人臉識別中特征提取和匹配算法研究

李天向 丁瀟瀟 西安電子科技大學

引言

隨著人臉識別技術的出現以及應用，不僅提高了工作效率和質量，而且節約了更多的資源成本，深受很多用戶的信賴。然而在人臉識別技術的發展和應用中，還需要攻克特征提取和匹配算法的兩大難題，消除各種影響因素，促使人臉識別技術更加高效準確。

一、人臉識別的基本內容

影響人臉識別系統的因素分為個人用戶需求和匹配算法，因此要構成一個比較完整、準確的人臉識別系統，就必須高度重視圖像預處理、人臉檢測、面部特征提取、分類識別這四個環節，要將每一個子系統的價值與優勢都充分發揮出來，才能促進人臉識別研究的高速發展，進而為社會做出更大的貢獻，實現雙贏的局面。

圖像預處理是指人臉圖像的采集以及簡單處理，要確保圖像具有高效率和質量的識別力度。由于每一個人的臉部特征都有所差異，因此在圖像采集時就會受到各種因素的影響，進而導致圖像分辨率低下。

人臉檢測是指判斷圖像中是否存在人臉，并且判斷其所在的位置。人臉檢測算法還可以進一步判斷出人臉在圖像中所占的比例，推測出人臉五官的具體位置。

面部特征提取屬于人臉識別過程中的重要環節，特征提取的質量好壞將直接影響到人臉識別的質量好壞。特征提取的主要目的是為了尋找出人臉圖像上像素點之間的差異，利用像素點之間的差異性來建立特征向量，為以后的識別奠定基礎。

分類識別是指在特征提取完之后，通過特征提取到的算法進行特征的組合，進而尋找合適的分類器進行人臉識別。

二、人臉識別中的特征提取方法

（一）經驗規則方法

經驗規則方式是指研究人員在拿到人臉圖像時，先根據自身的經驗進行基本信息的提取和理解，進而根據自身的理解程度制定合適的分類規則。人臉識別主要是根據人面部的五官特征，如眼睛、鼻子、耳朵、嘴。每一個人的五官在面部上的分布規律都會有所不同，因此根據分布規律即可制定合適的特征標準。例如：每一個人的正臉圖像，眼睛呈對稱形分布，眼睛下方、鼻翼兩側都會有一定比例的陰影存在，因此就會產生灰度差異。這時研究人員可以根據這些分類規則，提前制定出一套關于特征提取方法。

采用這種特征提取的方法，操作比較簡單快捷，但是對于研究人員的自身經驗與圖像預處理能力有一定的要求，因此就會受到很多因素的限制。這種特征提取方法只能當做人臉識別中的初步特征提取，如要獲得更加精準的特征，還需要進行不斷的深入研究。

（二）色彩特征提取方法

人臉圖像上的色彩分為三種主要基色分別為灰、黑、白，因此在特征提取時，也可以根據圖像中的色彩分布來提取人臉特征。這種特征提取方法需要對人臉圖像上的色彩信息有一個全面的了解，進而通過整理、歸納，建立基本模型，通過色彩比例與模型進行對比，進而提取特征。例如在人臉圖像中，眼睛下方、鼻翼兩側顏色為灰，眼睛會有一定的黑白比例，膚色也有所不同。

（三）幾何形狀方法

幾何形狀方法主要是借助模型的構建，將人臉圖像中所包含的幾何形狀與模型進行對比分析，進而進行特征的整理歸納，進而找到相似目標。幾何形狀方法充分利用了圖像色彩特征信息的波峰波谷、邊緣特征和灰度分布，只要找出這些信息的相關聯系，就可以構建合理的模型圖。這種方法能夠快速檢測出人臉圖像中色彩信息和全局邊緣特征，在目標尋找中更加精確化。

（四）統計方法

統計方法的本質就是利用模式識別的思想，將人臉圖像當中所包含的所有信息，都當做有效信息，通過相應的整理與歸納，將這些信息劃分為特征信息與非特征信息，進而提取有效信息。常見的算法有結合PCA的特征提取、結合人工神經網絡的特征提取、結合支持向量機的特征提取等。

三、尺度不變特征變換算法的特征提取

尺度不變特征變換算法也分為四個環節，分別為構建尺度空間、檢測搜索極值點、尋找最佳極值點、生成特征向量。

在應用尺度不變特征變換算法的特征提取時，需要對人臉圖像的尺度空間相關內容有一個全面的了解，接下來根據尺度空間來尋找出關鍵點。在極值點的尋找過程中，需要根據尺度空間圖像的坐標（f（x,y））與高斯參數（z）來建立以下搜索公式：

在上述公式中，字母a代表圖像中相鄰兩個尺度之間的比例關系，是常數值。

在關鍵點找到之后，接下來就需要確定關鍵點所發展的方向。確定方向時需要通過像素點的構建，然后根據特征向量，這樣才能在尺度不變特征變化的算法下提取特征。根據關鍵點以及發展方向，用字母a來表示相鄰兩個空間尺度之間的比例關系，然后用關鍵點作為圓心，用1.5a和3倍的1.5a作為半徑，進行圓的勾勒，其計算公式就如下所示：

在發展方向確定之后，然后采用統計方法，進行關鍵點的提取，并且進行規律統計。其分布示意圖如下：

最后一步就是特征的生成。先要將坐標軸按照特征點的分布方向進行依次旋轉，每一個方塊內的箭頭朝向，就是該區域的梯度方向，當特征點接近梯度向量時，表面關鍵點的信息就越多，特征提取的精準度就越高。

四、SURF算法的特征提取

SURF與尺度不變特征變換的提取流程有著很大的差異，然而這種算法的提取速度非常快。SURF算法選用了海塞矩陣行列式特征值的近似值來生成尺度空間，其公式如下：

將計算得到的特征值，根據特征值的正負判斷，進而整合劃分為關鍵點，根據關鍵點來進行像素點的對比。

接下來就需要進行特征點的候選，特征點的候選也就是上述算法當中的極值點確定，將同一尺度空間內的像素點值進行對比分析，進而篩選出最大值與最小值中的關鍵點，進而作為候選特征點。

最后一個環節就是特征點的發展方向計算，需要根據關鍵點所在圓形區域的haar小波進行特征分析，然后采用加權法計算出綜合，再將haar小波的長度拉伸為4s，在每一個圓弧區域內分別計算出各自相對應的方向。然后再將提取的扇形按照一定區間進行旋轉，選出該區域內所有方向一致的關鍵點所指方向。其過程如下圖所示：

五、結語

綜上所述，人臉識別技術涉及到了很多學科領域，更是計算機領域最為熱門的研究技術之一。人臉識別技術相比于傳統的生物特征識別技術，不僅具有著識別精準、速度迅速、操作簡單快捷的優點，而且耗費的成本費用較少，深受很多用戶的青睞。因此在今后的發展中，就可以大力推廣和應用人臉識別技術，進而提高精準度。