一種基于監控視頻的有效的人臉識別方法

武 琦，王夏黎，王博學，趙曉娜

(長安大學 信息工程學院，陜西 西安 710064)

0 引 言

人臉識別作為圖像分析和圖像理解最為活躍的一項應用，近年來在身份驗證、刑偵破案、視頻監視、機器人智能化和醫學等方面得到了廣泛的應用。人臉識別是融合了計算機視覺、視頻圖像序列處理與模式識別的一門技術，是利用計算機編程通過算法分析提取人臉特征信息從而進行身份鑒別的技術。人臉圖像包含許多明顯的特征信息，但是特征維度較為復雜，并且對于實際監控視頻中獲取的圖像會受到光照、角度、遠距離等因素的影響，導致識別精度不理想。因此，提高基于監控視頻的人臉識別準確性極具研究價值。

目前多數的人臉識別算法有Fisher臉方法、特征臉方法、CNN和支持向量機等，這些方法中PCA算法具有統計最優的、實現方便、對正面圖像識別率高等優點[1]。然而，在實際生活中監控視頻的圖像分辨率較低，人臉區域位置無法確定，其次人臉不同的角度和視頻中模糊的圖像信息，都使得人臉的區域難以準確定位，從而影響了識別的準確率。

因此，文中提出利用超分辨率迭代重構方法將監控視頻中采集的低分辨率圖像重構為可以提供更多細節信息的高分辨率圖像，然后基于Harr-Like特征和Adaboost分類器對圖像中的人臉做出準確檢測和定位，最后利用經典的PCA對定位出的人臉圖像進行識別，以提高識別的準確率。

1 超分辨率重構

圖像的超分辨率重構技術是一種提高圖像分辨率、改善圖像質量的有效方法，其核心是通過低分辨率序列中的某一幀圖像經過插值得到高分辨率圖像的過程。低分辨率圖像序列表示存在亞像素級位移的同一目標的信息，通常可以對進行運動估計后的低分辨率序列進行濾波，得到一個較理想的初始狀態[2-3]。超分辨率迭代重構所得圖像效果相對比較清晰，降低了邊緣效應，很好地抑制了邊緣模糊，較好地保留了圖像的邊緣細節信息[4-5]。

原始圖像如圖1所示，重構得到的細節信息如圖2所示。

圖1 原始圖像

圖2 重構得到的細節信息

2 基于Adaboost算法的人臉檢測

2.1 Haar特征

Haar特征是基礎分類器的初始輸入值，定義為圖像中相鄰區域像素和的差。Haar特征由黑白的若干個矩形區域組成，可以反映人臉的灰度變化情況。例如臉部的一些特征能由矩形特征進行簡單描述，如：眼睛和臉頰顏色深淺，鼻梁兩側和鼻梁顏色深淺，嘴巴和周圍顏色深淺等[7]。最初的弱分類器是一個最基本的Haar-Like特征，計算圖像的Haar特征主要采用“積分圖像”的方法。主要思想是將圖像從起點開始到各個點所形成的矩形區域像素之和作為一個數組的元素保存在內存中，只遍歷一次圖像就可以求出圖像中所有區域像素和的快速算法，大大提高了圖像特征值計算的效率[8]。

2.2 Adaboost算法

Adaboost算法的訓練過程：對于每一個特征，Adaboost算法都能產生一個弱分類器，在每一輪訓練中，算法通過篩選弱分類器從而選擇分類精度最高的特征作為實際弱分類器[9-10]。在下一輪訓練中，根據每個樣本分類準確率確定其權重，使得分類器能夠糾正對錯分樣本的誤判。當訓練完畢之后，對所有產生的弱分類器，根據其識別精度調整其權重，最終組成決策分類器[11]。圖3是采用Adaboost算法檢測出的人臉圖像。

圖3 Adaboost算法檢測出的人臉圖像

3 基于PCA的人臉識別

PCA也就是主成分分析法，其基本思想是從多元事物中解析出主要影響因素，忽略掉影響因素不大的數據元素。計算主成分的目的是將高維數據投影到低維空間，同時在特征提取方面具有有效性，因此在人臉識別領域得到了廣泛的應用[12]。

PCA的目標是尋找R個新變量，使它們反映事物的主要特征，壓縮原有數據矩陣的規模。每個新變量是原有變量的線性組合，體現原有變量的綜合效果，具有一定的實際含義。這R個新變量稱為“主成分”，它們可以在很大程度上反映原來N個變量的影響，并且這些新變量是互不相關的，也是正交的。通過主成分分析，壓縮數據空間，將多元數據的特征在低維空間里直觀地表示出來。實驗利用K-L變換抽取人臉的主要成分，構成特征臉空間，識別時將測試圖像投影到此空間得到一組投影系數，通過與各個人臉圖像的比較進行識別[13]。圖4是通過PCA算法得到的人臉特征圖。

圖4 PCA算法得到的人臉特征圖

假設有M幅人臉圖像組成集合X=[X1,X2,…,XM]∈RN×M，每幅人臉圖像由N(K×L)個像素組成(K行，L列)，其樣本集合為Xi。從X的每列中減去所有樣本的均值向量θ得到A=[X1-θ,X2-θ,…,XM-θ]=[g1,g2,…,gM]。然后利用集合A求特征臉[14]。算法的具體步驟如下:

(3)保留K個最大的特征向量組成特征子空間。

(5)使用特征臉進行人臉識別。

4 實驗過程與結果分析

實驗流程如圖5所示。

實驗采用Windows7平臺運行，處理器為3.6 GHz Inter Core i7，內存為8 G，編譯環境為VS2010。

如表1所示，用超分辨迭代重構后的圖像進行Adaboost算法檢測，然后在檢測出的人臉圖像上采用PCA降維的方法識別，準確率整體大于直接進行PCA的方法，通過實驗中的有效數據表明該方法的識別率基本保持在90%～95%之間，比直接PCA方法提高了2%～3%。但是，在實驗過程中識別的準確率受到了客觀條件的影響。例如，實驗數據中不戴眼鏡的人的識別率高于戴眼鏡人的識別率，因此還需要后期繼續優化提高。

圖5 實驗流程

識別方法N=5N=20N=50N=100直接PCA識別79.7592.3293.6591.16低分辨率重構+Adaboost檢測+PCA90.2894.2094.9195.55

5 結束語

實驗通過監控視頻的攝像頭獲取具有人臉信息的圖像，對圖像進行迭代重構提高分辨率后，使用Harr-Like特征表示人臉的特征數值，然后采用Adaboost算法對圖像中的人臉進行檢測和定位，判斷該區域是否是人臉區域。最后利用PCA獲取被主動定位出來的人臉圖像的主成分特征，通過數據降維，實現人臉識別，并顯示出圖像中人臉的信息。實驗結果證明，對重構之后的圖像采用Adaboost算法和PCA完成人臉識別的準確率高于直接使用PCA的人臉識別方法，同時有效解決了特征數量冗余的問題，能滿足實際應用中對準確率的要求，在人臉識別中的應用前景廣闊[15]。