樣本之間的相似度，將Fi按序存入相似度矩陣FA即可得到M×1的相似度矩陣，其中M=n×（n-1）/2。

由此可以獲得三個角度的三個相似度矩陣，用于之后認證功能中的樣本匹配。

2.3 改進最近鄰分類器進行特征匹配

人臉識別是高維小樣本問題的一種。為了解決對高維小樣本數據的特征提取問題，主成分分析PCA、fisherface、獨立成分分析ICA等經典算法[13]被相繼發明。為了提高方法的可行性、降低復雜度，也可以先將高維人臉圖像向量轉換到低維特征子空間中，再進行特征的提取并用分類器進行分類與識別認證。本方法運用降維后的小樣本數據，所以選取傳統的分類器方法對小樣本數據進行識別，如貝葉斯分類器[14]、最近鄰分類器與最小距離分類器等，其中，最近鄰分類器在人臉識別中的應用尤為廣泛。

最近鄰分類器選取所有類中的所有樣本做代表點，將樣本X判別為最相近的樣本類，其性能與子空間中各類模式的分布特征密切相關。因此，最近鄰分類器可在很大程度上克服樣本均值向量因偏差造成影響等各類問題[15]。設ωi類有判別函數：

經典的最近鄰分類器總能成功匹配到與測試樣本最相近的樣本，所以對不在庫中的測試值的識別能力很弱，因此本方法采用歐氏距離作為判別距離，設定距離最大值，對不在庫中的樣本給出較準確的判別。

首先獲取樣本相似度矩陣，如人臉正面的相似度矩陣FA，建立測試值與樣本數據庫的歐氏距離矩陣，矩陣維度取決于樣本庫，若樣本庫中某一類具有n個樣本，那么歐氏距離矩陣具有n個距離值，建立n×1距離矩陣。對比距離矩陣中最大值maxD與相似度矩陣中距離最大值maxA，同時設定判決器閾值N為測試成功時maxD與maxA之差，即有定義如下：

至此，三個判決條件分別為正面特征是否匹配，左側面特征是否匹配以及右側面特征是否匹配。正面及雙側面的檢測流程如圖4、圖5所示。

3 三維特征信息融合認證算法

利用人臉正面和雙側臉特征矩陣，經過計算合成融合特征矩陣，作為更為安全的認證密鑰，對測試目標進行識別。

建立融合特征矩陣的前提是，待測試目標必須提供立體視角的可觀測臉部，并且正面與側面的圖像必須在同一條件下采集[16]。

正面特征矩陣和雙側面特征矩陣皆為同一條件下獲取的N×M特征矩陣，故三個不同視角的圖像中存在三角形經相似變換可以兩兩重疊。特征矩陣兩兩作差得：

式中，FF為正面特征矩陣，FSL，FSR為雙側面特征矩陣，FDL，FDR分別為左右側面矩陣差。

由于立體視角下拍攝的正面和側面圖像必然在某處重合，理想條件下，矩陣FDL，FDR中必有值為0的元素，所以遍歷兩個矩陣：

式中，FDL為左側面矩陣差，aij為FDL中的元素，λ為人臉庫中數據經過統計分析得到的由于角度導致的人臉正側面偏差均值，ε為算法的絕對誤差，FFL為左側面融合特征矩陣，FF為正面特征矩陣，FSL為左側面特征矩陣。

同理，建立右側面融合特征矩陣FFusionR。經上述方法得到唯一的融合特征矩陣，可作為識別的重要依據輸入改進的最近鄰分類器。由于認證裝置的三個攝像頭角度固定且快門時間并發，在相同情況下同時偽造三個視角的圖片概率很小，所以此融合特征具有獨一性與不可偽造性。

至此，設立的判決條件有正面特征，左側面特征，右側面特征，左側面融合特征及右側面融合特征，認證流程如圖6所示。開始認證后將經過這五層精密篩選，缺一不可。

4 方法驗證

為驗證上述方法的可行性，對20名人員進行臉部圖像采集與人臉識別檢驗。其中20個人的編號為1～20，為了方便日后認證，記錄20個人的姓名縮寫（無重名）。

20個人的錄入現場照片和系統處理后的正面人臉圖像如圖7所示。

每個人在三個攝像頭前變換不同表情，錄入5組共15張照片，庫中共存信息圖片300幅。錄入結束后，將20人隨機排列進行認證，測試錯誤拒絕率為FRR；再請10位非法用戶，即庫中不存在樣本的人來進行認證，測試錯誤接受率為FAR。測試結果為：

經過多次抽取20人的現場認證，本方法能較好地識別授權人的立體視覺信息并成功判斷，實際準確率達92.5%。

5 結 語

本文提出的一種人臉三維特征信息融合方法，作為重要判別條件從三個視角對人臉進行識別認證。同時改進最近鄰分類器，引入對樣本內歐氏距離的計算，可有效提高對假冒者的排除率。相比于傳統單一視角和雙目視覺人臉識別系統，在算法上提高了識別速度；在硬件設備上降低了采集系統的復雜度，無需人們刻意配合，易于應用在各種場合如機場、門禁、奧運安檢等場合，具有廣闊的應用前景。

參考文獻

[1]鄭方，艾斯卡爾·肉孜，王仁宇，等.生物特征識別技術綜述[J].信息安全研究，2016，2（1）： 12-16.

[2] Haghighat M， Zonouz S， Abdel-Mottaleb M. CloudID： Trustworthy cloud-based and cross-enterprise biometric identification[J].Expert Systems with Applications，2015， 42（21）：7905-7916.

[3] Perronnin F， Dugelay J L. an Introduction to biometrics and face recognition[C].IMAGE： ELearning Understanding Information Retrieval and Medical The First International Workshop， 2014.

[4]曹凱.基于特征描述子的人臉識別方法研究[D].西安：西安電子科技大學，2014.

[5] Yan-Ning Zhang， Zhe Guo， Yong Xia. 2D representation of facial surfaces for multi-pose 3D face recognition[J].Pattern Recognition Letters， 2011，33 （5）： 530-536.

[6]汪濟民， 陸建峰.基于卷積神經網絡的人臉性別識別[J]. 現代電子技術， 2015，38 （7）：81-84.

[7] Ioannis A， Kakadiaris IA. A third dimension in face recognition[J].SPIE Newsroom，2012（1）： 1-2.

[8]鄒國鋒，傅桂霞，李海濤，等.多姿態人臉識別綜述[J].模式識別與人工智能，2015，28（7）：613-625.

[9]楊萬振.人臉識別技術概述[J].計算機光盤軟件與應用， 2012（5）：49.

[10]賈海鵬，張云泉，袁良，等.基于OpenCL的Viola-Jones人臉檢測算法性能優化研究[J].計算機學報，2016，39（9）： 1775-1789.

[11]王奕權.圖像去霧與圖像增強算法研究[D].南京： 南京郵電大學， 2015.

[12]王憲， 陸友桃，宋書林，等.基于Gabor小波變換與分塊PCA的人臉識別[J].計算機工程與應用， 2012， 48（3）：176-178.

[13]劉叢山，李祥寶，楊煜普.一種基于近鄰元分析的文本分類算法[J].計算機工程， 2012， 38（15）：139-141.

[14]邸鵬，段利國.一種新型樸素貝葉斯文本分類算法[J].數據采集與處理， 2014， 29（1）：71-75.

[15]劉洋.基于CT影像的肺裂計算機輔助檢測方法研究[D]. 沈陽：沈陽大學， 2012.

[16] Abhishek Sharma， Murad Al Haj， Jonghyun Choi.？Robust pose invariant face recognition using coupled latent space discriminant analysis[J].Computer Vision and Image Understanding， 2012，116 （11）： 1095-1110.