高海闊，馬盛楠

1.光電工程系濱州學(xué)院，山東濱州 256600 2.外語系濱州學(xué)院，山東濱州 256600

近年來，由于反恐、國土安全和社會安全的需要，世界上各個(gè)國家都對安防領(lǐng)域加大了投入，而身份識別正是安防的一個(gè)核心問題。人臉識別技術(shù)為人類身份識別提供了一個(gè)簡單、易行、可靠性高的方法，受到越來越多的重視。

人臉識別技術(shù)基本上可以歸結(jié)為以下三類:基于幾何特征的方法、基于模板的方法[1-5]（基于相關(guān)的方法、特征臉方法、線性判別分析方法、神經(jīng)網(wǎng)絡(luò)方法、動態(tài)連接匹配方法等）和基于模型的方法[6-8]（基于隱馬爾柯夫模型，主動形狀模型和主動外觀模型的方法）。由于基于模板的方法較好的利用了人臉的結(jié)構(gòu)和灰度分布信息，而且還具有自動精確定位面部特征點(diǎn)的功能，因而具有良好的識別效果，適應(yīng)性強(qiáng)識別率較高，該技術(shù)在FERET 測試中若干指標(biāo)名列前茅，但其缺點(diǎn)也是相對明顯：時(shí)間復(fù)雜度高，速度較慢，實(shí)現(xiàn)復(fù)雜。

由于基于模板算法中的諸多優(yōu)點(diǎn)，它在人臉識別中得到了廣泛的應(yīng)用。如Debotosh Bhattacharjee 和Dipak K.Basu[9]基于加入外界圖像的ORL 數(shù)據(jù)庫對變形的多層感知器算法進(jìn)行了研究，獲得97.9%的準(zhǔn)確率。Fan Ou 和Zhaocui Han[10]通過CCA(Canonical Correlation Analysis，典型相關(guān)分析)+LDA 的方法把FRR100 和FAR1000 指標(biāo)降低了30%以上。

對于認(rèn)證問題，可以看做識別問題的簡化，問題可以歸為兩類:是本人或者不是本人。解決認(rèn)證問題目的是找一個(gè)分界，盡可能好的區(qū)分這兩類。在這種情況下，可以使用運(yùn)算速度相對較快的線性判別方法。用一個(gè)兩維的數(shù)組分類來說明問題。

1 人臉認(rèn)證的線性區(qū)分的可能性分析

圖1 (a)當(dāng)樣本種類夠多時(shí)，很難用一條線(或平面)來區(qū)分；(b)而當(dāng)樣本數(shù)量足夠小時(shí)，線形區(qū)分可行

從圖1 中可以看出，當(dāng)樣品類的數(shù)量相對于維度足夠大時(shí)，很難用一條線（或者一個(gè)平面）把一個(gè)指定的類同其他類區(qū)分開來；而當(dāng)樣本類的數(shù)量變小時(shí)，線性區(qū)分變的可行。[11]

考慮到研究的問題是認(rèn)證問題(只有兩個(gè)樣本類)，且一個(gè)照片中的信息量是巨大的（維度足夠大），線性區(qū)分是可行的。

2 感知器算法

我們假設(shè)訓(xùn)練樣本集

來自兩個(gè)樣本(ω1,ω2)，其中l(wèi) 是樣本的數(shù)量

如果這兩個(gè)類中的樣本是線性可分的，存在一個(gè)平面

如果樣本可以被正確分類，必然滿足

其中

對于經(jīng)典的感知器算法，代價(jià)函數(shù)被定義為如下形式:

其中，Γ 是所有被錯(cuò)分類的樣品集

感知器算法是基于梯度下降和單樣品修正的方法[12-13]，偽代碼如下：

2)t=0 ;

3)重復(fù)

3 基于ORL 人臉數(shù)據(jù)庫的仿真

基于以上理論，本文在Inter Core 2 Duo CPU(2.93GHz)、2G 內(nèi)存容量的硬件環(huán)境下，利用Matlab 對無陌生人臉的ORL人臉數(shù)據(jù)庫、含有訓(xùn)練樣本外人臉的情況的數(shù)據(jù)庫和基于ORL數(shù)據(jù)庫和來自攝像頭的新樣本類組成的數(shù)據(jù)庫進(jìn)行了仿真測試。

3.1 無陌生人臉的仿真測試

1）ORL 人臉數(shù)據(jù)庫

由劍橋大學(xué)的Olivetti 實(shí)驗(yàn)室建立的ORL 人臉數(shù)據(jù)庫由400 張照片組成(分辨率：92x112，40 個(gè)人，每人10 張照片)，近幾年來已成為最流行的人臉數(shù)據(jù)庫之一，數(shù)據(jù)庫的部分照片如圖2 所示：

圖2 ORL 人臉數(shù)據(jù)庫（部分）

2）特征提取

目前提取人臉照片的特征有很多方法，如Fisher face 方法等。這些算法都需要大量的運(yùn)算，這對實(shí)時(shí)性的要求造成了障礙，也難以移植到其他硬件平臺。為了解決這一問題，本文嘗試一種最簡單的方法去提取特征：僅僅把圖像矩陣按列相連作為特征向量。對于大多數(shù)的分類器來說，這將會產(chǎn)生“維數(shù)災(zāi)難”，但對于感知器算法不存在這個(gè)問題，因?yàn)樵诟兄魉惴ㄖ兄挥邢蛄康募臃ê统朔ㄟ\(yùn)算。

3）實(shí)驗(yàn)結(jié)果

從每個(gè)人的10 張照片中選出9 張作為訓(xùn)練樣本，而把剩余的1 張作為測試樣本，可以得到表1 中的結(jié)果?？紤]到目標(biāo)是認(rèn)證（是本人或不是本人），而不是識別（他/她是誰），對于無法認(rèn)證的情況可以忽略。因?yàn)檫@個(gè)時(shí)候通常要求被測試者轉(zhuǎn)動頭部產(chǎn)生另外的樣品，直至認(rèn)證成功。

表1 實(shí)驗(yàn)結(jié)果

圖3 是一種錯(cuò)誤認(rèn)證的情況。

圖3 錯(cuò)誤匹配的情況

無法認(rèn)證的情況又可以分為兩類:找不到匹配的人或者匹配了多個(gè)人。

2 含有訓(xùn)練樣本外人臉的情況

許多情況下，可能有陌生臉孔會試圖進(jìn)入安全系統(tǒng)，這個(gè)人臉不屬于訓(xùn)練集中的任何一個(gè)人?？紤]到這種情況，設(shè)計(jì)如下仿真實(shí)驗(yàn)：

1）從樣本中挑出一個(gè)人的所有照片作為測試樣本；

2）為了更好的同表格1 中的結(jié)果進(jìn)行對比，同樣只訓(xùn)練每個(gè)人的9 張照片。

實(shí)驗(yàn)結(jié)果如表2 所示。

表2 含有訓(xùn)練樣本外人臉情況下的人臉認(rèn)證結(jié)果

3 基于ORL 數(shù)據(jù)庫和來自攝像頭的新樣本類進(jìn)行的仿真

為了進(jìn)一步測試該算法在現(xiàn)實(shí)中的應(yīng)用，利用攝像頭采集一組新的數(shù)據(jù)進(jìn)行測試。測試結(jié)果顯示該算法的分類表現(xiàn)良好。

表3 加入攝像頭采集新類后的認(rèn)證結(jié)果

4 運(yùn)算速度的比較

在運(yùn)算過程中，同時(shí)用分類方法中經(jīng)典的最近鄰法[14]和人臉識別中經(jīng)典的Fisherface 方法采用上述同樣的訓(xùn)練樣本進(jìn)行認(rèn)證計(jì)算，與本文所用簡化特征提取的感知器算法比較，得到如表4 所示的計(jì)算結(jié)果。

表4 運(yùn)算速度的比較

從結(jié)果可以看出簡化特征提取的感知器算法明顯優(yōu)于最近鄰法和Fisherface 方法。這是由于最近鄰算法中含有距離運(yùn)算過程，F(xiàn)isherface 也要完成投影和距離運(yùn)算過程，而感知器算法僅有運(yùn)算較快的向量的加法和乘法。

5 結(jié)論和展望

本文用簡化特征提取過程感知器算法在ORL 數(shù)據(jù)庫中去進(jìn)行人臉認(rèn)證。結(jié)果顯示：當(dāng)沒有陌生面孔的情況下，識別的準(zhǔn)確率達(dá)到99.7%；當(dāng)引進(jìn)陌生面孔時(shí)，準(zhǔn)確率將至98.1%。隨后通過攝像頭采集新的數(shù)據(jù)來驗(yàn)證該算法在現(xiàn)實(shí)中的表現(xiàn)能力，結(jié)果10 張人臉照片中的7 張被正確認(rèn)證，另外3 張照片無法認(rèn)證（沒有錯(cuò)誤認(rèn)證的情況發(fā)生）。在運(yùn)算速度方面，成功認(rèn)證一個(gè)樣品的平均時(shí)間為50ms，優(yōu)于最近鄰算法和Fisherface 方法。

從上述結(jié)果來看，在中等數(shù)量樣本的人臉認(rèn)證的過程中，采用簡化提取過程的感知器算法是完全可行的，而這個(gè)簡化過程無疑會對計(jì)算速度和硬件的移植過程大有幫助，在接下來的工作中，需要對大樣本數(shù)量的情況進(jìn)一步驗(yàn)證，測試該方法的實(shí)際應(yīng)用能力。

[1]PHILLIPS P，F(xiàn)LYNN P，SCRUGGS T.Overview of the face recognition grand challenge[J].Computer Vision Pattern Recognition，2005，1：947-954.

[2]WU JINYI.Survey of face recognition[J].Application Research of Computers.2009，26(9)，3205-3208.（吳巾一，周德龍.人臉識別方法綜述[J].計(jì)算機(jī)應(yīng)用研究，2009，26(9)：3205-3208.）

[3]ZHANG J，YAN Y，Lades M(1997)Face recognition：eigenface，elastic matching，and neural nets[C].Proc IEEE 85(9)：1423-1435.

[4]TAO Q，VELDHUIS R.Threshold-optimized decisionlevel fusion and its application to biometrics[J].Pattern Recognit，2009，42：823-830.

[5]QI ZHU，CHENGLI SUN.Image-based face verification and experiments.Neural Comput&Applic，2013，23：947-956.

[6]VIIOLA P，JONES M.Robust real-time face detection[J].Int J Comput Vision(2004)57(2)：137-154

[7]AHONEN T，HADID A，PIETIKAINEN M.Face description with local binary patterns：application to face recognition[C].IEEE Trans Pattern Anal Mach Intell，2006，28(12)：2037-2041

[8]XU JIANHUA.A Non linear Perceptron AlgorithmBased on Kernel Functions[J].Chinese Computers（2012），Vo l.25，No.7：238-342.

[9]DEBOTOSH BHATTACHARJEE，DIPAK K BASU.Human face recognition using fuzzy multilayer perceptron[J].Soft Comput，2010，14：559-570.

[10]FAN OU，ZHAOCUI HAN，CHONG LIU.Face verification with feature fusion of Gabor based and curvelet based representations[J].Multimed Tools Appl，2012，57：549-563.

[11]CHEN JIANGFENG，YUAN BAOZONG，PEI BINGNAN.Face recognition using twp dimensional laplacian eigenmap[J].Journal of electronics，2008，Vol.25 No.5：616-618.

[12]ZHNAG W，SHAN S，GAO W.Information fusion in face identification[C].Proceeding of International Conference on Pattern Recognition(ICPR2004).Cambridge，2004，Vol.1：950-953.

[13]SUN QS，ZENG SG，LIU Y.A new method of feature fusion and its application in image recognition[J].Pattern Recognit 38(12)：2437-2448.

[14]Bremner D，Demaine E，Erickson J.Outputsensitive algorithms for computing nearest-neighbor decision boundaries[J].Discrete and Computational Geometry，2005，Vol.33(4)：593-604.