基于機器視覺的人臉生物特征改進識別技術

溫宏愿 劉小軍 劉增元

摘 ?要： 傳統識別方法主要通過譜回歸和矩陣完整性約束，從帶噪聲的原始數據中得到干凈的輸入數據，達到提高識別人臉生物特征的目的，但忽略了低秩投影矩陣對識別帶來的干擾，導致識別精度低、效率差的問題，故提出基于機器視覺的人臉生物特征改進識別技術。通過攝像機代替機器視覺對人臉圖像進行采集，構建人臉圖像雙色反射模型，對人臉圖像進行預處理，并以機器視覺為基礎，結合局部差分二值模型（LDBP），實現對人臉生物特征識別的改進。實驗結果表明，相比于傳統識別技術，采用改進識別技術在進行人臉生物特征識別方面的識別精度較高，實用性較強，具有一定的優勢。

關鍵詞： 機器視覺; 人臉; 生物特征識別; 攝像機; 雙色反射; 局部差分二值模型

中圖分類號： TN912.34?34; TP391 ? ? ? ? ? ? ? ? 文獻標識碼： A ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2018）10?0161?03

Abstract： In the traditional identification method， the recognition rate of human face biological features is improved by means of spectral regression， matrix integrity constraint， and obtaining clean input data from the original data with noise， but the recognition interference brought by low rank projection matrix is ignored， which causes the problems of low recognition precision and poor recognition efficiency. Therefore， a human face biological feature improved recognition technology based on machine vision is proposed. Cameras are used as machine vision to collect human face images. The human face image dichromatic reflection model is constructed to perform preprocessing of human face images. On the basis of machine vision， the improvement of human face biological feature recognition is realized by combining with the LDBP model. The experimental results show that in comparison with the traditional identification technology， the improved recognition technology for human face biological feature recognition has high recognition precision and strong practicability， which has certain advantages.

Keywords： machine vision; human face; biological feature recognition; camera; dichromatic reflection; LDBP

0 ?引 ?言

人類自身身份的識別需要更高的精準性、實用性與安全性，主要是由于人類物理與虛擬活動空間的增大，網絡與通信技術不斷提高，增加了識別難度。常用識別方法一直存在一些問題，例如人在面前，卻由于身份信息的缺失，無法進行身份的有效確定。為了解決這一難題，生物特征識別技術應運而生，其原理為通過收集和采用人的生物特征樣本，再經過計算機技術，識別人的身份。生物特征按特點被分為生理和行為特征，由于生物識別技術不易丟掉，具有更高的安全性，確認也更為方便，在身份認證領域有很好的發展前景[1]。但生物識別技術也會因采集技術的不完善、采集條件復雜等造成干擾，導致識別結果出現識別效率低、誤差大的問題。對此提出基于機器視覺的人臉生物特征改進識別技術，即人臉從幾個角度被不用的兩臺攝像機拍攝、以及空間點在圖像中的生物特征位置被確定是經過選擇特征和特征被提取，結合LDBP模式，識別人臉生物特征，并進行實驗對比分析。

1 ?人臉圖像采集

在進行人臉生物特征識別時，需要對人臉圖像進行采集，將兩臺攝像機對同一人臉從不同角度進行拍攝，標定出攝像機坐標系描述空間中某點的位置[2]，用[PcXc，Yc，Zc]來代表空間中點，光心[Oc]代表原點，光軸用[Zc]代替，并且垂直于成像平面，成像平面水平軸與垂直軸則為[Xc]軸與[Yc]軸。攝像機坐標系圖如圖1所示。

2 ?人臉圖像雙色反射模型

在進行最初的臉圖像雙色反射模型時，不需要建立對角模型的隨機路徑算法，對人臉生物特征進行雙反射處理，其因經過獨立處理人臉圖像的三個色彩通道后[5?6]，可直接計算像素點[i]校對后的值，即從此點啟程的任意N條路徑相鄰點的相對亮度均值[7]，N越多效果越好，其相對亮度均值為：

3 ?生物特征識別方法的改進

人臉生物特征識別過程中，在采用機器視覺獲取人臉圖像并進行預處理的基礎上，采用LDBP模式進行生物特征識別。LDBP是人臉生物特征識別中的經典判斷準則，但由于LDBP能有效地獲取人臉圖像里的二階方向局部構造的有效性及復雜度[11]，所以采用LDBP形式對人臉生物特征進行直方圖統計，獲取適合識別的模式，組成新的特征，用于識別。具體過程如下：

1） 為了獲取統一規格的人臉圖像，對采集的人臉圖像進行檢測、歸一化處理等預處理。

2） 為了保存人臉的空間位置數據，加強人臉生物特征，增加特征獲取的有效性，使用LBP方法對預處理的人臉圖像進行分塊[12];對每一分塊實行LDBP水平及垂直方向的編碼處理，獲取相應的均衡模式水平直方圖、垂直直方圖，并將水平直方圖、垂直直方圖實行銜接，組成LDBP模式直方圖。

3） 對全部分塊的LDBP形式直方圖進行可分值大小降維并連接起來，組成新直方圖，最后獲取整體特征為H。

4） 經過計算測試樣本及訓練庫樣本里的整體直方圖相似度，獲取和測試樣本相似度最相似的類別，診斷顯著人臉生物特征，即為最后識別結果。

4 ?實驗結果分析

為了驗證本文所提出的有效性及可行性，實驗測試程序的PC機配置為Intel Core 2 3.2 GHz 處理器，32 GB內存，Windows 7操作系統，使用Visual Studio 2005和OpenCV編程環境，1 024×768為攝像頭的原始分辨率，實驗采用傳統識別方法對比，以識別準確度為指標進行實驗對比，結果如圖3、圖4所示。

圖中，紅色部分為需要識別的人臉生物特征，藍色部分為人臉全部特征。

由圖3、圖4可知，在時間一定的情況下，采用傳統方法進行人臉特征識別時，其識別區域一定的情況下，特定區域識別結果存在雜質，選中的區域中摻雜有其余特征，導致識別準確度較低;采用改進方法進行人臉生物特征識別時，其對識別區域內的生物特征識別較準，且在選定區域中，無其余雜質特征摻雜，識別準確度較高。

5 ?結 論

針對傳統識別方法一直存在識別誤差大的問題，提出基于機器視覺的人臉生物特征識別技術，引入機器視覺對人臉圖像進行采集，再進行生物特征識別。實驗結果表明，采用改進識別技術，在進行人臉生物特征識別方面，識別精度較高，實用性較強，具有一定的優勢。

參考文獻

[1] 肖建力，張靜.聯合人臉與指紋的多模態生物特征識別方法綜述[J].上海理工大學學報，2017，39（1）：51?57.

XIAO Jianli， ZHANG Jing. Survey on the multimodal biometric identification by fusing faces and fingerprints [J]. Journal of University of Shanghai for Science and Technology， 2017， 39（1）： 51?57.

[2] 李艷萍，姜穎，胡金明，等.基于曲波變換和余弦測度的人臉識別方法[J].計算機科學，2016，43（5）：294?297.

LI Yanping， JIANG Ying， HU Jinming， et al. Face recognition method based on curvelet transform and cosine rules [J]. Computer science， 2016， 43（5）： 294?297.

[3] 楊培德，黃仁裕，尤俊生.基于生物特征識別的終端安全管理系統的算法研究[J].計算機科學，2016，43（12）：225?227.

YANG Peide， HUANG Renyu， YOU Junsheng. Study on algorithms for terminal security management system based on biometrics recognition [J]. Computer science， 2016， 43（12）： 225?227.

[4] 栗科峰，駱繼明.基于局部結構分解的人臉圖像特征提取方法[J].激光雜志，2015，36（11）：71?74.

LI Kefeng， LUO Jiming. Face feature extraction method based on local structure image decomposition [J]. Laser journal， 2015， 36（11）： 71?74.

[5] 吳從中，劉渠芬，詹曙.基于稀疏表達的人臉遮擋物去除[J].合肥工業大學學報（自然科學版），2015（5）：615?617.

WU Congzhong， LIU Qufen， ZHAN Shu. A face occlusion removal method based on sparse representation [J]. Journal of Hefei University of Technology （Natural science）， 2015（5）： 615?617.

[6] 唐守軍.基于人臉識別和密碼認證的文件夾加密方法[J].現代電子技術，2016，39（3）：80?83.

TANG Shoujun. Method of folder encryption based on face recognition and password authentication [J]. Modern electronics technique， 2016， 39（3）： 80?83.

[7] 韓濤.基于比率圖的表情映射機器視覺[J].科學技術與工程，2017，17（14）：239?242.

HAN Tao. Expressive expression mapping with ratio images of machine vision [J]. Science technology and engineering， 2017， 17（14）： 239?242.

[8] 楊巨成，劉娜，房珊珊，等.基于深度學習的人臉識別方法研究綜述[J].天津科技大學學報，2016，31（6）：1?10.

YANG Jucheng， LIU Na， FANG Shanshan， et al. Review of face recognition methods based on deep learning [J]. Journal of Tianjing University of Science & Technology， 2016， 31（6）： 1?10.

[9] 馬曉，張番棟，封舉富.基于深度學習特征的稀疏表示的人臉識別方法[J].智能系統學報，2016，11（3）：279?286.

MA Xiao， ZHANG Fandong， FENG Jufu. Sparse representation via deep learning features based face recognition method [J]. CAAI transactions on intelligent systems， 2016， 11（3）： 279?286.

[10] 趙喜玲.步態與人臉融合的身份識別方法[J].信陽師范學院學報（自然科學版），2017，30（3）：460?463.

ZHAO Xiling. Research on human identification based on gait and face [J]. Journal of Xinyang Normal University （Natural science edition）， 2017， 30（3）： 460?463.

[11] 李明夏，陳斌.基于監控視頻的穩定實時人臉跟蹤系統構建[J].計算機應用，2015（z2）：250?253.

LI Mingxia， CHEN Bin. Robust and real?time face tracking system construction based on surveillance video [J]. Journal of computer applications， 2015（S2）： 250?253.