張志強

(順德職業(yè)技術學院，廣東 順德 528333)

0 引言

人臉識別是一種基于人的臉部特征信息進行身份認證的生物特征識別技術，廣泛應用于公安監(jiān)控、司法認證、民航安檢、身份驗證、銀行密押、社會保險等領域中，近年來成為圖像學研究的熱點。目前，主流的人臉識別方法包括基于自適應算法的特征人臉匹配方法、基于遺傳算法的特征人臉匹配方法和基于圖像閾值化算法的特征人臉匹配方法[1]。其中，最常用的是基于圖像閾值化算法的特征人臉匹配方法。傳統(tǒng)的人臉識別過程一般是先輸入需要匹配的人臉圖像，獲取其特征信息，然后和存儲在庫中的人臉數據逐一對比，最后按相似度排序，排在最上面數據即為匹配的人臉圖像，當數據庫規(guī)模增大時，匹配時間將成正比例增加，嚴重影響匹配效率[2]。

國內外相關文獻對解決海量人臉匹配時間過長的問題作了相關研究。文獻[3]利用降維法把數據庫中的人臉特征數據和待匹配的人臉圖像信息運用主成分分析(Principal Component Analysis，PCA)降維法歸結到一個低維數的空間，以減少特征匹配時間，加快匹配速度。但該方法需要計算出數據庫中的所有特征矩陣，海量數據庫在轉化成大矩陣時會出現“維數災難”(Curse of Dimensionality)的問題，難以應用到大規(guī)模人臉識別系統(tǒng)中。文獻[4]中提出的CLARANS法，要求待聚類的信息必須事先放進計算機內存中，這對海量數據庫顯然不合適;文獻[5]中提出的BIRCH法，通過一個聚類特征的三元數組來表示一簇對象的數據信息，但計算閾值相對困難;文獻[6]中提出的CLIQUE法，利用自頂向下的思想計算每個子空間的聚類單元來實現降維，但在計算k維空間的聚類時，需要組合出所有k－1維子空間的聚類、運算的時間和空間效率較低。

本文提出一種基于云的海量人臉特征匹配算法，通過云計算的強大運算能力來克服傳統(tǒng)算法的弊端。首先通過廣域云網絡模型來提取人臉特征權值參數，然后對特征參數矩陣轉換處理，最后應用轉化后的矩陣匹配人臉特征，應用該方法構建的云平臺，結合改進的ASM算法預判模型特征，可以更有效提高匹配程度。在對海量人臉圖像匹配的實驗中，采用超過100 000張人臉圖像庫來匹配特定的1張?zhí)卣魅四?，分別采用傳統(tǒng)的車輪式匹配算法和本文算法來實現，實驗數據表明，本文算法較傳統(tǒng)算法匹配精度相當的情況下，耗時減少一半，從而驗證了本文算法的優(yōu)勢。

1 建立圖像匹配云模型

云計算是基于互聯網的相關服務的增加、使用和交付模式，通常涉及通過互聯網來提供動態(tài)易擴展且經常是虛擬化的資源，可以應用到人臉匹配系統(tǒng)中進行海量運算。其基本思想是利用各個地區(qū)的數據庫對相關人臉信息參數進行運算，從而構建海量人臉圖像運算平臺。該平臺通常包含基礎云、平臺云和應用云3大部分[7]。相應的匹配云模型也包括基礎結構層、平臺結構層和應用結構層3個層次。在海量人臉特征匹配平臺的架構中，人臉信息參數的匹配步驟是核心，總體來說按下述5個步驟進行:

1)初始化特征人臉數據。

2)計算人臉圖像特征權值參數。

3)比較特征權值參數。

4)對比較結果進行矩陣轉換。

5)重復步驟2)，直到完成全部人臉圖像匹配。其流程圖如圖1所示。

圖1 云平臺中人臉信息參數匹配流程圖

在上述的人臉信息參數的匹配步驟中，步驟2)、3)、4)是關鍵步驟，本文重點研究其算法的實現過程。

1.1 計算人臉圖像特征權值參數

首先要獲取待匹配人臉圖像的坐標，其公式如下:

公式(1)中，z為人臉特征的空間參數，Xm為人臉圖像的特征參數，U為人臉圖像像素數，σk為人臉圖像第k個像素點的灰度值，h為人臉圖像的序號。于是，按公式(2)計算出人臉圖像特征參數的逆向變換量:

公式(2)中，FG(m，p，n)為逆向變換值，G 為人臉圖像特征的提取系數，i為人臉圖像特征的分類系數，n為人臉圖像的數值分量。令Q(r2)作為人臉圖像特征點的坐標關系系數，Q(r2log r)作為算法的耗時系數。則應用逆向變換算法對人臉圖像的特征向量進行逆向變換的過程如下:

對人臉圖像空間參數進行FR變換，設人臉圖像輪廓區(qū)域中點坐標為(s1，s2)，其中則根據下述公式計算人臉圖像中的特征點，從而得出人臉圖像的特征分類參數:

同理，根據下述公式計算出人臉圖像的特征數值分量方差值:

通過上述方式得到的人臉圖像特征數值分量方差，構建人臉圖像特征數據集合 Z －[z1，z2，…，zs]。根據下述公式計算人臉圖像的特征權值參數:

1.2 特征參數矩陣轉換

設人臉圖像特征維數為p，人臉圖像中所有特征構成向量為y，y=(y1，y2，…，yp)T，且=F[y]，人臉圖像中特征點的參數矩陣為Sy，Sy=F[yyT]，均值矩陣為利用下述公式對人臉圖像的特征參數進行矩陣轉換:

對人臉圖像的特征數值分量y的子集進行矩陣轉換，其公式表示為:

計算人臉圖像匹配過程中的誤差，公式表示為:

根據上述算法，可以實現人臉圖像特征參數矩陣的轉換處理，得到與待匹配特征人臉的特征點在空間位置上一致的圖像，從而完成人臉圖像的對比分析。下面論述如何應用以上算法搭建的云模型平臺來實現特征人臉圖像的匹配。

2 海量人臉圖像匹配云平臺的構建

2.1 云平臺的設計思路

在應用本文算法設計海量人臉圖像匹配云平臺前，需要先通過建立特征點對待匹配的人臉圖像特征數據進行初始化處理，以保證被匹配特征具有全能型，方便后面對其進行統(tǒng)計分析。由于在應用平臺進行人臉圖像特征匹配時需要對人臉特征點位置作初次對準，該操作較為耗時，解決的方法是對待匹配的人臉圖像的初始唯一特征進行預判，以保證準確定位。其算法如下:

設2個相似的形狀分別為x1和x2，為把x2轉化為M(x2)+t時，E取值最小，則需要計算旋轉角度θ、縮放因子s，以及平移矢量的值。E取最小值，即:

其中:

公式(10)中，W為某個人臉特征圖像數據的相似對角矩陣，該矩陣中元素wk分別為對應各個點的權值，且:

設Distance(k，l)為2個特征點之間的有效距離，Variance(k，l)為人臉匹配過程中計算得到的方差結果，可以進行假設，得到:

設N為已對準的形狀數量，n為每個形狀的手工標定點個數，則對準的中值形狀量為:

由于在人臉特征預判時可能包含少量誤差，因此需要進行誤差消除操作，算法如下:

其中Explained－rate是一個定值。

根據對準集合中特征點位置互相關聯的特性，可以只用特定的幾個變量來表示對準集中的大部分形狀，算法如下:

2.2 云平臺的構建框架

根據以上的云平臺的設計思路，結合本文的人臉匹配算法，可以構建海量人臉圖像匹配云平臺框架。云計算的本質是通過網絡進行運算，因此其體系結構應以服務為核心[8]?；谶@個本質，海量人臉圖像匹配云平臺的體系結構應由5部分組成:應用層、平臺層、資源層、訪問層以及管理層，其結構圖如圖2所示。

圖2 海量人臉圖像匹配云平臺的框架圖

從圖2可以看出，本文算法主要應用在應用層、平臺層和訪問層中。其中應用層是整個云計算系統(tǒng)中最重要的組成部分，負責提供軟件服務，也是系統(tǒng)完成復雜人臉特征匹配的基礎，在該層中，結合優(yōu)化的算法可以實現較好的匹配功能[9];平臺層提供了對資源和服務的封裝，該層包括中間件服務和數據庫服務2部分，中間件服務為系統(tǒng)提供可擴展的消息中間件、事務處理中間件等服務，由于人臉信息量巨大，系統(tǒng)匹配時需要具備較高的處理能力，因此需要數據庫服務模塊來支持[10];訪問層作為人臉圖像匹配系統(tǒng)與外界的訪問接口，其功能是完成海量人臉數據的有效識別，以方便用戶使用云計算所需的各種支撐服務，該層應具備有效的身份驗證功能[11]。

3 實驗結果與分析

為驗證本文算法的有效性，設定實驗環(huán)境為:戴爾PowerEdge R710，48 GB DDR3內存，2個4核CPU的服務器型計算機，Windows Server 2008 64位操作系統(tǒng)以及相關的實驗運行軟件。實驗過程中采用云計算仿真器，實驗的對象為某個較小規(guī)模的人臉圖像數據庫，在該數據庫中，約存儲了100 000幅人臉圖像，圖像的大小附合本次實驗的要求。首先應用云計算仿真器構建整個云計算模型，然后結合本文提出的人臉特征圖像匹配算法，搭建人臉特征匹配云平臺的整體架構，最后與傳統(tǒng)的車輪式匹配算法作比較，通過結果數據的分析比較，驗證本文算法的優(yōu)越性。

實驗中采用100 000幅人臉圖像建立數據集合，對某張指定的特征人臉進行匹配(如圖3所示)，分別運用本文算法生成的云計算仿真器和傳統(tǒng)的車輪式匹配進行仿真實驗，實驗結果如圖4所示。

圖3 表明人臉特征匹配實驗圖

圖4 不同方法匹配時間對比圖

通過圖4的數據比較可以看出，在匹配相同數量人臉圖像的情況下，本文算法的匹配曲線斜率明顯比傳統(tǒng)算法的小，這證明了利用本文算法進行人臉特征圖像的匹配的耗時遠遠少于傳統(tǒng)算法，并且隨著匹配的人臉圖像數目越多，本文算法的優(yōu)勢越明顯。如果把待匹配的特征人臉圖像增加到10幅，與數據庫中的10 000幅人臉圖像作匹配(如圖5所示)，分別運用云計算仿真器和傳統(tǒng)的車輪式匹配進行對比，則其對比結果如表1所示。

圖5 10幅人臉圖像特征匹配

表1 戶籍圖像對比數據表

從表1的對比數據可以看出，同樣比較10 000幅人臉圖像，當待匹配的人臉特征圖像增加到10幅時，傳統(tǒng)算法耗時41 s，本文算法只耗時23 s，約為傳統(tǒng)算法的一半時間，因此，本文算法在人臉圖像數目較多的情況下進行匹配具有較明顯的優(yōu)越性。由于軟硬件環(huán)境的限制，本次實驗采用的人臉圖像數據庫雖然還沒有達到真正的海量規(guī)模，但也能說明本文算法在人臉圖像匹配中的優(yōu)勢。

4 結束語

為解決大規(guī)模數據庫人臉特征匹配時間過長、效率較低的問題，本文提出了基于云計算的大規(guī)模人臉特征圖像匹配方法，通過云計算的強大運算能力來克服傳統(tǒng)算法的弊端。首先通過廣域云網絡模型來提取人臉特征權值參數，然后對特征參數矩陣轉換處理，最后應用轉化后的矩陣匹配人臉特征，應用該方法構建的云平臺，結合改進的ASM算法預判模型特征，可以更有效提高匹配程度。在上述的實驗與傳統(tǒng)的匹配算法作比較，取得較為滿意的效果。本文算法還未對硬磁盤空間的占用率作詳細研究，今后的工作將對本文算法與傳統(tǒng)方法在硬磁盤空間利用率上作進一步分析，以進一步驗證本文算法的實用意義。

[1] 李朝友，孫濟洲.基于區(qū)域收縮的大規(guī)模數據庫人臉識別[J].計算機應用，2012，32(7):2049-2052.

[2] 張智斌，賴劍煌，謝曉華，等.基于高低頻分量融合的人臉識別方法[J].中山大學學報(自然科學版)，2013，52(4):1-6.

[3] 郝靜靜，李莉.一種基于KPCA與LDA的人臉識別改進算法[J].電子技術應用，2013，39(12):132-134.

[4] 徐國慶.在線模板的人臉特征點對齊[J].計算機工程與設計，2013，34(11):4021-4026.

[5] 趙成芳，李兆延.基于縮放因子的人臉直方圖特征距離度量方法[J].西華大學學報(自然科學版)，2013，32(5):8-10.

[6] 王金云，周暉杰，紀政.復雜背景中的人臉識別技術研究[J].計算機工程，2013，39(8):196-199.

[7] 趙建勛，王兆東.軟硬件協同設計算法的嵌入式人臉識別系統(tǒng)[J].計算機仿真，2013，30(7):371-374.

[8] 許新.人臉識別系統(tǒng)的設計與實現[J].遼寧師專學報(自然科學版)，2013，15(2):29-34.

[9] 朱洲，王飛，付中濤.基于人臉檢測的云臺智能控制系統(tǒng)設計[J].安防科技，2011(1):10-13.

[10] 夏振杰.基于人臉識別技術的身份認證系統(tǒng)實現簡介[J].科技信息，2010(5):44.

[11] 劉彥伯，韓家新.iOS平臺下人臉識別系統(tǒng)實現研究[J].計算機工程與應用，2013，49(22):204-207.