趙佳暢

摘? 要：近年來，隨著生物技術(shù)的發(fā)展，在生物領(lǐng)域中人臉識別技術(shù)已經(jīng)成為當前的研究熱點。人臉識別指通過基于個人的面部輪廓比較和分析模式，唯一地識別或驗證人的生物測定技術(shù)。然而在實際應用中很多技術(shù)是通過軟件來實現(xiàn)的。在此次研究中，針對動態(tài)人臉識別進行了檢測和識別算法描述，并針對這些方法呈現(xiàn)的效果進行了比較分析。

關(guān)鍵詞：動態(tài)? 人臉識別? 描述? 實現(xiàn)

中圖分類號：TP18? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A? ? ? ? ? ? ? ? ? ? ? ? 文章編號：1672-3791（2019）02（c）-0017-02

生物識別技術(shù)隨著計算機和醫(yī)學技術(shù)的發(fā)展已經(jīng)融入到我們生活中，也成為安全、方便、快捷的技術(shù)之一，是以人的身體特征為依據(jù)，通過這些特征進一步進行身份識別驗證，具有安全性、穩(wěn)定性、普遍性，與其他識別技術(shù)不同，具有良好的拓展性，因此也常常被應用于一些特殊行業(yè)中。但在實際應用中如何構(gòu)建能夠滿足人們需求的人臉識別系統(tǒng)已經(jīng)成為當前急需解決的問題。

1? 人臉檢測算法

1.1 seatface引擎

人臉識別以前是基于C++程序開發(fā)的人臉識別引擎，不需要第三方數(shù)據(jù)庫參與，是由中科院團隊共同研發(fā)的，包括3個模塊，分別是人臉檢測、面部特征點定位、人臉特征提取及對比。其中，人臉檢測模塊中是一種基于多層神經(jīng)網(wǎng)絡(luò)和典型級聯(lián)結(jié)構(gòu)共同構(gòu)成的人臉檢測方法，采用的是漏斗型級聯(lián)結(jié)構(gòu)，對不同姿態(tài)人臉檢測專門設(shè)計而成的，能夠?qū)崿F(xiàn)較快速度、高精度的識別。在頂部通過多個不同姿態(tài)快速級聯(lián)分類器共同構(gòu)成，由若干具備多層感知機FUST特征的級聯(lián)結(jié)構(gòu)構(gòu)成，最后由統(tǒng)一級聯(lián)結(jié)構(gòu)MLP來處理不同姿態(tài)的窗口，整體上呈現(xiàn)一種漏斗狀態(tài)。不同層次的分類器所采用的特征復雜性較高，因而能夠保留人臉窗口排除很難區(qū)分非人臉的候選窗口。在面部特征點定位上是一種自編碼器網(wǎng)絡(luò)方法，這種方法級聯(lián)了多級自編碼器網(wǎng)絡(luò)，其中每一級編碼器都是人物的非線性映射。當輸入一個人臉區(qū)域時，第一級編碼器網(wǎng)絡(luò)會從低分辨率中快速估計人臉形狀，然后輸入到高分辨率中，抽取當前人臉形狀中的不同局部特征輸入到下一級編碼器中，用于優(yōu)化人臉對齊效果。通過多個自編碼器網(wǎng)絡(luò)能夠逐漸提升人臉對齊，實現(xiàn)高精度的定位，在人臉特征提取與對比上采用的是深度卷積神經(jīng)網(wǎng)絡(luò)來實現(xiàn)的，同時通過引入的FNL能夠進一步加速人臉特征提取的效果、提升模型泛化能力、有利于完善特征比對，能夠進一步簡化計算機的相似度，分析并進行閾值比較和排序。

1.2 haar cascade人臉檢測分類器

基于haar特征的分類器cascade是一種有效的物品檢測方法，通過多種正負樣品訓練能夠獲得分類方程，并將其運用于圖片中。在人臉識別過程中，首先需要存在很多正樣和副樣例，用于分類器的訓練過程，然后從這些眾多圖片中逐漸篩選特征，我們可以將不同特征集中于訓練圖片中，對不同特征可以找出相應人物圖片分類效果閾值，因而分類上會存在錯誤率。我們可以選擇錯誤率小的特征，也就是說可以利用這些特征能夠?qū)⑷四樢约胺侨四樳M行有效區(qū)分，并且分類器是弱分類器加權(quán)和，而弱分類器是由于不同分類器無法再進行圖片的單獨分類，因此可以將其聚集為強分類器。有研究學者發(fā)現(xiàn)，目前利用這種特征的分類器在檢測過程中可以達到95%的精確度，最終可以分類約6000個特征。

2? 人臉識別算法

2.1 基于局部二值特征模式的人臉識別方法LBP

人臉識別系統(tǒng)中，當我們追蹤到人臉之后，可以對人臉進行詳細的分析。然而，對于人臉本身信息描述是否能夠除去一些外界干擾因素，直接影響最終的人臉識別效果。局部二值模式也被簡稱為LBP算法，是一種能夠用于描述局部圖像變化的算子。通過研究發(fā)現(xiàn)，利用這種模式算法在紋理分類中具有較強的區(qū)分能力。因此，LBP算法也被用于圖像紋理形狀的分析，主要是用某像素點作為中心，并將該像素點灰度值作為識別的閾值，其相鄰像素點灰度與閾值進行大小比較，如果相鄰像素點灰度值高于閾值，則我們可以設(shè)置為1，其余為零，且可以獲得二進制數(shù)。利用這種數(shù)值作為中心局部紋理特征。通過描述，我們發(fā)現(xiàn)某一像素點局部紋理值，實際上就是其相鄰像素點的相關(guān)信息。在結(jié)構(gòu)和統(tǒng)計中對于紋理分析采用LBP的算法，最初應用于圖像局部，灰度值比較之后逐漸運用于文字描述中，能夠用于提取衡量圖像中的紋理信息，目前這種方法已經(jīng)在人臉識別、質(zhì)量檢測等方面。

2.2 直方圖對比

利用直方圖也可以實現(xiàn)人臉識別，主要是通過灰度直方圖以增強圖像對比度，是基于灰度值統(tǒng)計的重要方法，這種方法是以統(tǒng)計學概率作為研究基礎(chǔ)的，主要由直方圖均衡化和規(guī)定化來實現(xiàn)。在直方圖的均衡化方面，我們可以將圖像對比增強分為兩種。首先是直接對比增強，其次是間接對比增強。直方圖拉伸和均衡化是常見的間接對比增強的方法，而拉伸是通過對比度拉伸對圖進行調(diào)整，從而擴大背景和灰度差別以實現(xiàn)增強對比度，這種方法可以采用線性和非線性方法實現(xiàn)，使用函數(shù)對于灰度值進行調(diào)整。從直方圖的規(guī)定化來看由于均衡化只能增強圖像對比度，而效果很難控制，容易導致出現(xiàn)全局均勻化問題，因此我們可以采用靈活性的規(guī)定化方法，正確選擇規(guī)定化常數(shù)，以獲得更好的效果，通過灰度映像函數(shù)將原灰度圖改為所希望的直方圖，其重點是灰度印象函數(shù)。在具體操作中，我們需要對原始圖進行灰度均衡化，其次設(shè)置所需要的直方圖，并計算使規(guī)定直方圖均衡化變換，將第一步驟中變換反轉(zhuǎn)之后，將原有直方圖所對應色到規(guī)定直方圖中，即可完成。

2.3 識別方式對比

從識別算法上來看，本文所對比的算法分別是直方圖對比、基于局部二值特征模式的人臉識別方法LBP這兩種方法。其中基于直方圖對比的方法是目前已知最早的識別方法，通常需要與其他的方法進行聯(lián)合使用，才能夠獲得良好的識別效果。而LBP方法是當識別到人臉之后，能夠?qū)θ四樳M行詳細分析的方法?；谠撃Ｊ降姆椒?，最初應用于圖像局部，灰度值比較之后逐漸運用于文字描述中，能夠用于提取衡量圖像中的紋理信息。目前這種方法已經(jīng)在人臉識別、質(zhì)量檢測等方面取得了良好的運用。但整體來看，LBP的識別方法一般通過對于人的口眼鼻等一些重要位置以及眼睛等器官幾何形狀，將其作為分類特征，這種方法的精確性分析時發(fā)現(xiàn)精確性較高，而直方圖對比是一種比較傳統(tǒng)的應用方法，通過灰度分析，利用數(shù)學函數(shù)等思想來改變圖像對比度。目前這種技術(shù)已經(jīng)在很多測試中獲得良好的評價，但這種方法識別時間復雜度高，比較緩慢。此外，當采用LBP算法并將其用于紋理分類或人臉識別時，常采用LBP模式的統(tǒng)計直方圖來表達圖像信息，而較多的模式種類使得數(shù)據(jù)量過大，直方圖過于稀疏。因此，需要對原始的LBP模式進行降維，使得數(shù)據(jù)量減少的情況下能最好地代表圖像信息。

3? 效果對比

為了能夠進一步說明不同人臉識別算法實際應用效果，我們利用直方圖對比、基于局部二值特征模式人臉識別方法LBP這兩種算法進行測試，最終我們發(fā)現(xiàn)樣本在直方圖對比相比基于局部二值特征模式的人臉識別方法LBP的識別算法下匹配數(shù)量正確率減少了50%。同時，利用局部二值模式下其識別率達90%，直方圖對比為79%，相對來說，LBP在識別率和性能上是比較好的。

4? 結(jié)語

總而言之，隨著社會發(fā)展進步，動態(tài)人臉識別技術(shù)已經(jīng)逐漸運用于我們的日常生活和工作中，我們針對動態(tài)人臉識別進行了檢測和識別算法描述，并針對這些方法呈現(xiàn)的效果進行了比較分析。

參考文獻

[1] 楊磊，白萬榮.一種動態(tài)口令與人臉識別相結(jié)合的雙向身份認證系統(tǒng)[J].通訊世界，2017（11）：278-279.

[2] 王瑤.復雜環(huán)境下人臉識別研究及其在CRM的實現(xiàn)[D].? 電子科技大學，2016.

[3] 余程勝，黃海于.動態(tài)人臉識別系統(tǒng)的構(gòu)建[J].微型機與應用，2016，35（12）：49-51.