基于KCCA的煤礦人員特征融合識別

王 君，黃 寧，陳楷升，何新宇，梁世亮，梁薇薇

(1.中山大學南方學院 電氣與計算機工程學院，廣東 廣州 510970;2.重慶郵電大學，重慶 400065)

0 引 言

煤礦開采多為井下作業，地質條件復雜，容易發生煤礦事故。煤礦井下生產具有多工種、多方位、多系統立體交叉連續作業的特點[1]。如果發生事故，很難對人員的安全進行監督和識別。一般的檢測、跟蹤和識別技術不適合煤礦復雜的井下環境，因此有必要對其進行研究，并將其應用到井下安全系統管理中。生物識別技術是目前最方便、最安全的身份識別技術[2]，具有實際應用價值。

1 人臉識別技術

人的臉部和身體的其他生物特征[3-5](如指紋、虹膜)是天生的。與其他類型的生物識別技術不同，人臉識別具有唯一性和易于識別的特點。

(1)非強制性：井下人員無需操作識別設備。

(2)非接觸性：用戶可以訪問面部圖像，無需直接與設備接觸。

(3)并發性：能同時識別多人。

人臉識別的過程主要分為三個階段[6]：

(1)識別圖像中是否有人臉。

(2)獲取人臉中的特征信息。

(3)將特征信息與數據庫中的人臉進行比較，確定身份。

然后，可以通過霍特林變換(Karhunen-Loeve transform，KL變換)去除干擾的特征量和貝葉斯分類識別。

雖然人臉識別具有較高的便利性，但其準確率相對較弱。識別精度會受到環境光照、識別距離等因素的影響。例如，煤礦井下人臉識別面臨著工作環境光線昏暗、人臉易受黑塵干擾等新問題，人臉識別算法難以適應[1]，系統識別率低，檢測效率低，直接影響到人員的識別。

2 虹膜識別

2.1 虹膜識別技術

胎兒發育期虹膜形成后，在整個生命過程中保持不變。另外，虹膜識別具有穩定性、不可復制性、活體檢測等特點[7]。虹膜測量技術可以讀取266個特征點，而其他生物測量技術只能讀取13～60個特征點[8-10]，虹膜具有唯一性，且虹膜識別準確性高，適合煤礦井下環境光線不足，需要無接觸自動識別且識別準確的要求。

2.2 虹膜識別算法

虹膜識別的主要過程[11-12]：(1)虹膜圖像采集，虹膜圖像需要通過具有近紅外線的特殊攝像機進行采集；(2)對采集到的虹膜圖像進行處理。需要對其進行有效的分割，然后進行歸一化處理，即標準化；(3)虹膜圖像特征提取與編碼。其識別過程如圖1所示。

圖1 虹膜識別流程

3 人臉識別與虹膜識別算法

3.1 人臉識別與虹膜識別算法融合

針對礦井復雜環境下的人臉遮擋和粉塵覆蓋問題，人臉識別不清晰時，該文提出一種在煤礦井下的人臉特征和虹膜特征融合的識別方法，提高了系統的穩定性和識別效率[13-17]。其總體框架如圖2所示。

圖2 人臉和虹膜融合識別方法總體框架

首先，從采集到的圖像中檢測出人臉和左右眼虹膜。其次，對其進行圖像預處理，特征標準化，再提取人臉和左右虹膜的特征。將提取的人臉和左右虹膜特征進行串聯融合，通過KCCA核方法進行計算，降維，將樣本集映射到高維特征空間，用再生核代替特征空間中的內積運算，最后通過TAN分類將人員身份信息識別出來。

3.2 人臉識別與虹膜識別系統

該系統主要利用圖像預處理模塊、KL變換模塊和TAN分類器模塊三個功能模塊來實現人臉簽到。以下描述了功能模塊之間的關系。人臉簽到方法的系統框圖如圖3所示。

圖3 人臉與虹膜多融合簽到方法系統框圖

(1)圖像預處理模塊主要提高圖像的信噪比，獲得感興趣的區域；(2)KCCA算法模塊主要降低圖像的維數，得到特征向量；(3)訓練中使用的算法是TAN分類器模塊，主要對人臉進行判斷。當遇到復雜的礦山環境，如粉塵覆蓋、遮擋或光線特別昏暗時，人臉識別率會降低，因此需要與虹膜識別相結合，以增強識別系統的適應性。

3.2.1 圖像預處理

由于視覺圖像具有視場廣、信息量大、干擾多等特點，攝像頭獲取的礦井下的圖像，由于環境因素復雜多變，可以進行預處理[18]，平滑圖像，改善信噪比。保留人臉區域，最后圖像二值化再次去除非必要數據圖像信息，留下人臉特征空間位置，以截取人臉感興趣區域(region of interest，ROI)[19]。人臉ROI圖像采集過程如圖4所示。

圖4 人臉ROI區域的截取過程

3.2.2 KCCA算法

霍特林變換正交變換，使圖片保留重要的正交基，即去除非必特征，留下重要特征信息，從而使識別算法降維。實驗通過20位人員的400幅圖像特征向量，然后用霍特林變換降維，獲取信息提取技術數據特征。

即均方誤差是：

有：

其中，uj為確定的完備正交歸一向量系數，即圖像的特征向量。

將特征值λj按其大小順序排列λ1≥λ2≥…≥λd≥λd+1≥…≥λ∝，取前d項特征值對應的特征向量uj組成的坐標系，可使向量的均方誤差最小。由于直接計算矩陣的特征值和正交歸一的特征向量是十分困難的,因此需用奇異值分解方法。

3.2.3 特征分類器的設計

特征識別主要是特征提取和分類器設計。特征識別系統的工作集中在兩個問題上：特征選擇提取和分類器設計[20]。貝葉斯分類器是各種分類器中，在預先給定代價的情況下平均風險最小的分類器。它是通過某對象的先驗概率，利用貝葉斯公式計算出其后驗概率。即該特征屬于某一類的概率，選擇具有最大后驗概率類作為該特征所屬的類[21]。

多元正太分布的概率密度函數由下式定義：

由最小錯誤概率判決規則，可得如下的函數作為判別函數：

g(x)=p(X|ωi)p(ωi),i=1,2,…,N

其中，p(ωi)為ωi發生的先驗概率，p(X|ωi)為類別ωi的概率密度函數，N為類別數。

通過輸入圖片提取特征，分離出人臉特征區域和虹膜特征區域。首先，利用人臉特征和虹膜特征訓練模板的機器學習；然后，對輸入的人臉特征和虹膜融合特征與已訓練的模板庫進行匹配判斷。

本設計識別的關鍵：特征信息提取和特征比對識別。經過圖像預處理，獲得ROI圖像，使相鄰圖像構成列向量X；投影到KL降維變換的子空間，獲得400維的特征向量X；將特征向量非線性映射到新的特征空間H；在TAN分類器計算得到投影點gi(X)。進行比較建立決策規則為：

如果‖gi(X)-gj(X)‖>e，則判斷與特征提取特征庫的相關性。若成立，屬于人臉類；否則，不屬于人臉類。

其中，e(e=0.000 1)為檢測特征的設定誤差。

4 實驗結果

采集了人臉圖像后，快速識別人眼，選擇人眼的中心坐標，通過瞳孔的中心坐標10*10鄰域，確定人眼初步位置。圖5為瞳孔初步定位效果圖。

圖5 瞳孔初步定位效果

根據虹膜的分布情況，對圖像進行取反操作，提取邊緣特征。定位虹膜的內圓，有時虹膜不是完全圓的，需要橢圓擬合。然后結合紋理和虹膜邊緣，濾除睫毛和斑點，得到虹膜特征圖像。圖6為虹膜特征效果圖。

圖6 虹膜特征效果

同理，可以得到雙眼虹膜特征圖像。標準化后，圖像整體均衡，減少了光強的影響，增強了適應性，使圖像更容易識別。由于要將系統放在嵌入式平臺，識別過程中算法的復雜度和計算量都不宜過大。通過KCCA算法降維，使點特征突出。因此，將人臉識別與虹膜算法的結合分為兩步：第一步是訓練人臉和虹膜的融合新特征模型；第二步是通過比較模型數據庫來識別身份。人臉和虹膜的融合后，新特征模板庫和待識別新特征，分別如圖7所示。

圖7 新特征點權重和新特征點模板庫特征權重

從圖7可以看出，提高人員身份識別準確度的實質是盡可能有效地保留待檢測的新特征，而模板特征數據庫則需要盡可能多地包含特征值信息。即識別人眼時應該保留更多的特征，模板庫內井下人員的特征信息應該盡量詳細，這樣才能提高人員身份識別的準確性。

最后，為了驗證算法的實際識別效果，對采集到的100個人臉圖像檢入點進行虹膜識別，得到礦井人員檢入判別的識別率數據，如表1所示。

表1 礦井人員簽到判別識別率數據 %

礦井人員人臉和虹膜融合識別率比較如圖8所示。

圖8 礦井人員人臉和虹膜融合識別率比較

該文提出的人臉特征和虹膜特征融合，可以解決單一算法下面的識別率低的問題。由表1和圖8可以看出，在不同的信噪比環境下，人臉識別和虹膜識別效率和準確性比以往的單一識別方法的準確率更高。同時可以看出，人臉和虹膜融合識別具有更高的穩定性，可靠程度比單獨的人臉或虹膜識別更高。因為人臉和虹膜特征融合，可以降低對單一圖像特征的依賴性，可以形成特征互補，降低整體復雜度，降低檢測的波動性，算法的穩定性得到增強。

5 結束語

針對煤礦井下環境人員識別率低的問題，單獨的識別方式可靠程度較低，提出了一種基于KCCA算法的人臉圖像和虹膜識別相融合的識別方法，采用和TAN分類器進行融合后的特征識別。能快速掌握礦井復雜環境下人員的數量分布、身份識別，提高了井下人員身份鑒定的準確性和穩定性，解決了以往煤礦井下人員識別效率低、不穩定和依賴程度高的問題。能高效準確地識別出井下人員信息，為發生險情時提供更準確的數據和營救行動救援提供幫助。在下一步的研究中，試圖嘗試多攝像頭多人身份的同時識別。