孫抒雨+韓冰

摘 要：作為最重要的一種模式識別分類，根據(jù)人的臉面部特征進行辨識對比進而判斷是否相同，人臉識別逐步在現(xiàn)實生活中起到重要的作用。但當前絕大多數(shù)對比方法，耗時較長，達不到滿意效果，本論文探討一種基于小波權位的能快速提高辨識效率的方法。

關鍵詞：人臉識別 權位 小波

中圖分類號：TU201 文獻標識碼：A 文章編號：1672-3791（2014）04（c）-0030-01

1 人臉識別研究現(xiàn)狀簡介

伴隨著計算機技術的發(fā)展，在識別技術領域里從簡單的痕跡識別包括我們熟知的腳印、指紋、行為等逐步衍生出來虹膜既眼球識別、人的面部識別再到更高級的通過血液、皮毛的DNA識別。

信息技術的提升大大促進了識別技術的發(fā)展，并為其廣泛應用提供了技術保障。但DNA等識別技術還達不到實時性。所以人臉識別作為現(xiàn)在主流的識別應用技術之一，它的應用的還是非常廣泛的，在機場、住宅、會議等安檢設施，到一些大公司企業(yè)上班簽到、銀行等行政部門自主服務、服務公安安全信息等都被廣泛的實用。

2 人臉識別的主要方法及面臨的問題

當下的人臉識別流行的算法主要是對人臉的面部特征進行數(shù)據(jù)量化，在進一步對量化后的矩陣進行計算，然后與數(shù)據(jù)庫的信息通過類比方式比對，相同數(shù)量達到一定閾值是判斷相同或不同。但是有一個無法回避的問題就是對人臉特征提取后為了追求高比較識別的精確度會造成很大的數(shù)據(jù)量，進而給后續(xù)的計算帶來很大的負擔，大到不能支持或延時實時識別。因此，識別精確度和對比時間成為一組不可調和的矛盾，怎樣來選合適的點，既能保證識別精度又不太增加識別時間，成為當今主要的課題研究。

3 一種能快速提高人臉識別效率的算法

在這里主要介紹一下提高識別效率的方法，在人的面部特征通過數(shù)據(jù)量化分析之后，通常有進行小波變換、離散分析、及近年來廣泛應用的PCA、2DPCA/LDA等不同的方法。這里我們通過一組數(shù)據(jù)說明一下，在一個靜態(tài)圖像如128×128個點，為了提高辨識精度經(jīng)過小波變換或離散變換后，我們就拿最常用的40組小波函數(shù)窗口為例矩陣的為數(shù)可達到655360位，如果直接進行比對的話很顯然計算量很大，嚴重的影響速度。但是我們經(jīng)過反復的實驗得知在這655360個點中，其中有很少個點但集中了整幅圖像的絕大部分能量，因為在一整副圖像中臉頰、額頭、毛發(fā)等都占了大部分篇幅，但絕大部分人來說都沒有什么特征，對于辨識來說沒有什么影響或者說作用非常小。因此我們提出找出其中集中了主要能量的點，把他們集中并且重新組成一個新的矩陣向量，直接用他們進行下一步的對比，這樣會很少消耗資源。

根據(jù)我們前面提及的所謂小波變換，其實就是參考它具有的多窗口特性，能使原先的一幅平面圖形立體化。其對最終的識別精度提效明顯，這也是我們把128×128轉化為655360的一個主要原因，但是怎樣去尋找那部分高作用點呢？這里我們引入一個權位概念，如大家熟知的個十百千萬，其中萬的權最高大于其它，1個萬要遠遠大于99個十等等。因此，我們?nèi)デ髾嘧罡叩狞c像素。在655360個點中權越大對比其它人臉來說效果就越明顯差別大，對于自己的人臉圖像點來說越不明顯差別小。因此，我們可以把它定義為一種數(shù)學模型中極間方差和極內(nèi)方差來求。步驟如下：

Step 1把我們剛才得到的655360個點的坐標從新組成系數(shù)矩陣C。

Step 2 推導出C的平均值：

Q為訓練類，P為樣本，x，y為點的位置。

Step 3 推導出C的方差：

Step 4 推導出均值：

Step 5 推導出均值：

Step 6 推導出方差：

Step 7 推導出點的貢獻值（H）：

1≤c≤M，1≤y≤N

在第七步之后我們就能夠找到一些對于用來對比貢獻值不同的點，我們按照需要挑選一些貢獻大的點，在把這些點重新集合在一起，用這些點來進行計算對比。而選取點的個數(shù)我們可以經(jīng)過試驗反復驗證。以上算法通過ORL和YALE人臉識別集合庫，驗證得到貢獻值集中在絕少部分點上（60～70個）（如圖1）。

通過上面試驗我們能夠看出對于不同人臉庫即人臉表情、姿態(tài)等影響對于點的貢獻是不同的。我們在把這些點對應的位置坐標記錄下來，用來與人臉庫中人臉進行計算速度要快很多提高20%左右，而精度下降較少3%左右。

參考文獻

[1] Shen Cong， Xiao-Gang R， Tian -Lu M.Writer IdentificatiGabor Wavelet. Proceedings of the 4th World CoIntelligent Control and Automation[Z].2002，3：2061-2064.

[2] 李銘.自動人臉檢測與識別系統(tǒng)的研究[D].北京交通大學，2006.

[3] 孫抒雨.基于Gabor特征的人臉識別算法研究[D].遼寧科技大學，2012.

[4] 李曉東.人臉識別算法研究[D].南京：東南大學，2009.endprint

摘 要：作為最重要的一種模式識別分類，根據(jù)人的臉面部特征進行辨識對比進而判斷是否相同，人臉識別逐步在現(xiàn)實生活中起到重要的作用。但當前絕大多數(shù)對比方法，耗時較長，達不到滿意效果，本論文探討一種基于小波權位的能快速提高辨識效率的方法。

關鍵詞：人臉識別 權位 小波

中圖分類號：TU201 文獻標識碼：A 文章編號：1672-3791（2014）04（c）-0030-01

1 人臉識別研究現(xiàn)狀簡介

伴隨著計算機技術的發(fā)展，在識別技術領域里從簡單的痕跡識別包括我們熟知的腳印、指紋、行為等逐步衍生出來虹膜既眼球識別、人的面部識別再到更高級的通過血液、皮毛的DNA識別。

信息技術的提升大大促進了識別技術的發(fā)展，并為其廣泛應用提供了技術保障。但DNA等識別技術還達不到實時性。所以人臉識別作為現(xiàn)在主流的識別應用技術之一，它的應用的還是非常廣泛的，在機場、住宅、會議等安檢設施，到一些大公司企業(yè)上班簽到、銀行等行政部門自主服務、服務公安安全信息等都被廣泛的實用。

2 人臉識別的主要方法及面臨的問題

當下的人臉識別流行的算法主要是對人臉的面部特征進行數(shù)據(jù)量化，在進一步對量化后的矩陣進行計算，然后與數(shù)據(jù)庫的信息通過類比方式比對，相同數(shù)量達到一定閾值是判斷相同或不同。但是有一個無法回避的問題就是對人臉特征提取后為了追求高比較識別的精確度會造成很大的數(shù)據(jù)量，進而給后續(xù)的計算帶來很大的負擔，大到不能支持或延時實時識別。因此，識別精確度和對比時間成為一組不可調和的矛盾，怎樣來選合適的點，既能保證識別精度又不太增加識別時間，成為當今主要的課題研究。

3 一種能快速提高人臉識別效率的算法

在這里主要介紹一下提高識別效率的方法，在人的面部特征通過數(shù)據(jù)量化分析之后，通常有進行小波變換、離散分析、及近年來廣泛應用的PCA、2DPCA/LDA等不同的方法。這里我們通過一組數(shù)據(jù)說明一下，在一個靜態(tài)圖像如128×128個點，為了提高辨識精度經(jīng)過小波變換或離散變換后，我們就拿最常用的40組小波函數(shù)窗口為例矩陣的為數(shù)可達到655360位，如果直接進行比對的話很顯然計算量很大，嚴重的影響速度。但是我們經(jīng)過反復的實驗得知在這655360個點中，其中有很少個點但集中了整幅圖像的絕大部分能量，因為在一整副圖像中臉頰、額頭、毛發(fā)等都占了大部分篇幅，但絕大部分人來說都沒有什么特征，對于辨識來說沒有什么影響或者說作用非常小。因此我們提出找出其中集中了主要能量的點，把他們集中并且重新組成一個新的矩陣向量，直接用他們進行下一步的對比，這樣會很少消耗資源。

根據(jù)我們前面提及的所謂小波變換，其實就是參考它具有的多窗口特性，能使原先的一幅平面圖形立體化。其對最終的識別精度提效明顯，這也是我們把128×128轉化為655360的一個主要原因，但是怎樣去尋找那部分高作用點呢？這里我們引入一個權位概念，如大家熟知的個十百千萬，其中萬的權最高大于其它，1個萬要遠遠大于99個十等等。因此，我們?nèi)デ髾嘧罡叩狞c像素。在655360個點中權越大對比其它人臉來說效果就越明顯差別大，對于自己的人臉圖像點來說越不明顯差別小。因此，我們可以把它定義為一種數(shù)學模型中極間方差和極內(nèi)方差來求。步驟如下：

Step 1把我們剛才得到的655360個點的坐標從新組成系數(shù)矩陣C。

Step 2 推導出C的平均值：

Q為訓練類，P為樣本，x，y為點的位置。

Step 3 推導出C的方差：

Step 4 推導出均值：

Step 5 推導出均值：

Step 6 推導出方差：

Step 7 推導出點的貢獻值（H）：

1≤c≤M，1≤y≤N

在第七步之后我們就能夠找到一些對于用來對比貢獻值不同的點，我們按照需要挑選一些貢獻大的點，在把這些點重新集合在一起，用這些點來進行計算對比。而選取點的個數(shù)我們可以經(jīng)過試驗反復驗證。以上算法通過ORL和YALE人臉識別集合庫，驗證得到貢獻值集中在絕少部分點上（60～70個）（如圖1）。

通過上面試驗我們能夠看出對于不同人臉庫即人臉表情、姿態(tài)等影響對于點的貢獻是不同的。我們在把這些點對應的位置坐標記錄下來，用來與人臉庫中人臉進行計算速度要快很多提高20%左右，而精度下降較少3%左右。

參考文獻

[1] Shen Cong， Xiao-Gang R， Tian -Lu M.Writer IdentificatiGabor Wavelet. Proceedings of the 4th World CoIntelligent Control and Automation[Z].2002，3：2061-2064.

[2] 李銘.自動人臉檢測與識別系統(tǒng)的研究[D].北京交通大學，2006.

[3] 孫抒雨.基于Gabor特征的人臉識別算法研究[D].遼寧科技大學，2012.

[4] 李曉東.人臉識別算法研究[D].南京：東南大學，2009.endprint

摘 要：作為最重要的一種模式識別分類，根據(jù)人的臉面部特征進行辨識對比進而判斷是否相同，人臉識別逐步在現(xiàn)實生活中起到重要的作用。但當前絕大多數(shù)對比方法，耗時較長，達不到滿意效果，本論文探討一種基于小波權位的能快速提高辨識效率的方法。

關鍵詞：人臉識別 權位 小波

中圖分類號：TU201 文獻標識碼：A 文章編號：1672-3791（2014）04（c）-0030-01

1 人臉識別研究現(xiàn)狀簡介

伴隨著計算機技術的發(fā)展，在識別技術領域里從簡單的痕跡識別包括我們熟知的腳印、指紋、行為等逐步衍生出來虹膜既眼球識別、人的面部識別再到更高級的通過血液、皮毛的DNA識別。

信息技術的提升大大促進了識別技術的發(fā)展，并為其廣泛應用提供了技術保障。但DNA等識別技術還達不到實時性。所以人臉識別作為現(xiàn)在主流的識別應用技術之一，它的應用的還是非常廣泛的，在機場、住宅、會議等安檢設施，到一些大公司企業(yè)上班簽到、銀行等行政部門自主服務、服務公安安全信息等都被廣泛的實用。

2 人臉識別的主要方法及面臨的問題

當下的人臉識別流行的算法主要是對人臉的面部特征進行數(shù)據(jù)量化，在進一步對量化后的矩陣進行計算，然后與數(shù)據(jù)庫的信息通過類比方式比對，相同數(shù)量達到一定閾值是判斷相同或不同。但是有一個無法回避的問題就是對人臉特征提取后為了追求高比較識別的精確度會造成很大的數(shù)據(jù)量，進而給后續(xù)的計算帶來很大的負擔，大到不能支持或延時實時識別。因此，識別精確度和對比時間成為一組不可調和的矛盾，怎樣來選合適的點，既能保證識別精度又不太增加識別時間，成為當今主要的課題研究。

3 一種能快速提高人臉識別效率的算法

在這里主要介紹一下提高識別效率的方法，在人的面部特征通過數(shù)據(jù)量化分析之后，通常有進行小波變換、離散分析、及近年來廣泛應用的PCA、2DPCA/LDA等不同的方法。這里我們通過一組數(shù)據(jù)說明一下，在一個靜態(tài)圖像如128×128個點，為了提高辨識精度經(jīng)過小波變換或離散變換后，我們就拿最常用的40組小波函數(shù)窗口為例矩陣的為數(shù)可達到655360位，如果直接進行比對的話很顯然計算量很大，嚴重的影響速度。但是我們經(jīng)過反復的實驗得知在這655360個點中，其中有很少個點但集中了整幅圖像的絕大部分能量，因為在一整副圖像中臉頰、額頭、毛發(fā)等都占了大部分篇幅，但絕大部分人來說都沒有什么特征，對于辨識來說沒有什么影響或者說作用非常小。因此我們提出找出其中集中了主要能量的點，把他們集中并且重新組成一個新的矩陣向量，直接用他們進行下一步的對比，這樣會很少消耗資源。

根據(jù)我們前面提及的所謂小波變換，其實就是參考它具有的多窗口特性，能使原先的一幅平面圖形立體化。其對最終的識別精度提效明顯，這也是我們把128×128轉化為655360的一個主要原因，但是怎樣去尋找那部分高作用點呢？這里我們引入一個權位概念，如大家熟知的個十百千萬，其中萬的權最高大于其它，1個萬要遠遠大于99個十等等。因此，我們?nèi)デ髾嘧罡叩狞c像素。在655360個點中權越大對比其它人臉來說效果就越明顯差別大，對于自己的人臉圖像點來說越不明顯差別小。因此，我們可以把它定義為一種數(shù)學模型中極間方差和極內(nèi)方差來求。步驟如下：

Step 1把我們剛才得到的655360個點的坐標從新組成系數(shù)矩陣C。

Step 2 推導出C的平均值：

Q為訓練類，P為樣本，x，y為點的位置。

Step 3 推導出C的方差：

Step 4 推導出均值：

Step 5 推導出均值：

Step 6 推導出方差：

Step 7 推導出點的貢獻值（H）：

1≤c≤M，1≤y≤N

在第七步之后我們就能夠找到一些對于用來對比貢獻值不同的點，我們按照需要挑選一些貢獻大的點，在把這些點重新集合在一起，用這些點來進行計算對比。而選取點的個數(shù)我們可以經(jīng)過試驗反復驗證。以上算法通過ORL和YALE人臉識別集合庫，驗證得到貢獻值集中在絕少部分點上（60～70個）（如圖1）。

通過上面試驗我們能夠看出對于不同人臉庫即人臉表情、姿態(tài)等影響對于點的貢獻是不同的。我們在把這些點對應的位置坐標記錄下來，用來與人臉庫中人臉進行計算速度要快很多提高20%左右，而精度下降較少3%左右。

參考文獻

[1] Shen Cong， Xiao-Gang R， Tian -Lu M.Writer IdentificatiGabor Wavelet. Proceedings of the 4th World CoIntelligent Control and Automation[Z].2002，3：2061-2064.

[2] 李銘.自動人臉檢測與識別系統(tǒng)的研究[D].北京交通大學，2006.

[3] 孫抒雨.基于Gabor特征的人臉識別算法研究[D].遼寧科技大學，2012.

[4] 李曉東.人臉識別算法研究[D].南京：東南大學，2009.endprint