基于PCA人臉識別算法的智能考勤系統的研究

蔡婷婷　錢鵬江

摘要：近幾年一些新穎學習算法的運用，使得計算機的人臉識別效率接近甚至趕超人類肉眼辨別物質的能力。但是這些新穎的學習算法都是以大數據分析為基礎的，在有限運算能力的嵌入式平臺上并不適用。鑒于現有嵌入式中央處理器較為薄弱的計算能力，該課題討論的智能考勤系統并沒有采用新式的智能學習算法，只是在經典的主成分分析（Principal Component Analysis， PCA）算法的基礎上加以完善，提出了基于全局與局部特征加權的人臉識別算法。

關鍵詞：人臉識別;智能考勤;PCA;嵌入式系統

中圖分類號：TP391? ? ? ? 文獻標識碼：A

文章編號：1009-3044（2019）25-0191-02

1 主成分分析簡介

主成分分析是所有特征提取方法中比較著名的。Kirby和Sirovich兩位學者率先提出把Karhunen-Loeve（K-L）變換運用在人臉分析領域，而且給出主成分的概念，用于描述和替換人臉圖像，Turk和Pentland則在前人的基礎上給出“特征臉”的定義，所以這個方法還被叫作“特征臉法”。主成分分析法的關鍵作用是把維度較高的空間向量映射到低維向量空間，換而言之就是通過減小向量空間維度達到剔除數據關聯性的意義。

2 基于全局與局部特征加權的人臉識別算法

2.1 局部特征PCA人臉識別算法

大部分人臉識別算法還是基于人臉圖像的全局特征，很大程度上是鑒于很難精確找準人臉的局部特征以及是否能成功獲取這兩方面的考慮。然而局部特征相對于全局特征而言，更具代表性，可以提高人臉識別的正確率。假若待檢測個體的局部特征更為顯著，那么它在人臉識別中所占的比重就更高所以，本文提出獲取人臉的局部特征并形成對應的集合。在主成分分析的基礎上，建立局部特征子空間，加上全[3]局和局部特征組成的權重系統，完成對人臉圖像的識別[4]。

（1） 獲得局部特征

局部特征的獲得對于本文提出人臉識別算法的正確率很關鍵，所以本文采用代碼開源的opencv庫以實現對人臉局部特征如眼睛、鼻子、嘴巴的獲取。

（2） Haar-like型特征算法

Haar-like型特征算法并不是指的某一種算法，而是一類算法的統稱，比如Viola-Jones算法、眼睛特征識別算法、鼻子檢測算法等[5]。

2.2 融合全局和局部特征的人臉識別

按照上文的流程，已經成功獲得人臉圖像的全局和局部特征的子空間，然后根據最近鄰法則求得的歐式距離進行識別。根據現有文獻以及實驗仿真，獨立的基于全局特征的人臉識別或者基于局部特征的人臉識別均無法提高正確率，效果不佳。而且，假如某個人的嘴型特征顯著，但采用全局特征對圖像加以識別會造成較低的信任度造成錯誤識別現象的發生。因此，本文提出兼顧全局和局部特征的人臉識別算法，即分開算出全局特征的離散度[Sta]與局部特征的平均離散度[Stii=1，2，3，4]，這里提到的離散度表示全局和每個局部特征集合的權重，最后得到綜合信任度。

3 人臉識別流程

首先采用攝像頭獲取每個員工的人臉圖像，平均每個員工取五張，建立每個員工的初始學習集合。把學習集合的協方差矩陣看作生成矩陣，求解生成矩陣的特征值及對應的特征向量，然后按照進獻度進行降維操作，算出且生成相應的人臉特征子空間。把待檢測的圖像和平均臉的差值臉映射至人臉特征子空間，得到待檢測圖像在人臉特征子空間的位置。根據位置坐標，采用最近鄰法則運算得到待檢測圖像和每張預處理過的圖像之間的歐氏距離并以此作為識別依據。人臉識別的流程圖具體步驟由以下四步完成。

（1） 采用攝像頭獲得人臉圖像并建立相應的數據庫，構建原始學習集合。

（2） 把協方差矩陣[C]看作生成矩陣，算出相應的特征值及特征向量，挑選最高進獻度的特征向量建立特征子空間，即人臉特征子空間[Wj]。

（3） 根據式（5）對檢測圖像預處理，得到它在人臉特征子空間[Wj]上的映射向量。

（4） 根據歐氏距離公式計算待檢測圖像跟每張人臉的距離，然后判斷它歸屬的類別。

4 實驗仿真結果

為了檢驗提出算法的性能，確保系統集成選比較具有代表性的且適合仿真實驗的ORL庫、Yale庫和AR庫進行測試驗證。其中ORL庫是英國劍橋大學Olivetti實驗室研究建立的，有40個人臉對象，而每個對象有10張，總共400張人臉灰度圖像[7]，而圖像的尺寸是112×92且背景都是黑色。Yale庫中的人臉對象略多于ORL庫，總共有15個對象，每個對象11張，涵蓋不同光照強度、表情各異和遮蓋角度不同的正臉圖像[8]。AR庫出自西班牙計算機視覺中心，整個庫中有116人，共計3288張圖像，是實驗三個庫中樣本最多的一個庫。而且圖像獲取的流程十分嚴格，影響圖像的關鍵因素，如攝像頭的參數、與人臉的距離和光照強度都經過調節。ORL人臉庫和Yale人臉庫的局部樣本如圖2所示。

第一種情景是對ORL庫中的樣本進行人臉識別測試。設置系統學習的人臉圖像數目在[2，8]內遞增，提出算法、全局PCA算法和局部PCA算法的識別率。

第二種情景是對Yale庫中的樣本進行人臉識別測試。設置系統學習的人臉圖像數目在[2，8]內遞增，提出算法、全局PCA算法和局部PCA算法的識別率。

5 結束語

本文在闡述常用PCA人臉識別算法的基礎上，鑒于考勤系統的現實需求，設計改進了一種兼顧全局特征和局部特征的人臉識別算法，設置分別在ORL庫、Yale庫和AR庫上進行檢驗，提出算法與已有算法相比，人臉識別正確率更高，為后期系統集成測試打下了基礎，同時對提出算法的便捷性進行簡單介紹。

參考文獻：

[1] Wang D， Li D， Lin Y. A new method of face recognition with data field and PCA[C]//GrC. 2013： 320-325.

[2] Miziolek W， Sawicki D. Face recognition： PCA or ICA [J]. Przeglad Elektrotechniczny， 2012， 88（7 A）： 286-288.

[3] 陸軼秋.基于人臉識別的智能門禁系統設計與實現[D].江蘇科技大學，2018.

[4] 池立盈.移動平臺上的人臉識別系統研究[D].浙江大學，2018.

【通聯編輯：代影】