張吉富，劉書剛

(華北電力大學，河北 保定 071003)

在新興的信息安全應用領域，人臉識別技術提供了一種更為安全可靠易用的身份鑒別手段，提升了整個網(wǎng)絡信息系統(tǒng)的安全性能。同時，人臉識別技術在傳統(tǒng)的安防領域可以便捷地與原有技術實現(xiàn)緊密的結合，大大提升了原有系統(tǒng)的智能化程度、安全性及易用性，拓展了原有系統(tǒng)的應用領域。隨著科學技術的發(fā)展及各種技術手段的綜合應用，人臉識別技術會在越來越多的領域發(fā)揮更重要的作用。

人臉識別技術是基于人的臉部特征，對輸入的人臉圖像或者視頻流(截取視頻)，先判斷其是否存在人臉，若存在人臉，則進一步地給出每個臉的位置、大小和各個主要面部器官的位置信息。并依據(jù)這些信息，進一步提取每個人臉中所蘊涵的身份特征，并將其與已知的人臉進行對比，從而識別每個人臉的身份。

1 人臉識別算法

人臉識別技術是將原始數(shù)據(jù)經(jīng)過降維后，投影到不同的空間中，然后根據(jù)特征向量在空間中的距離比較結果來識別不同的樣本。系統(tǒng)采用Fisherface方法，它是PCA方法和FLD方法的結合，具有很高的識別率和效率［3］。

1.1 線性判別(Fisher方法)

基于Fisher 準則的線性判別分析［5］是特征抽取的最有效的方法，其目標是從高維特征空間中提取出最具有判斷力的低維特征，這些特征能使同一類別的樣本聚集在一起，不同類別的樣本盡量分開，即選擇使得樣本類間離散度和樣本類內離散度比值最大的特征。設有c個模式類，樣本的類內散布矩陣為Sw，類間散布矩陣為Sb，可分別表示為公式(1)和公式(2)。

Fisher 準則函數(shù)定義為式(3)。

Fisher 準則函數(shù)將類間離散度和類內離散度巧妙地結合在一起，取極大化目標函數(shù)J(W)的矩陣Wfld作為投影方向。

雖然Fisher 線性判別能夠很好地對樣本進行分類，但是Sw常常是個奇異矩陣，或者接近奇異，這會造成很大的計算誤差，因此又提出了Fisherface方法［1，2］。

1.2 Fisherface方法

Fisherface是結合PCA和FLD(Fisher 線性判別)的一種方法。在Fisher 線性判別方法中，利用式(1)和式(2)分別得到Sw和Sb。

對于純粹的FLD用式(4)計算Wopt。

設Wpca為PCA 得到的Φt，通過式(5)計算得到Wfld。

進而通過式(6)得Wopt。

將Wopt作為新的投影矩陣，并利用Wopt對原始數(shù)據(jù)進行變換，原始數(shù)據(jù)為一列向量R，通過Wopt乘以R 即可得到特征向量，即為對應于每個人的特征數(shù)據(jù)，同該人的其他信息(如名字等)一起存儲在人臉數(shù)據(jù)庫中備用。

2 系統(tǒng)結構

構建的系統(tǒng)從功能上劃分主要由五部分組成，如圖1所示。包括:人臉數(shù)據(jù)庫、嵌入式ARM 處理器、圖像采集、出錯報警處理、識別信息顯示等。

圖1 人臉識別系統(tǒng)結構示意圖

2.1 圖像采集攝像

攝像頭負責對人臉圖像進行抓拍，抓拍采用視頻流的形式，將每一幀圖像數(shù)據(jù)發(fā)送到嵌入式ARM 處理器。

系統(tǒng)使用的是采用30 萬像素的普通攝像頭，拍攝后的頭像是640×480的彩色圖像，因和識別算法需要的48×48(訓練得到的人臉數(shù)據(jù)庫中的人臉數(shù)據(jù)格式)的灰度圖像還有一定的差別，因此須將圖像數(shù)據(jù)進行壓縮和灰度處理后，再傳給識別算法。

2.2 人臉數(shù)據(jù)庫

系統(tǒng)在運行時，需預先在數(shù)據(jù)庫中存儲人臉的特征向量和人的ID 偶對［4］，如(ID，feature)。系統(tǒng)在試運行階段在數(shù)據(jù)庫中存儲了一個班級30 名學生的人臉圖像信息。

建立數(shù)據(jù)庫是在識別算法的訓練階段，在訓練得到變換和降維矩陣后，利用矩陣將人臉庫中的人臉提取特征信息，再將特征信息和ID 共同存入數(shù)據(jù)庫。由于人臉數(shù)并不是很多，所以并未采用大型的數(shù)據(jù)庫來實現(xiàn)，而是采用MATLAB的mat 文件進行存儲，利用MATLAB的庫函數(shù)save和load來管理數(shù)據(jù)庫。當人臉數(shù)據(jù)過多時，就應該采用大型數(shù)據(jù)庫來提高效率和安全性，例如SQLServer 或者Oracle 等。

2.3 嵌入式ARM 處理器

采用嵌入式ARM9 處理器實現(xiàn)Fisherface 識別算法，將攝像頭采集到的圖像進行信息預處理，通過OpenCV 庫檢測圖像中是否有人臉，如果有就將人臉圖像截取，并處理成48×48的灰度圖像，作為Fisherface算法的樣本。

處理器主要完成人臉圖像的樣本訓練和圖像識別兩個任務。樣本訓練是在人臉庫上運用算法求得變換和降維所需要的矩陣。實驗選取的人臉庫由一個班級中的30 人組成，每人10張不同形態(tài)的48×48(也可以是其他分辨率，但是要在識別時和訓練時采用同樣的分辨率)的灰度圖像，通過Fisherface方法訓練即可得到所需的降維和變換矩陣Wopt，Wpca，Wfld。

識別過程則是對攝像頭采集到的圖像，利用OpenCV 庫提取出人臉的48×48 灰度圖像，作為樣本，利用訓練階段求得的降維矩陣對圖像進行降維后得到特征向量，與數(shù)據(jù)庫中的特征向量比對，求的空間最小距離低于閾值，即認為識別成功，如果距離都超過上限則視為識別失敗，提示出錯信息并產生報警信號。

2.4 識別結果處理

這部分由ARM 嵌入式處理器控制，識別成功則顯示圖像對應人臉數(shù)據(jù)庫中的信息，而出錯報警則用語音提示錯誤。系統(tǒng)中顯示設備使用的是彩色液晶顯示器LM057QC1T01，報警電路則采用語音芯片ISD4004 來實現(xiàn)。

系統(tǒng)在成功識別人臉后，則可連接記費系統(tǒng)，若有費用的改動，則記錄費用信息傳送給記費系統(tǒng)及時修改。

3 系統(tǒng)運行結果

通過在一個班級的30個人進行測試，每個人10張圖像，共300張圖像，包括不同面部表情、不同光照、不同時間、不同頭部角度的人臉圖像，圖像尺寸為48×48，共300張灰度圖的人臉庫作為標準人臉庫，進行訓練得到人臉數(shù)據(jù)庫和變換矩陣Wopt，Wpca，Wfld。

利用已訓練好的數(shù)據(jù)庫和變換矩陣，在30個人的實驗樣本上進行模擬刷卡測試，在不同光照、不同時間、不同地點，共進行了10 次刷卡過程，統(tǒng)計識別率為87.502%，基本達到實用要求。

4 結束語

建立的人臉識別系統(tǒng)逐步取代目前學生使用的刷卡系統(tǒng)，系統(tǒng)在對識別率、效率等因素綜合考慮后，采用了Fisherface 識別算法，并利用嵌入式ARM9 實現(xiàn)系統(tǒng)，通過對一個班級的30 名學生進行測試，識別效果好，進一步完善安全性等功能后，可推廣應用。

［1］石躍祥，蔡自興，王學武，等.基于改進的PCA算法和Fisher 線性判別的人臉識別技術［J］.小型微型計算機系統(tǒng)，2006，27(9):1731－1736.

［2］李杰，阮秋琦.一種基于加權小波和改進的Fisher 臉的人臉識別方法［A］.第十四屆全國圖象圖形學學術會議論文集［C］.2008.

［3］Dario Maio，Davide Maltoni.Real-time Face Location on Gray-scale Static Images［J］.Pattern Recognition，2000，33(9):1525－1539.

［4］Kah-Kay Sung，Tomaso Pogg io.Example-based Learning for View-based Human Face Detection［J］.IEEE Trans.on PAMI，1998，20(1):39－50.

［5］張宇萍.基于Fisher 準則的二次線性特征提?。跩］.西安工業(yè)大學學報，2007，27(5):460－463.