基于圖像增強的人臉識別系統設計與實現

祖婷，余興國

（安徽機電職業技術學院互聯網與通信學院，安徽 蕪湖 241002)

0 引言

數字圖像處理技術在人臉識別領域的應用越來越廣泛，其中圖像增強技術能夠顯著提高人臉識別系統的性能和準確性[1]。人臉識別技術在安全監控、金融交易、身份驗證等領域發揮著重要的作用，但仍面臨著面部表情、光照條件、遮擋等因素的干擾，導致識別準確性和魯棒性不夠理想的問題[2]。經過廣泛調研，圖像增強技術可以有效地克服這些挑戰，并且可以提高人臉識別系統的性能和準確性，能夠更好地服務于人們的生活和工作。因此，本文提出了一種基于圖像增強的人臉識別系統，旨在通過圖像增強技術提高人臉圖像的質量，進而提高人臉識別系統的性能和準確性。具體地說，首先對圖像中值濾波器的中值函數進行優化，提出了一種效率更高的中值函數，同時通過分析函數的導數和偏導數，提出了一種新的邊緣處理算法。然后，利用直方圖處理進一步增強圖像的質量。最后，采用深度學習技術設計了人臉識別模型，并將增強后的圖像輸入模型進行訓練和測試，以驗證基于圖像增強的人臉識別系統的有效性和可行性。

1 相關工作

近年來，人臉識別技術在智能安防、高校、教育等領域中應用廣泛，同時圖像增強技術也在圖像處理領域得到廣泛應用。圖像增強是一種特殊的處理方法，它根據需要突出圖像的細節，忽略或清除不需要的信息，使處理結果更適合人類視覺特性或機器識別系統。圖像增強技術在國內也得到了廣泛的應用[3]。

在國內，人臉識別技術的研究起步較早，研究成果較為豐富。其中，深度學習是當前人臉識別領域研究的熱點，其應用廣泛，識別精度較高。國內的研究者們將圖像增強技術應用于醫學圖像、遙感圖像等領域。北京大學的研究人員提出了一種基于深度學習的超分辨率重建算法，它可以將低分辨率的醫學圖像重建為高分辨率，從而提高了醫學圖像的質量和可視化效果[4]。此外，還有一些研究者將圖像增強技術應用于文化遺產保護、視頻監控等領域，并取得了一些令人矚目的研究成果。中國科學院計算技術研究所的研究人員提出了一種基于人臉識別技術的智能門禁系統，利用深度學習算法對人臉進行檢測和識別，同時結合語音識別技術實現門禁的開啟和關閉[5]。此外，一些研究者還將人臉識別技術應用于在線教育、電子政務等領域，取得了良好的效果。在國外，人臉識別技術的研究也取得了較大進展。當前，以深度學習為主的人臉識別技術在國外也被廣泛應用于安防、金融、交通等領域[6]。例如，美國IBM公司研究人員提出了一種基于深度學習的人臉識別技術，能夠實現對遮擋、姿態變化等情況下的人臉進行準確識別[7]。

本文通過研究基于圖像增強的人臉識別系統，來提高人臉識別系統的準確率和魯棒性。首先，提出了一種高效的圖像增強方法，該方法能夠提高圖像的質量并突出人臉圖像的細節。其次，通過采用深度學習技術設計了一種高效的人臉識別模型，并將增強后的圖像輸入模型進行訓練和測試。最后，通過實驗結果驗證了本文提出的方法在人臉識別領域的有效性和可行性，證明了該方法在實際應用中的潛力。

2 基于圖像增強的人臉識別的算法

2.1 相關理論

2.1.1 邊緣處理的分析方法

2.1.2 直方圖處理

灰度等級[0，L-1]為數字圖像的直方圖范圍為離散函數h(rk)=nk其中rk是第k級灰度，nk是圖像中灰度級為rk的像素個數。經常以圖像中像素的總數（用n表示）來除以它的每個值，以得到歸一化的直方圖。因此，一個歸一化的直方圖由P(rk)=nk/n給出，其中k=0,1,...,L-1。

2.2 算法設計

中值濾波器的基本原理是將一個點的鄰域中的每個點的值的中值替換為數字圖像或數列中的一個點的值。設有一個一維序列f1,f2,...,fn，取窗口長度為m，對此序列進行中值濾波，就是從輸入序列中相繼抽出m個數，fi-v,...,fi,...,fi+v，其中i為窗口的中心位置，再將這m個點按其數值大小排列，取其序號為正中間的那作為輸出。用數學公式表示為:

算法：

輸入：原始數據Data

輸出：新數據

2.3 實驗分析

實驗環境：Inter(R) Core?i5-8250U @ 1.6GHz(8 CPUs),16G，64 位Windows 操作系統，使用Matlab 實現。本實驗中使用的數據集LFW，LFW是一種常用的人臉識別測試數據集，其中包含了生活場景中的人臉圖像，涵蓋了多種難度因素，例如多姿態、光照、表情、年齡、遮擋等，這些因素可能導致同一人的照片差別很大。此外，數據集中還包含了一些多人臉圖像，本文的實驗只選擇其中心坐標的人臉作為目標，其他區域的視為背景干擾。

在本實驗中，從LFW數據集中選取了所有人物照片大于兩張的數據集，共有1 681 個數據集滿足此條件。采用隨機形式從這1 681個數據集中選取一對人臉，其中一張輸入到人臉識別系統中，另一張用于測試匹配準確率和測試時間。實驗中對于每個n，n∈{10,20,30,40,50,60,70}，進行了50次實驗并記錄了準確率和時間。最終的實驗結果是取50次實驗的平均值。實驗結果如圖1所示。

圖1 不同特征向量下人臉識別的準確率

根據實驗結果，從圖1 中可以發現隨著n數值的增加，平均準確率基本保持下降的趨勢，而在n=20時準確率最高，n=70時準確率最低。由此可以推測出現這種現象的原因是，當特征空間的維度過高時，即使存在少許偏差，也會導致測試圖像的特征向量與其匹配向量產生較大的偏移，使其接近于其他圖像的特征向量。隨著n的增加，偏差后與其他點接近的可能性變得更大，因此測試準確率會隨著n的增加而下降。

由此可以得出，當特征空間的維度過高時，特征向量之間的距離會變得更加稀疏，這會導致在匹配過程中產生更多的錯誤匹配。同時，由于特征空間維度的增加，需要更多的計算和存儲資源，因此計算時間也會隨之增加。因此，在進行人臉識別任務時，需要綜合考慮特征空間的維度和計算時間，以找到最優的平衡點。

同時在MATLAB 中完成圖像平滑和銳化的效率驗證。首先將一個圖像讀入內存，在內存中存儲。圖像經過噪聲去噪處理后。通過新函數的系數變化，觀察隨著系數的變化圖像的處理效果，達到實現程序的目的。

由于快速排序需要調用遞歸函數所以花費的時間較長，通過計算也證實如此，它處理一幅椒鹽噪聲的圖像需要7.146 000 s。

經過綜合分析，快速排序是經過冒泡排序得到，通過冒泡排序最基本的排序上進行改進，由于傳統的冒泡排序只需要找到中間值，所以在冒泡的過程中，當找到中間那個值就停止冒泡，處理同樣一幅椒鹽噪聲的圖像需要1.205 000 s。

3 基于圖像增強的人臉識別系統設計

基于圖像增強的人臉識別系統設計在總體上分為五個階段：采集人臉圖像數據、對圖像進行人臉檢測、對檢測到的圖像進行圖像平滑銳化去噪處理、建立人臉識別的模型、進行人臉識別，其中后四個階段是系統設計的重點。算法模型的建立采用Python 程序設計語言，以TensorFlow 作為數學運算框架，模型的測試和運行環境使用當前主流的Python IDE，即PyCharm。具體設計思路如圖2所示。

圖2 基于圖像增強的人臉識別系統設計過程和原理

3.1 人臉圖像采集

使用OpenCV作為計算機視覺函數庫來采集人臉圖像。首先，在Python 環境中導入cv2 庫，通過cv2 庫來管理攝像頭并捕捉人臉圖像。為了便于后續的數據處理，采用resize()函數將圖像壓縮至統一尺寸。此外，需要定義一個用于存放人臉彩色圖片的文件夾和一個用于存放人臉灰度圖像的文件夾。通過這些步驟，實現了輕量級且運行高效的人臉圖像采集。

3.2 人臉檢測

首先，進行重采樣操作，得到一系列尺寸不同的待檢測圖像，將其輸入到P-Net網絡中，得到一系列矩形邊框。然后，使用R-Net對這些矩形邊框進行進一步篩選，篩選結果是回歸框，同時以回歸框的坐標更新原先矩形框的坐標。這個過程類似于迭代優化的過程，經過多次迭代可以提高人臉檢測的精度。Onet的處理過程與R-Net相似。在該階段，最終的目標是實現對人臉和人臉關鍵點的檢測。為了獲得數量充足的樣本，在人臉檢測過程中，針對每張人臉圖片，采集多個樣本，同時設置攝像頭采集的時間間隔為100毫秒。同一個人的人臉圖片狀態在采集過程中是可以發生變化的，如面部的輕微轉動以及由此而造成的光線強弱的變化等，從而保證了樣本的多樣性，便于系統在訓練過程中提取足夠的人臉特征信息，最終提高了系統的魯棒性。

3.3 模型建立與訓練

該模型包含三個卷積層、兩個池化層、兩個全連接層和一個輸出層，采用softmax 函數傳遞輸出結果，并使用AdamOptimizer 作為優化器，采用交叉熵函數作為損失函數進行模型訓練。為了防止過擬合，對于參數更新策略，每次卷積過程中都設置了一個固定比例，以確保參數不會全部更新。卷積層用于提取圖像特征，池化層用于降低圖像維度，全連接層用于將卷積層和池化層提取的特征進行分類。采用交叉熵函數作為損失函數，通過梯度下降法傳遞誤差可以逐步調整模型參數以提高模型性能。同時，在訓練過程中也采取了一些措施來防止過擬合，比如設置參數更新比例和隨機選擇樣本進行訓練等。通過模型的訓練和測試，可以得到一個在人臉識別領域表現良好的模型，該模型可以用于后續的人臉識別應用中。

3.4 人臉識別

基于訓練好的模型，對新的人臉數據進行識別。具體地說，將經過預處理后的人臉圖像輸入到模型中，模型通過一系列的卷積、池化、全連接等操作提取人臉特征，最終輸出對應的分類結果。在本系統中，分類結果采用獨熱編碼方式表示，每個狀態值對應一個具體的人臉。如果輸出結果不在已有的狀態值集合中，系統將會給出相應的提示。同時，為了驗證模型的魯棒性和抗干擾性，可以進行多次測試，并人為改變照片的拍攝光線、角度等條件，以檢驗模型的性能。

4 基于圖像增強的人臉識別系統實現

4.1 系統結構

這是一個人臉識別系統，接受一個經過MTCNN檢測和灰度處理后的圖像作為輸入，可能包含一張或多張人臉。該系統的核心處理結構包括三個卷積層、三個池化層和兩個全連接層。具體來說，它首先進行第一次卷積，然后進行第一次池化，接著進行第二次卷積和第二次池化，再進行第三次卷積和第三次池化，最后經過兩個全連接層處理。輸出是一個離散變量，表示每張人臉對應的標識（姓名首字母）。

4.2 模型主要參數

人臉識別系統輸入的人臉圖像經過灰度處理后的大小為64x64像素。在該系統的卷積層中，每個卷積核的大小為3×3 像素，每個池化區域的大小為2×2像素。在訓練過程中，該系統最大迭代次數為1 000，閾值為1，每輪訓練使用的樣本數為100。在預測時，該系統使用的置信度閾值為0.98，以保證識別的準確性。

4.3 運行結果

該人臉識別系統使用每個人的姓名首字母作為文件名，將處理后的人臉灰度圖像保存到對應的文件夾中作為訓練樣本。在訓練過程中，系統形成了模型參數和計算圖等中間結果。在使用攝像頭捕捉含有多張人臉的圖片進行識別時，系統能夠較好地標識出每張人臉，并將其對應的標識以不同顏色加以區分，并通過系統自動標注出人臉邊界回歸框。采用多任務卷積神經網絡模型的人臉識別系統表現出較強的魯棒性，即使圖片中的人臉有一定的旋轉角度，系統也能準確識別。

5 結束語

為了提高圖像質量以適應特定應用，設計了一種高效的中值濾波器，并開發了一種新的邊緣處理算法，利用差分圖像特征來突出圖像中的細節。此外，采用了直方圖處理技術來進一步增強圖像。經過實驗驗證，這種改進的圖像增強算法能夠顯著提高人臉識別系統的準確性和魯棒性。為了應用這種增強算法，使用深度學習技術設計了一個人臉識別模型，并將增強后的圖像作為輸入進行訓練和測試。實驗結果表明，與傳統的人臉識別系統相比，基于圖像增強的人臉識別系統在準確性和魯棒性方面都取得了顯著的提升。