尚曉銳

摘 要 本文分別在遮擋與光照條件下開展實驗，對于人臉遮擋問題，采用遮擋檢測與HOG特征相結(jié)合的方式進行識別，對于光照變化問題，在LBP算法基礎(chǔ)上進行近紅外人臉識別，兩項實驗結(jié)果表明，上述方法對人臉識別均具有較強的魯棒性，可獲取最佳識別性能。

關(guān)鍵詞 遮擋;復(fù)雜光照;魯棒人臉識別

引言

在生物識別領(lǐng)域中，人臉識別屬于關(guān)鍵內(nèi)容之一，在安防與身份認證領(lǐng)域日益普及。現(xiàn)階段，人臉識別技術(shù)日益成熟，但識別算法卻因應(yīng)用環(huán)境的不同產(chǎn)生較大的識別難度，當(dāng)人臉被遮擋或光照時會發(fā)生變化，識別性能也因此受到不良影響。對此，可與HOG特征相結(jié)合，取得最佳識別效果。

1 遮擋條件下魯棒人臉識別

1.1 遮擋檢測

以人臉子塊為單位進行遮擋檢測與處理，在人臉識別時容易受墨鏡、口罩等物體的遮擋，對此可將人臉劃分為三個子塊，即A、B和C，其中A區(qū)為頭發(fā)、帽子等區(qū)域，B區(qū)為墨鏡遮擋區(qū)，C區(qū)為口罩、胡須等遮擋區(qū)。首先，提取子塊中的HOG特征，利用PCA降維后輸入支持向量機分類，判斷該模塊中是否存在遮擋情況。

1.2 HOG特征

主要是指梯度方向的直方圖，可對圖像邊緣結(jié)構(gòu)與光照變化進行描述，對魯棒局部特征描述。首先，以圖像像素點為中心，選取10×10的像素鄰域提取特征，將人臉子塊分為多個相互獨立的窗口;然后，將窗口分為4個5×5的子塊，對各個子塊中像素點梯度方向與幅值進行計算，以像素點（x，y）為例，該位置的幅值計算公式為：

將窗口中的像素點梯度分為8個方向，再將相同方向的幅值累加，得出8維直方圖。將四個子塊中的梯度直方圖串聯(lián)起來，便可對該窗口特征進行描述，即可得出整個圖像的HOG特征[1]。

1.3 實驗結(jié)果

在AR人臉庫中共有四千多張人臉圖像，選擇庫中的一個子集，內(nèi)部包含100個對象，利用每個對象的7幅帶有光照變化的人臉圖像進行訓(xùn)練，6幅帶有墨鏡或圍巾遮擋的人臉圖像開始測試，測試結(jié)果如下：利用SRC方法對墨鏡遮擋的人臉進行檢測，識別率為82%，對圍巾遮擋的識別率為59.5%;利用HOG方法對墨鏡遮擋的人臉進行檢測，識別率為94.6%，對圍巾遮擋的識別率為95.8%。由此可見，與其他方法相比，HOG方法對人臉遮擋的魯棒性顯著增強。

2 復(fù)雜光照條件下魯棒人臉識別

2.1 近紅外檢測

近紅外設(shè)備進行圖像采集時可免受光照影響，且圖像質(zhì)量更佳、亮度適中、對比均勻，適用于魯棒人臉識別。該設(shè)備主要包括三項內(nèi)容，即LED近紅外光源、近紅外攝像頭與濾光片。近紅外光線強度與距離之間成反比，為了提高圖像清晰度，人臉與鏡頭間的距離應(yīng)保持在100cm左右。受近紅外光源衰減性影響，光源將均勻的分布于攝像頭四周，因此當(dāng)距離不同時，圖像間的亮度變化不明顯，具有單一性、均勻性。

2.2 LBP特征

主要用于描述人臉局部特征，辨別性較強、計算簡單方便，對光照變化具有一定的魯棒性，可利用這一特征克服圖像亮度的單一變化，得出與環(huán)境光照無關(guān)的特征。當(dāng)圖像經(jīng)過LBP算子處理后，雖然原圖像亮度不同，但LBP值幾乎未發(fā)生改變，可見該特征能夠有效解決圖像單一亮度問題。首先，將LBP算子定義在3×3的區(qū)域中，然后利用鄰域中心像素計算標(biāo)簽值，最后，利用全部標(biāo)簽值形成直方圖對圖像紋理進行描述。在等價模式中，用（P，R）代表LBP算子，其中P代表的是鄰域采樣點的數(shù)量，R代表的是鄰域半徑，如若采樣點不在像素中心，采樣值可經(jīng)過雙線性插值計算獲得，利用LBP算子對圖像掃描可得出LBP編碼，以圖像像素（x，y）為例，編碼的計算公式為：

式中，gc代表的是像素的灰度值;gp代表的是以R為半徑的鄰域中第p個采樣點灰度值;S代表的是閾值函數(shù)。LBP特征的提取流程如下：第一步：對人臉圖像進行劃分，提取各個塊上的LBP直方圖向量;第二步：將獲取的向量串聯(lián)為特征直方圖，將其作為人臉特征。由于該向量的維數(shù)較高，需要在降維處理后，將其作為人臉的最終特征[2]。

2.3 實驗結(jié)果

FERET人臉庫中含有大量的人臉圖像，并可提供全面的測試標(biāo)準(zhǔn)，本文在FERET人臉庫中選擇圖像，包含姿態(tài)、表情與光照變化，共計選出100個對象，每個對象有10幅正面照為訓(xùn)練集，有20幅具有光照的圖像為測試集，選擇一個對比方法（LDA）與本方法一同進行測試，測試結(jié)果如下：LDA與LBP的最高識別率分別為55.1%和62.5%，后者優(yōu)于前者。由此可見，在復(fù)雜光照狀態(tài)下，常規(guī)算法的性能會明顯降低，可見消除復(fù)雜光照影響，才可使識別性能達到最佳狀態(tài)。為了驗證復(fù)雜光照情況下近紅外人臉識別的魯棒性，本文在PolyU-NIRFD人臉庫中進行測試，選出200個對象，每個對象有10幅正面照為訓(xùn)練集，有20幅具有光照的圖像為測試集，同樣選擇LDA算法作對比，根據(jù)測試結(jié)果可知：與FERET人臉庫相比，LDA的識別率有所提升，說明近紅外識別在消除光照影響后，可提高算法性能;LBP算法識別率為96.8%，與LDA相比較高，說明對表情與姿態(tài)變化具有較強的魯棒性，可應(yīng)用于近紅外人臉識別之中[3]。

3 結(jié)束語

綜上所述，在網(wǎng)絡(luò)時代背景下，人臉識別的作用日益突顯，為了解決遮擋與光照問題，可采用遮擋檢測與HOG特征相結(jié)合的方式進行識別，也可在LBP算法基礎(chǔ)上進行近紅外人臉識別，二者均對人臉識別均具有較強的魯棒性，實現(xiàn)精準(zhǔn)識別。

參考文獻

[1] 伍強.復(fù)雜光照條件下的人臉識別算法研究[D].天津：天津大學(xué)，2019.

[2] 翟懿奎，甘俊英，李景文.基于彩色信息融合和同倫算法的遮擋魯棒人臉識別方法研究[J].信號處理，2018，27（11）：1762-1768.

[3] 梁淑芬，劉銀華，李立琛.小波變換和LBP對數(shù)域特征提取的人臉識別算法[J].信號處理，2019，29（9）：1227-1232.