實時人臉識別系統研究

南京信息職業技術學院 郭 慧 王 璇 呂 黎

深圳中廣核工程設計有限公司 郭文仙 李春錦

安徽信息工程學院 方兵華

0 前言

近些年來，隨著人類社會對互聯網金融貿易和安防監控等方面應用需求的急速增長，生物特征識別技術的研究已成為重要的研究熱點之一，而人臉識別在計算機視覺和人工智能領域具有較為廣泛的應用價值，尤其是在系統安全驗證、金融驗證、醫學圖像、檔案管理、人機交互公安部門罪犯搜索等方面具有巨大應用前景[1][2]。生物特征識別技術是通過提取生物某些特定的易于區分本體的特征或行為[3][4]，并將所提取的特征與事先錄入數據庫中樣本數據進行篩選和匹配，從而完成對個人身份的識別。

1 系統框架

人臉識別系統主要包括視頻實時采集及預處理、數據庫管理、人臉識別和識別信息輸出等四個模塊組成，其人臉識別系統結構如圖1所示。

系統具體識別過程：首先對樣本視頻中人臉進行檢測，剪切出人臉圖像部分，并對所剪切出的圖像進行去噪、平滑等處理。在身份信息管理數據庫模塊，將特定的人臉與身份信息進行匹配，如：姓名、聯系方式等信息。在人臉識別功能階段，采用PCA (Principal Component Analysis)算法將視頻中人臉特征與數據庫中人臉特征進行數據比對，篩選出與輸入圖像相匹配的身份信息進行輸出。

圖1 人臉識別系統結構

2 識別算法

在人臉識別中，本文采用PCA分析算法進行人臉特征提取及數據維，該算法屬于多元統計分析法，是用一種較少數量的特征對樣本進行描述，以達到降低特征空間維數。人臉圖像特征信息是一個高維的矩陣信息，PCA算法可以將高維的人臉圖像矩陣映射到低維特征空間中，基于各個正交基底來生成對應的特征矢量。這種特征矢量不僅可以免除環境和人為因素如光照、姿態、表情等干擾因素對識別的干擾，同時可以精確地反映人臉圖像的全局信息與局部特征信息的關系[5-6]。

PCA具體算法如下：

設人臉圖像I(x，y)為二維N*N灰度圖像，用向量R表示。人臉圖像訓練集為其中M為訓練集中圖像總數，這M幅圖像的平均向量為：

訓練圖像的協方差矩陣可表示為：

計算C的特征向量，并按照特征值的權重取前若干個特征向量組成特征空U?；谔卣髂樀娜四樧R別過程由訓練階段和識別階段兩個階段組成[7]。在訓練階段，每個已知人臉映射到由特征臉構成的子空間上，得到m維向量：

其中N為已知人數，距離閾值為：

其中U為C的特征向量組成的矩陣。在識別階段，首先把待識別的圖像R映射到特征臉空間。得到向量：

為了區分人臉和非人臉，還需計算原始圖像R與其由特征空間重建的圖像之間的距離：

采用歐式最小距離法對人臉進行分類[8]，分類規則如下：

3 系統功能的實現

本文采用MATLAB軟件中的GUI建立人機交互界面，該界面主要包括信息錄入、刪除和識別輸出等這三個基本功能，用戶操作界面如圖2所示。

圖2 用戶操作界面

本系統利用SQL Server存儲錄入人臉身份信息，并與MATLAB人臉錄入信息程序實現相連接，可以在MATLAB 腳本中對SQL Server中儲存的人物信息進行查找讀取，錄入，刪除操作。運行識別程序前，應打開數據庫管理軟件SQL server 使得程序運行后，可以訪問數據庫交換信息，系統運行過程流程圖如圖3所示。

圖3 系統運行流程圖

在MATLAB調用攝像頭中，本文使用MATLAB的圖像獲取工具箱中函數imaqhwinfo()，以獲取PC上攝像頭配置信息[9]，程序代碼如下：

為順利調用數據庫中的身份信息，在SQL Server中創建數據庫和數據庫表存放身份信息如圖4所示，并建立ODBC數據源用于MATLAB 連接數據庫。

圖4 數據庫表

數據錄入界面和識別輸出界面如圖5和圖6所示。

圖5 數據錄入界面

圖6 識別信息輸出

PCA人臉識別算法只能處理二維信息而攝像頭采集的是彩色圖片，故在處理時將彩色圖像灰度化為黑白圖片與數據庫中圖片形成相關聯，在識別分析時，可以識別出相應的灰度人臉圖像，并顯示出相關聯的彩色人臉圖。

為驗證人臉識別準確率，本文選用經典ORL(Olivertti Research Laboratory)人臉圖數據庫，具體驗證算法是：先錄入ORL人臉數據庫的人臉訓練樣本，每個樣本大小像素為N*M的二維矩陣，二維數組變成一維數組，即向量。若人臉圖庫中有m張人臉，把這些圖片都表示成上述的向量形式，即將所有的擴充為一個二維數組即。再將矩陣Q乘以的Q逆矩陣QT得的協方差矩陣B，求B的特征向量，取最大的K個特征向量組成新的矩陣F。使用QT乘以F得到特征臉C。然后錄入將需識別的人臉圖R，R進行降維和向量化表示為：； R乘以上面訓練得到的特征臉C得到這個圖片向量R在C下的投影向量P，計算與上面訓練圖庫m張人臉圖降維所得到的Pm的向量距離，與P距離最小的向量所對應的人臉圖像，即為所查找圖像信息[10]。

為保證圖像保留90%的能量，本文選用前64個特征值求其占所有特征值之和的百分比，如圖7所示，由此可見人臉識別率accuracy=0.9032。

圖7 前64個特征值求其占所有特征值之和的百分比

4 結論

本文采用主成分分析算法以提取人臉圖像特征信息，利用統計學原理來判斷輸入圖像子空間與樣本訓練圖像空間之間的相似度，使用經典的歐式距離來判斷選擇輸入圖像與樣本空間中的圖像的對應關系。通過matlab軟件中GUI，本文建立了人機交互界面，并利用SQL Server存儲錄入人臉身份信息，與MATLAB 人臉錄入信息程序實現相連接，在MATLAB 腳本中對SQL Server進行已儲存人臉信息的查找、讀取，錄入，刪除操作。該系統人臉實時識別率達到90.32%，進而達到人臉實時識別效果。

由于該研究仍處于初步階段，所以還需進一步深入研究，尚待克服的問題：

（1）如何消除環境因素和人臉姿態對圖像的影響，進而上升到動態進行視頻圖像的檢測的處理，提高人臉預處理的魯棒特性。

（2）是在人臉識別構建樣本空間時如何獲取大量的訓練樣本人臉圖像，使用個人肖像這需要得到個人的圖像授權和法律的支持。

（3）如何綜合融合多種識別算法，將其各取所長應用到識別中，制定判別標準使得識別應用開發更加便捷，消除技術壁壘。

[1]孫冬梅,裘正定．生物特征識別技術綜述[J]．電子學報,2001,29(z1)∶1744．1748．

[2]方志剛,葉偉中．多生物特征識別技術綜述[J]．計算機工程,2003,29(9)∶140,142．

[3]余龍華,丁鋒．人臉識別中圖像預處理問題的研究[J]．大眾科技,2011,(5)．

[4]田啟川,張潤生．生物特征識別綜述[J]．計算機應用研究,2009,26(12)∶4401-4406．

[5]趙松．人臉識別中的姿態估計、識別算法和融合算法的研究[D]．中國科學技術大學,2009．

[6]趙堃．人臉表情識別的研究與實現[D]．沈陽理工大學,2009．

[7]孫艷豐,齊光磊,胡永利．一種深度卷積神經網絡的人臉識別方法∶CN 104866810 A[P]．2015．

[8]楊國亮,李歡．改進的基于特征臉和歐氏距離的人臉識別方法[J]．軟件導刊,2010(03)．

[9]甘俊英,高建虎,李春芝．基于對角DCT與2DPCA算法的人臉識別[J]．計算機工程與應用,2007,43(31)∶210-213．

[10]杜冬梅,田昆鵬,姜磊,王小研．基于Matlab的攝像機標定方法研究[J]．河南工程學院學報∶自然科學版,2012．