云環(huán)境中考慮隱私保護(hù)的人臉圖像識別*

侯小毛， 徐仁伯

(1. 湖南信息學(xué)院 電子信息學(xué)院， 長沙 410151； 2. 中南大學(xué) a. 軟件學(xué)院， b. 物理與電子學(xué)院， 長沙 410012)

隨著科學(xué)技術(shù)的發(fā)展，研究人員對隱私信息及隱私保護(hù)的概念不斷進(jìn)行演變及完善[1-2].近年來，隨著云計算公司不斷出現(xiàn)用戶信息及文件隱私泄露事件，隱私安全問題得到了空前的重視[3].而人臉圖像識別是近年來生物識別技術(shù)研究的熱點，是一個具備廣泛應(yīng)用價值及挑戰(zhàn)性的課題[4].如何在云環(huán)境中考慮隱私保護(hù)情況下對人臉圖像進(jìn)行識別，成為了該領(lǐng)域亟待解決的問題，受到廣大學(xué)者的關(guān)注，也出現(xiàn)了很多好的方法[5].

文獻(xiàn)[6]提出基于Gabor低秩恢復(fù)稀疏表示分類的人臉圖像識別方法，該方法針對含有光照、姿態(tài)及遮擋等誤差或者被噪聲污染的人臉圖像，用稀疏表示和Gabor特征字典，對測試樣本圖像的Gabor特征向量進(jìn)行類關(guān)聯(lián)重構(gòu)，實現(xiàn)圖像分類識別，該方法具有較高的識別效率，但其抗干擾性能較差；文獻(xiàn)[7]提出基于主成分分析的人臉圖像識別方法，首先分解人臉圖像，并把分解后的各系數(shù)矩陣轉(zhuǎn)變成能量特性，采用主成分分析識別算法進(jìn)行人臉圖像識別，但是該方法識別效率不高；文獻(xiàn)[8]提出基于特征融合的人臉圖像識別方法，該方法采用局部二值形式獲取特征向量，通過PCA方法進(jìn)行融合，實現(xiàn)人臉圖像識別，但是該方法識別時間較長，不適合大范圍使用.

針對上述問題，本文提出了一種云環(huán)境下人臉圖像識別方法.首先建立人臉圖像PCA數(shù)學(xué)模型，采用LBP方法提取選擇人臉圖像紋理特征，其次運用分?jǐn)?shù)法度量所選擇的特征穩(wěn)定性，最后基于深度網(wǎng)絡(luò)法進(jìn)行人臉圖像的識別.實驗結(jié)果表明，本文提出的識別方法具有較高的識別精確度和效率.

1 隱私保護(hù)下人臉圖像PCA數(shù)學(xué)模型建立及特征提取

1.1 隱私保護(hù)下人臉圖像PCA數(shù)學(xué)模型的建立

在實際的人臉圖像識別過程中，考慮隱私保護(hù)的約束，需要解決的問題全是由多個有關(guān)變量構(gòu)成的，為了降低對人臉圖像進(jìn)行處理時的復(fù)雜度，需要進(jìn)行簡化處理，建立人臉圖像PCA數(shù)學(xué)模型.假設(shè)有p個變量(x1，x2，…，xp)和n個樣本，樣本矩陣為

(1)

式中，xnp為矩陣X中第n個樣本中的第p個變量.

PCA就是將原先的p個樣本變量變成新的p個變量，即

(2)

式(2)可簡化為

Fz=αz1x1+αz2x2+…+αzpxp

(z=1，2，…，p)

(3)

式中：F1，F(xiàn)2，…，F(xiàn)p為主分量；α為主成分系數(shù).

建立的人臉圖像PCA數(shù)學(xué)模型需要滿足以下條件：

1) 各變量之間互不相關(guān)；

上述人臉圖像PCA數(shù)學(xué)模型表達(dá)式為

F(x，y)=XY

(4)

1.2 隱私保護(hù)下人臉圖像特征的提取

在提取人臉圖像特征時，為了保護(hù)隱私，主要以人臉圖像紋理特征為主，采用LBP方法進(jìn)行人臉圖像紋理特征的獲取，增加隱私保護(hù)性能.首先確定識別區(qū)域的梯度，而人臉圖像梯度包括兩個方向，分別為x方向和y方向，對于點A(i，j)上的梯度，其計算表達(dá)式為

xi，j=β1(Ai，j+1-Ai，j-1)+β2

(5)

yi，j=β1(Ai+1，j-Ai-1，j)+β2

(6)

式中：Ai，j為對應(yīng)在人臉圖像坐標(biāo)(i，j)處的灰度值；xi，j和yi，j為對應(yīng)于點A(i，j)在x方向和y方向上的梯度；β1為半面約束參數(shù)(總范圍為0～1)，0<β1≤0.5，超過一半?yún)^(qū)域失效，則自動放棄計算；β2為經(jīng)驗約束參數(shù)，120<β2<130，評價經(jīng)驗確定范圍，一般不超過200.

而區(qū)域梯度同樣包含x和y兩個方向，對應(yīng)點A(i，j)上區(qū)域梯度的計算公式為

xi，j，w

(7)

yi，j，w

(8)

(9)

式中：gc為對應(yīng)于局部鄰域中心點處的灰度值；gp′(p′=0，1，…，p-1)為以gc為中心，半徑為R(R=1)的灰度值，選取9個像素點，即gc鄰域范圍為8個點的灰度值.s(x*)需要滿足的約束條件為

(10)

2 人臉圖像特征選取穩(wěn)定性分析及識別方法

2.1 特征選擇及人臉圖像隱私保護(hù)特征選取

在特征選取的基礎(chǔ)上，采用保局投影LPP方法對特征進(jìn)行選擇，其基本思路為在維持樣本數(shù)據(jù)間局部鄰域結(jié)構(gòu)信息的同時減少樣本集的維數(shù)，需要選擇保持?jǐn)?shù)據(jù)集局部拓?fù)浣Y(jié)構(gòu)特征的選擇算法.

首先定義人臉圖像間的拓?fù)浣Y(jié)構(gòu)矩陣Q=[Qij]M×M，其約束條件為

(11)

式中：yi為人臉圖像中第i個主成分的系數(shù)；yj為人臉圖像中第j個主成分的系數(shù).

(12)

式中：JFisher(fr)為第r列特征的類間和類內(nèi)方差的比值；d(S∪{r})(i，j)為已選特征子集及欲加入的第r維特征在樣本i和j間的距離.選擇的人臉圖像特征表達(dá)式為

(13)

式中，x0和y0為兩個隨機變量.在特征選擇中，待選擇的fi與類標(biāo)c的互信息則為I(fi；c)，若選擇m維就要選擇最大的前m個.

2.2 特征選取穩(wěn)定性的度量

為了增加云計算中隱私保護(hù)的性能，需要對選擇結(jié)果的穩(wěn)定性進(jìn)行度量，而依據(jù)穩(wěn)定性的定義，度量特征選擇結(jié)果的穩(wěn)定性，就是衡量算法選出的最優(yōu)特征子集間的相似性.因此，當(dāng)特征選擇結(jié)果的表示方法不一樣時，穩(wěn)定性度量方法也不同，選取最常見的分?jǐn)?shù)法對選擇后的特征進(jìn)行穩(wěn)定性度量.假設(shè)原始特征空間有K維特征f1，f2，…，fK，那么通過分?jǐn)?shù)法獲取選擇的人臉圖像特征穩(wěn)定性度量表達(dá)式為

(14)

式中：e、e′為同一特征算法在圖像集Z、Z′上獲得的分?jǐn)?shù)法結(jié)果；μe、μe′為e、e′中分?jǐn)?shù)值的均值.L(e，e′)∈[-1，1]，則有關(guān)系數(shù)絕對值越大，e和e′越相關(guān)，那么選取的特征越穩(wěn)定，隱私保護(hù)效果越好.當(dāng)選擇的人臉圖像特征穩(wěn)定性與特征選擇的頻數(shù)相關(guān)時，隱私保護(hù)性能最佳，則人臉圖像隱私保護(hù)穩(wěn)定性度量公式可轉(zhuǎn)變?yōu)?/p>

(15)

式中：T為特征選擇算法；R′為被選中的特征；|Z′|為至少被選中過一次的全部特征集合；q為特征選擇進(jìn)行的次數(shù)；freq(R′)為全部被選中的特征總和.由此可以看出，假如特征在多次選擇過程中被頻繁地選擇，且這種特征越多，選擇的人臉圖像特征越穩(wěn)定，在云計算中隱私保護(hù)效果會越好.

2.3 改進(jìn)隱私保護(hù)下人臉圖像識別方法的實現(xiàn)

在確定所選擇特征穩(wěn)定性的基礎(chǔ)上，對云計算中考慮隱私保護(hù)的人臉圖像識別方法進(jìn)行改進(jìn)，提出了基于深度網(wǎng)絡(luò)的人臉圖像識別方法，其基本思路為：首先確定識別人臉圖像的幾何形狀，并確定特征最優(yōu)值；其次獲取人臉圖像特征均值；最后將均值與深度網(wǎng)絡(luò)相結(jié)合實現(xiàn)對云計算中考慮隱私保護(hù)的人臉圖像識別.

假設(shè)人臉幾何特征模型由34個頂點、51個三角形組成，分別設(shè)置為v和t，則獲得最佳隱私保護(hù)的人臉圖像集為

(16)

(17)

式中：a1為縮放操作；a2為旋轉(zhuǎn)操作；a3為平移操作；a4為剪切操作.由此可得其幾何形狀，即

(18)

(19)

式中：ci0為第i0樣本的均值；Mi0為第i0樣本數(shù)；Ti0為第i0樣本子集.在確定人臉圖像特征均值的基礎(chǔ)上，結(jié)合深度網(wǎng)絡(luò)法進(jìn)行人臉圖像識別，其表達(dá)式為

(20)

綜上所述，通過采用保局投影LPP方法對特征進(jìn)行選擇，并選用最常見的分?jǐn)?shù)法對選擇后的特征進(jìn)行穩(wěn)定性度量，引入深度網(wǎng)絡(luò)法，可實現(xiàn)在云計算中考慮隱私保護(hù)的人臉圖像識別方法的改進(jìn).

3 實驗結(jié)果分析

為了驗證改進(jìn)的人臉圖像識別方法在隱私保護(hù)約束下的有效性及可行性，需要進(jìn)行實驗對比分析.實驗數(shù)據(jù)集采用YALE B數(shù)據(jù)庫和CMU PIE數(shù)據(jù)庫，所用方法為改進(jìn)識別方法、基于特征融合的人臉圖像識別方法和基于主成分分析法.實驗將一幅測試圖像與庫中已注冊的每幅參考圖像作對比進(jìn)行分析.

3.1 實驗數(shù)據(jù)

采用YALE B數(shù)據(jù)庫和CMU PIE數(shù)據(jù)庫作為實驗數(shù)據(jù)集，在兩個數(shù)據(jù)集上比較各種方法的人臉識別率.將所有數(shù)據(jù)集按照光照的角度劃分為5個子集(1平光、2側(cè)光、3逆光、4頂光、5底光)，YALE B數(shù)據(jù)庫和CMU PIE數(shù)據(jù)庫的人臉部分圖像分別如圖1、2所示.圖1中，第一行前4個圖為平光，后三個圖為底光，第二行前三個圖為頂光，第四和第五個圖為側(cè)光，最后兩個圖為逆光.圖2中光照順序依次是平光、逆光、底光和側(cè)光.

圖1 部分YALE B數(shù)據(jù)庫人臉模糊圖像Fig.1 Fuzzy face images in partial YALE B database

圖2 部分CMU PIE數(shù)據(jù)庫人臉圖像Fig.2 Face images in partial CMU PIE database

3.2 結(jié)果分析

在第一組實驗中，以YALE B數(shù)據(jù)庫信息為主進(jìn)行分析，在這5個子集上，采用每一張人臉圖像當(dāng)作測試圖像去匹配10張標(biāo)準(zhǔn)的人臉圖像，并把10張標(biāo)準(zhǔn)的人臉圖像作為已注冊的參考人臉圖像，識別結(jié)果如表1所示.

表1 人臉圖像識別結(jié)果Tab.1 Identification results of face images %

由表1可知，采用特征融合方法時，其人臉圖像識別率約為83.35%，且隨著光照角度的變化其識別率下降；采用主成分分析法時，其人臉圖像識別率約為94.92%，且隨著光照角度的變化，識別率不穩(wěn)定；采用改進(jìn)識別方法時，其人臉識別率約為97.91%，雖然其識別率隨著光照角度的變化發(fā)生變化，但其識別率相比特征融合方法提高了約14.56%，相比主成分分析法識別率提高了約2.99%，具有一定的優(yōu)勢.

由于CMU PIE數(shù)據(jù)庫中每個人對應(yīng)的不同光照圖像比較少，所以不能依據(jù)光照角度來分組進(jìn)行實驗，需要將標(biāo)準(zhǔn)的人臉圖像作為參考人臉圖像.實驗二將不一樣光照條件下的人臉圖像當(dāng)作參考人臉圖像，并將其平均值當(dāng)作最終的識別結(jié)果，人臉識別率如表2所示.

表2 不同參考人臉圖像下的人臉識別率Tab.2 Identification rates of face images underdifferent reference face images %

在CMU PIE數(shù)據(jù)庫上，分別采用改進(jìn)方法、特征融合方法、主成分分析法進(jìn)行人臉圖像識別，采用每人兩幅人臉圖像當(dāng)作訓(xùn)練集時，改進(jìn)方法的識別率約為92.45%；特征融合方法的識別率約為84.75%；主成分分析法的識別率約為80.46%.改進(jìn)方法相比特征融合方法、主成分分析法識別率分別提高了約7.7%和11.99%，具有一定的實用性.

為了進(jìn)一步驗證改進(jìn)方法在人臉圖像識別方面的有效性，對其識別準(zhǔn)確度方面進(jìn)行對比實驗驗證，結(jié)果如圖3所示.

圖3 不同方法下人臉圖像識別準(zhǔn)確度對比Fig.3 Comparison in identification accuracy offace images with different methods

由圖3可知，當(dāng)需要識別的人臉圖像個數(shù)一定時，采用特征融合方法時的識別準(zhǔn)確度約為73.43%，且存在多處波動，其穩(wěn)定性較差，不適合長時間、大范圍使用；采用主成分分析法時，其識別準(zhǔn)確度約為75.43%，雖然無太大波動，但隨著人臉圖像個數(shù)的增加，識別準(zhǔn)確度逐漸下降；采用改進(jìn)方法時，其識別準(zhǔn)確度約為94.32%，雖然在數(shù)據(jù)量為300～400處出現(xiàn)了波動，但整體相比特征融合方法提高了約20.89%，相比主成分分析法識別準(zhǔn)確度提高了約18.89%，由此可知，改進(jìn)方法具有一定的優(yōu)勢.對兩種不同算法的耗時進(jìn)行對比，結(jié)果如圖4所示，本文方法在任務(wù)數(shù)增加的情況下，所用時間也大幅低于傳統(tǒng)的主成分分析法，優(yōu)勢明顯.

4 結(jié) 論

本文提出一種新型效率高且準(zhǔn)確度高的人臉圖像識別方法.首先對圖像進(jìn)行簡化處理，建立人臉圖像PCA數(shù)學(xué)模型，采用LBP方法提取人臉圖像紋理特征；其次度量特征的穩(wěn)定性，引入深度網(wǎng)絡(luò)法識別人臉圖像.實驗結(jié)果表明，改進(jìn)的識別方法具有較高的人臉識別率，且識別耗時較短.

圖4 不同方法的耗時對比Fig.4 Comparison in time-consumingwith different methods

[1] Ren C X，Dai D Q，Li X X，et al.Band-reweighed Gabor kernel embedding for face image representation and recognition [J].IEEE Transactions on Image Processing，2014，23(2)：725-740.

[2] Xu Y，Li X，Yang J，et al.Integrate the original face image and its mirror image for face recognition [J].Neurocomputing，2014，131(7)：191-199.

[3] Shi J，Qi C.From local geometry to global structure：learning latent subspace for low-resolution face image recognition [J].IEEE Signal Processing Letters，2015，22(5)：554-558.

[4] 劉中華，姚楠，劉文紅.基于自適應(yīng)特征選擇的人臉圖像識別算法 [J].上海電機學(xué)院學(xué)報，2014，17(4)：224-228.

(LIU Zhong-hua，YAO Nan，LIU Wen-hong.Face recognition based on adaptive feature selection [J].Journal of Shanghai Dianji University，2014，17(4)：224-228.)

[5] 曾愛林.基于改進(jìn)的格拉斯曼流形的模糊人臉圖像識別 [J].現(xiàn)代電子技術(shù)，2015，38(22)：34-36.

(ZENG Ai-lin.Fuzzy face image recognition algorithm based on improved Grassmannian [J].Modern Electronics Technique，2015，38(22)：34-36.)

[6] 杜海順，張旭東，金勇，等.基于Gabor低秩恢復(fù)稀疏表示分類的人臉圖像識別方法 [J].電子學(xué)報，2014，42(12)：2386-2393.

(DU Hai-shun，ZHANG Xu-dong，JIN Yong，et al.Face image recognition method via Gabor low-rank recovery sparse representation-based classification [J].Acta Electronica Sinica，2014，42(12)：2386-2393.)

[7] 謝佩，吳小俊.分塊多線性主成分分析及其在人臉識別中的應(yīng)用研究 [J].計算機科學(xué)，2015，42(3)：274-279.

(XIE Pei，WU Xiao-jun.Modular multilinear principal component analysis and application in face recognition [J].Computer Science，2015，42(3)：274-279.)

[8] 梅蓉.基于特征融合的人臉圖像識別方法研究 [J].河南科技學(xué)院學(xué)報(自然科學(xué)版)，2014，42(4)：70-74.

(MEI Rong.Study of face recognition method based on feature fusion [J].Journal of Henan Institute of Science and Technology (Natural Sciences Edition)，2014，42(4)：70-74.)