張湃，孟慶瑩

（唐山學(xué)院智能與信息工程學(xué)院，河北唐山，063000）

0 引言

2019年，教育部《關(guān)于深化本科教育教學(xué)改革全面提高人才培養(yǎng)質(zhì)量的意見》強調(diào)，全面提高了人才學(xué)習(xí)的質(zhì)量，需要促進(jìn)支持教學(xué)的科學(xué)研究，促進(jìn)高等教育機構(gòu)和大學(xué)的發(fā)展，以使最新的研究成果成為一名教師，支持學(xué)生盡早進(jìn)入項目、實驗室和團(tuán)隊，通過先進(jìn)的研究提高學(xué)生的創(chuàng)新能力和實踐能力。近年來，研究團(tuán)隊致力于實施數(shù)學(xué)，在圖像識別領(lǐng)域?qū)W習(xí)優(yōu)秀，從研究內(nèi)容和成果到數(shù)學(xué)建模課程教學(xué)，逐步形成了以質(zhì)量、應(yīng)用、研究為目標(biāo)的多層次、創(chuàng)新的人才學(xué)習(xí)方式，取得了良好的實踐教學(xué)效果。

隨著數(shù)字和網(wǎng)絡(luò)文字的出現(xiàn)，人臉識別技術(shù)[1]已逐漸滲透到的日常生活中[2-4]與基本的人臉識別技術(shù)相關(guān)。人臉識別是人臉數(shù)據(jù)處理的最重要內(nèi)容，已成為模式識別、圖像識別系統(tǒng)和計算機視覺等研究的熱點。由于人臉是人體的生物學(xué)特性之一，因此人臉是個體外觀等主觀因素之一，表情和姿勢的差異，以及圖片質(zhì)量、背景和復(fù)雜度、光照強度等客觀因素對人臉識別結(jié)果的影響，因此人臉識別是一個非常復(fù)雜的問題，但也具有非常重要的學(xué)術(shù)價值和應(yīng)用機會。

視覺是一個快速發(fā)展的科學(xué)方向，新方法層出不窮?？茖W(xué)技術(shù)的不斷進(jìn)步將逐步將人臉識別技術(shù)應(yīng)用于許多領(lǐng)域，包括多生物特征人臉識別，近年來，視頻監(jiān)控攝像機已在多個城市普及，并在交通監(jiān)控、社會保障、交通安全等方面發(fā)揮了重要作用，在調(diào)查和案例解決領(lǐng)域，本研究主要涉及人臉識別和基于集成系統(tǒng)的人臉識別網(wǎng)絡(luò)。

人臉識別技術(shù)是指計算機用來檢測人臉圖像或視頻流的技術(shù)。人臉的復(fù)雜性以及拍攝圖像和視頻的環(huán)境的多樣性使得計算機領(lǐng)域的人臉識別技術(shù)成為一門非常復(fù)雜的學(xué)科。

面部識別的使用分類：（1）位置。它用于區(qū)分人臉與圖像或視頻流，并精確定位人臉和圖像的確切位置；（2）關(guān)鍵位置。它用于檢測照片或視頻流中的人體特征，如眼鏡、鼻子、嘴唇及其屬性；（3）面部識別。它用于通過圖像或視頻流中的面部線條準(zhǔn)確識別一個人的身份；（4）面部監(jiān)控。連續(xù)監(jiān)控并確定視頻流面的位置、方向和一半；（5）面部表情識別。從圖像或視頻流中識別人們的情緒狀態(tài)：快樂、悲傷、憤怒。

應(yīng)用與展望：（1）給視頻通話增加樂趣，比如動態(tài)地在臉上戴口罩；（2）同步虛擬圖像和對應(yīng)人臉的表情和動作；（3）識別某一級別，如登錄驗證；（4）運動捕捉和控制，例如使用手勢控制計算機。

所涉區(qū)域：

（1）計算機學(xué)習(xí)

計算機學(xué)習(xí)始于1959年亞瑟·塞繆爾（Arthur Samuel）提出的國際象棋學(xué)習(xí)算法。1998年，湯姆·米切爾（Tom Mitchell）給出了一個數(shù)學(xué)定義：

對于計算機程序，給定任務(wù)T和性能監(jiān)控方法P，如果測量結(jié)果P受T影響經(jīng)驗E，我們認(rèn)為計算機程序已經(jīng)學(xué)習(xí)了E；

反饋檢測技術(shù)是對未知圖像或視頻流人臉的識別和定位，P在確定圖像或視頻流人臉時是準(zhǔn)確的（實際上有一個更準(zhǔn)確的評估標(biāo)準(zhǔn)用于此評估）。該程序通過體驗一組人臉圖像而非人臉圖像來改進(jìn)P。

計算機學(xué)習(xí)本質(zhì)上是一組基于高等數(shù)學(xué)、概率論、數(shù)理統(tǒng)計和線性代數(shù)的復(fù)雜的人工命題。通過對一組樣本的分析和評估，不斷審查閾值，最終完成對未知樣本的相對準(zhǔn)確的評估。

（2）圖像處理

主要用于圖像處理時的物體去除和面部輪廓定位；提取特征時，應(yīng)使用預(yù)視覺圖像分離計算機學(xué)習(xí)所需樣本的數(shù)學(xué)特征，并最終以直角繪制面部特征；利用輪廓點所示樣本的線性變換得到面部輪廓的位置，作為特征輪廓矩陣；

處理流程：（1）像抓取人臉樣本圖譜一樣抓取它；（2）學(xué)習(xí)像AdaBoost一樣的抓地力。找到他臉的大致位置。

本實驗根據(jù)人臉特征，根據(jù)圖像輪廓構(gòu)建方法，在此基礎(chǔ)上，通過并行計算，向量函數(shù)由多個候選人臉的形態(tài)、顏色和紋理特性組成，快速提取目標(biāo)，最后，將開發(fā)一種連續(xù)平均量化的人臉檢測算法和埋入程序。本實驗旨在利用數(shù)學(xué)理論和軟件解決圖像領(lǐng)域的突出問題，包括多個知識點和多個跨學(xué)科知識，具有綜合性、適用性、可擴展性和可擴展性，交叉性和探索性，鼓勵創(chuàng)新人才的培養(yǎng)。

本設(shè)計主要研究了基于連續(xù)平均量化的人臉識別技術(shù)，通過SMQT去除人臉特征，得到目標(biāo)結(jié)構(gòu)，并通過SNOW分類對人臉和人臉進(jìn)行分類，準(zhǔn)確定義人臉的具體位置。對于遮擋和多方面人臉，仍然精確耐用。

1 連續(xù)平均量化人臉檢測原理

連續(xù)平均量化算法SMQT是Ni1sson，2005年提出的局部特征分配方法，可以以較低的運行成本獲得結(jié)構(gòu)特征[5]?；趙in更新策略[6]具有良好的學(xué)習(xí)和預(yù)測率。該計劃主要用于控制SMQT算法對光照、旋轉(zhuǎn)、遮擋、，在復(fù)雜背景等因素的影響下，主要的識別過程是通過連續(xù)平均量化去除候選區(qū)域中的人臉特征，然后通過SNOW分類訓(xùn)練出的特征對人臉和人臉進(jìn)行分類，而不是準(zhǔn)確地識別人臉位置。

SMQT的目標(biāo)是隔離對光和傳感器可變性不敏感的功能。該方法可以自動降級圖像結(jié)構(gòu)并獲取結(jié)構(gòu)屬性。該屬性用于隔離對光不敏感的光敏感屬性，為了減少繪制線條時對照明因素的影響。

SNOW分類器是瘦網(wǎng)絡(luò)線性單元的訓(xùn)練結(jié)構(gòu)。SNOW最初在Roth的面部位置提供。其主要目的是使用預(yù)定義的樣本特征訓(xùn)練線性和可持續(xù)的網(wǎng)絡(luò)，并訓(xùn)練面部和面部網(wǎng)絡(luò)，在SNOW分類訓(xùn)練過程中，訓(xùn)練樣本也分為兩類：正樣本和負(fù)樣本，即人臉和人臉樣本。

在表面檢測期間，分類可能會出現(xiàn)重復(fù)檢測等現(xiàn)象。該算法使用幾何位置和分級方法來降低重復(fù)率。每個分類與其他分類分開識別。如果給定區(qū)域的重復(fù)率高于指定閾值，一定數(shù)量的分類能夠檢測到該區(qū)域，而使用不同的分類來識別該區(qū)域。保留分類結(jié)果較高的分類，刪除其他分類，并且無法獲得重復(fù)的結(jié)果。

2 樣本處理和實驗結(jié)果

（1）對于包含單個人臉圖的不同表情，不同程度光照及不同偏轉(zhuǎn)角度時檢測結(jié)果分別如圖1，圖2所示。

圖1 FERET人臉庫中人臉不同表情檢測結(jié)果

如上所示，該算法實現(xiàn)了目標(biāo)人臉識別，圖1顯示了識別不同表情、不同角度的結(jié)果，基本達(dá)到100%。如圖2所示，對于不同的光照，人臉正面和正面的檢測效果、精度和強度都很好，因此，SMQT+SNOW算法不受光照不均勻、人臉角度低和旋轉(zhuǎn)的影響。

（2）對于包含多張人臉的檢測結(jié)果如圖3、圖4所示。

圖3 包含五張人臉的圖片和檢測后的圖片

圖4 多張不同角度人臉圖片及其檢測結(jié)果

基于上述指標(biāo)，可以看到，一張臉、兩張臉以及不同靈巧度和光照水平的多個表情的檢測結(jié)果原則上都在90%以上，檢測效率也很高。然后分析了三個因素的影響：遮擋，采用SMQT+SNOW人臉檢測方法，光照強，背景復(fù)雜。

（3）有眼鏡，帽子，圍脖等遮擋物時的人臉檢測結(jié)果如圖5所示。

圖5 有各種遮擋物的人臉檢測結(jié)果

由圖5，圖6可以觀察，由于人臉有圍巾，帽子，眼鏡等障礙物的阻擋，導(dǎo)致人臉面部特征提取不全面，因此識別率有所下降。圖6和圖7降低了基于SMQT+SNOW的人臉識別算法檢測結(jié)果的準(zhǔn)確性，原因是密度過大、光線過強、人臉大小過大以及相互閉合，導(dǎo)致錯誤檢測和漏檢；表示如果在強光照下人臉固定區(qū)域過大，則SMQT+SNOW算法的檢測率不高。以下指標(biāo)顯示了復(fù)雜背景下的人臉識別結(jié)果。

圖6 單人臉較強光照的檢測結(jié)果

圖7 有較強光照時的人臉檢測結(jié)果

①通過仿真實驗圖顯示，SMQT+SNOW檢測算法對單個人臉和多個人臉圖像都具有較高的檢測率；②根據(jù)上述所有圖像的識別結(jié)果，可以得出結(jié)論，一般來說，通過矩形框識別的面部具有一個共同特征，即面部基本上為正，面部角度不太大，因此旋轉(zhuǎn)角度太大）過多的表達(dá)會影響SMQT+SNOW的檢測；③如果有帽子、圍巾、頭發(fā)等障礙物，會有一些虛假檢測和未應(yīng)答檢測；④在普通光照條件下，SMQT+SNOW算法人臉識別效果好，檢測率高，如果光線強，檢測效果會降低，會消失，假檢測也會消失，當(dāng)然這也與人臉的數(shù)量和密度有關(guān)?？傊?，SMQT+SNOW算法對某些遮擋、強光照、困難背景、任意位置等因素具有較高的檢測率。

3 結(jié)語

本設(shè)計主要研究基于連續(xù)平均量化的人臉識別技術(shù)，重點研究不同位置、不同表情、不平等購物對人臉識別的不利影響。是否有人臉圖像。如果有肉，需要定位人臉并用矩形框進(jìn)行識別。本設(shè)計使用連續(xù)平均變換去除人臉特征，然后使用雪分類對人臉和人臉進(jìn)行分類，為了準(zhǔn)確確定人臉的位置，為了提高檢測算法的準(zhǔn)確性和可靠性，改進(jìn)訓(xùn)練方法，有效提高檢測效率，降低誤檢率，這意味著：它提高了算法的速度，顯著提高了算法的可靠性和準(zhǔn)確性。