曾 霞 霞

(閩江學(xué)院 計算機科學(xué)系，福建省信息處理與智能控制重點實驗室， 福州 350121)

0　引　言

信息時代快速的身份驗證已經(jīng)成為普遍的要求，無論是經(jīng)典的密碼識別，還是近年來應(yīng)用廣泛的生物特征識別，都有了極為迅速的發(fā)展與完善。由于每個人屬性的不同，生物特征識別是較為理想的選擇[1-4]。生物識別技術(shù)常見的有指紋、視網(wǎng)膜、靜脈以及人臉識別等[5-6]。與大部分生物識別技術(shù)對比，人臉識別是目前較為友好、便捷的一種方法，不會對被識別者造成如心里陰影等問題，容易受被識別者所肯定，因此人臉識別技術(shù)有了廣泛的應(yīng)用與研究[7-19]。當(dāng)前國內(nèi)在人臉識別領(lǐng)域主要集中于幾何特征、代數(shù)特征和連接機制三方面的正面識別人臉研究，其中彭輝等提出的類間散布矩陣的方法，實現(xiàn)了識別率不降低情況下運算量大降低；楊靜宇等則采用了奇異值分解的方法實現(xiàn)人臉識別，能夠?qū)崿F(xiàn)多分類融合的群策分析[20-22]。

當(dāng)然，人臉識別技術(shù)還遠未到完善的地步，其存在的防偽性劣勢不斷被放大，目前對人臉識別技術(shù)影響的主要問題有[19,23]：不確定性，人臉圖像因為光強等原因其獲得存在很多不確定性；多樣性，人臉圖像模式存在包括眼鏡、胡須等很多種類型；知識綜合性，人臉識別技術(shù)已經(jīng)成為多學(xué)科、多領(lǐng)域綜合知識運用的方法。從目前研究來看，各種模型或表達方式都有一定的干擾因素，只能是不斷完善以求更準(zhǔn)確、快速、有效?；谏鲜鰡栴}和發(fā)展背景，本文采用改進局部二值模式(LBP)和局部序數(shù)模式(LIOP)的方法，進行了人臉識別技術(shù)的改進。

1　模式改進與算法

1.1　模式改進

LBP采用的是領(lǐng)域點與中心像素點大小進行的圖像編碼，但其忽略了領(lǐng)域點間大小與對比。LIOP則是用領(lǐng)域點間大小與對比取代領(lǐng)域點與中心像素點的編碼，LIOP算子可采用下式表述：

f(A)=order(A1,A2,A3,A4)

(1)

式中：A1,A2,A3以及A4表述的是以A點為中心的4個領(lǐng)域點；order()為實現(xiàn)4點間的序數(shù)。LIOP編碼如圖1所示。

圖1LIOP編碼方法

改進的優(yōu)化量化模式(YP)對比了LIOP和LBP的優(yōu)勢和問題，提出采用領(lǐng)域差異向量的方法實現(xiàn)聚類，其編碼過程如圖2所示。

上述的編碼方法采用的是16個領(lǐng)域點的碼本，為了不增加計算量，我們進一步將圖像分成36個子塊，圖3為設(shè)計的16點鄰域位置。

圖2YP方法

圖3圖像的子塊

1.2　降維算法

人臉識別通常采用提取直方圖特征，然而其維數(shù)一般較高，對于識別計算會帶來一定困擾。本文基于傳統(tǒng)的PCA(Principal Component Analysis)算法改進，提出WPCA，即在PCA的基礎(chǔ)上再乘以權(quán)重。降維算法過程如下：首先采用YP實現(xiàn)直方圖特征提取，實現(xiàn)識別率的顯著改進；訓(xùn)練的所有圖片進行上述過程，對特征求平均值，然后對特征值、向量等排序，進而得到判別矩陣；然后將需要測試的所有圖片重復(fù)以上兩過程，實現(xiàn)降維。降維后特性可以采用以下模型判定：

(2)

式中：H1,H2是降維后的兩圖片特征；S(H1,H2)表述的是余弦相似度。研究表明，S(H1,H2)越大，則表示圖片越相似。

1.3　預(yù)處理算法設(shè)計

預(yù)處理算法采用改進的PP(Pipeline of Image Preprocessing)和Retina模型方法。提出的PR方法算法過程如下： 首先對圖片實現(xiàn)gamma校正，得出校正后圖像；進一步對圖片實現(xiàn)非線性自適應(yīng)濾波2次；然后對圖片實現(xiàn)DOG濾波；最后對圖片進行全局的對比增強。預(yù)處理過程及算例如圖4所示。從預(yù)處理的算例可以看出，最終結(jié)果比原始圖像能夠較好地實現(xiàn)去除光照的影響，保留人臉的本征特點。

2　實驗及分析

2.1　實驗數(shù)據(jù)

實驗采用中科院的CAS數(shù)據(jù)平臺，其涵蓋9萬多張頭部圖像，有人臉多種變化條件，表1為中科院CAS數(shù)據(jù)的子集結(jié)構(gòu)。

(a)原始圖像(b)gamma校正(c)Retain濾波(d)DOG濾波(e)對比增強

圖4　預(yù)處理過程

2.2　實驗結(jié)果對比

實驗采用第2節(jié)提到的算法及改進，訓(xùn)練集碼本定義為400，實驗的算法對比如表2所示。

表2　算法對比實驗的結(jié)果　%

從表2可以看出，設(shè)計的改進方法在遮擋、背景、年齡、表情以及距離5種測試集中都表現(xiàn)更好，與傳統(tǒng)算法對比顯示了較大的提高和準(zhǔn)確率。算法鑒別能力、提取時間方面(PR的準(zhǔn)確率能夠說明時間)都有明顯的優(yōu)勢，這說明改進方法具備較強的理論和實際價值。

2.3　異質(zhì)人臉識別實驗

將算法進行異質(zhì)人臉識別的對比與實驗，依然采用中科院CAS數(shù)據(jù)平臺，選擇2 012張可見光范圍的人臉，2 992張在近紅外范圍的人臉，依然對比上述4種算法，結(jié)果如表3所示。從表3的對比結(jié)果可見，改進辦法識別率有了顯著的提高，比LBP、PP算法提高了20%以上，盡管識別率還沒有達到最為理想的結(jié)果，但有了明顯的改進，說明設(shè)計的人臉識別技術(shù)能夠較好地應(yīng)用在異質(zhì)人臉識別方面。

表3　異質(zhì)人臉識別的對比結(jié)果

3　結(jié)　語

本文針對人臉識別技術(shù)存在的問題，設(shè)計了改進算法，實現(xiàn)了算法鑒別能力、提取時間的明顯改進，有較強人臉特征識別能力；在對異質(zhì)人臉識別進行對比時，與傳統(tǒng)算法相比也有了明顯的改進，比LBP、PP算法提高了20%以上，有一定的異質(zhì)人臉識別功能。該改進方法對于人臉識別進一步完善具有一定的理論和實際意義。

參考文獻(References)：

[1]王科俊,鄒國鋒.基于子模式的Gabor特征融合的單樣本人臉識別[J].模式識別與人工智能,2013,26(1):50-56.

[2]趙振華,郝曉弘.局部保持鑒別投影及其在人臉識別中的應(yīng)用[J].電子與信息學(xué)報,2013,35(2):463-467.

[3]張潔玉,趙鴻萍,陳曙，等.自適應(yīng)閾值及加權(quán)局部二值模式的人臉識別[J].電子與信息學(xué)報,2014,36(6):1327-1333.

[4]鄒國鋒,傅桂霞,李海濤，等.多姿態(tài)人臉識別綜述[J].模式識別與人工智能,2015,28(7):613-625.

[5]馬曉,莊雯璟,封舉富，等.基于帶補償字典的松弛稀疏表示的小樣本人臉識別[J].模式識別與人工智能,2016,29(5):439-446.

[6]郭哲,樊養(yǎng)余,雷濤，等.基于聯(lián)合稀疏描述的多姿態(tài)三維人臉識別[J].西北工業(yè)大學(xué)學(xué)報,2014,15(3):382-387.

[7]汪淑賢,熊承義,高志榮，等.分塊最大相似性嵌入稀疏編碼的人臉識別[J].模式識別與人工智能,2014,27(10):954-960.

[8]辜小花.基于視覺感知和邊緣保持的光照不變?nèi)四樧R別[J].電子學(xué)報,2013,35(8):1500-1505.

[9]聶海濤,龍科慧,馬軍，等.基于快速SIFT算法和模糊控制的人臉識別[J].吉林大學(xué)學(xué)報(工學(xué)版),2016,46(2):549-555.

[10]殷飛,焦李成,楊淑媛，等.基于子空間類標(biāo)傳播和正則判別分析的單標(biāo)記圖像人臉識別[J].電子與信息學(xué)報,2014(3):610-616.

[11]王國強,李龍星,郭曉波，等.基于稀疏保持判別嵌入的人臉識別[J].儀器儀表學(xué)報,2014,35(2):305-312.

[12]毋立芳,侯亞希,許曉，等.基于緊致全姿態(tài)二值SIFT的人臉識別[J].儀器儀表學(xué)報,2015,36(4):736-742.

[13]周凱汀,鄭力新.基于改進ORB特征的多姿態(tài)人臉識別[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報,2015(2):287-295.

[14]湯蘭蘭,蓋紹彥,達飛鵬，等.基于網(wǎng)格縱橫局部二值模式的三維人臉識別[J].儀器儀表學(xué)報,2016,37(6):1413-1420.

[15]崔法毅.色度馬氏距離圖與灰度圖特征自適應(yīng)融合的彩色人臉識別[J].紅外與激光工程,2015,44(4):1382-1389.

[16]郭哲,樊養(yǎng)余,劉姝，等.三維到二維:人臉本征形狀描述圖[J].光學(xué)精密工程,2014,22(12):3391-3400.

[17]萬源,李歡歡,吳克風(fēng)，等.LBP和HOG的分層特征融合的人臉識別[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報,2015(4):640-650.

[18]胡正平,李靜.基于低秩子空間恢復(fù)的聯(lián)合稀疏表示人臉識別算法[J].電子學(xué)報,2013,41(5):987-991.

[19]于謙,高陽,霍靜，等.視頻人臉識別中判別性聯(lián)合多流形分析[J].軟件學(xué)報,2015,26(11):2897-2911.

[20]黃璞,唐振民.無參數(shù)局部保持投影及人臉識別[J].模式識別與人工智能,2013,26(9):865-871.

[21]張劍,何驊,詹小四，等.用SIFT詞匯樹實現(xiàn)的姿態(tài)無關(guān)的人臉識別[J].計算機輔助設(shè)計與圖形學(xué)學(xué)報,2013,25(11):1694-1700.

[22]楊章靜,黃璞,張凡龍，等.中心線鄰域鑒別嵌入算法及其在人臉識別中的應(yīng)用[J].模式識別與人工智能,2015,28(12):1100-1109.

[23]甘俊英,何國輝,何思斌，等.核零空間線性鑒別分析及其在人臉識別中的應(yīng)用[J].計算機學(xué)報,2014,37(11):2374-2379.