王扶堯, 鄭坤泉

( 1.中國刑事警察學院視頻偵查系， 遼寧沈陽 110854； 2.漳州市公安局巡特警支隊， 福建漳州 363000)

0 引言

在當今大數(shù)據(jù)時代，視頻攝像頭遍布城市街道各個角落，這種先進的科技手段，讓犯罪無處遁形。而傳統(tǒng)的刑偵模擬畫像，只能作為在沒有視頻、照片、面部遮擋等情況下的輔助破案手段。但這并不意味著模擬畫像這門古老的傳統(tǒng)刑偵技藝過時或被淘汰，盡管科技手段在不斷地發(fā)展和完善，但制約案件偵破的諸多不利因素依然存在。

比如有硬件的因素，視頻監(jiān)控的像素太低、分布不均勻、出現(xiàn)死角、盲區(qū)等；有天氣的因素，如雷雨天氣、霧霾天氣等。盡管現(xiàn)在已經(jīng)有了模糊圖像處理的相關(guān)軟件，但還無法確保所有的模糊圖像都能處理清晰。同時，由于犯罪分子具有越來越強的反偵察能力，如戴帽子、口罩、面具等對面部進行遮擋或事先破壞攝像頭等，都會給案件的偵破帶來極大的困擾。另外，我國幅員廣闊，無論人口和土地面積，和城市比起來，農(nóng)村都占有絕對大的比例。不可能每個村鎮(zhèn)都安有足夠多的攝像頭。所以，在這些情況下，模擬畫像就成為案件偵破中不可或缺的技術(shù)手段。

如1988年至2002年甘肅白銀大案，14年間連續(xù)殺害11名女性。由于當時并沒有像今日這樣，視頻探頭遍布街道角落，最終還是由公安部特邀刑偵畫像專家張欣(已故)，僅憑一張人像素描模擬畫像將隱匿了28年的犯罪嫌疑人被指認出來。還有1996年沈陽的3.8大案，也是通過一幅刑偵畫像(中國刑警學院趙成文教授的合成人像)，將其抓捕歸案。

本文在人像刑偵模擬畫像的基礎(chǔ)上融入人物表情及面部特征，可使疑犯畫像不再是傳統(tǒng)的呆板的一幅素描頭像，畫像將更加具有辨識度。同時，再利用當前前沿人像生物識別技術(shù)原理及算法，將微表情特征畫像導入軟件中，進行人像識別比對。

1 理論依據(jù)

人類對人像的研究從未停歇，從我國春秋時期的《左傳》，漢代的《漢書·藝文志·相人》中便有關(guān)于相面的記載，再到國外的查爾斯·貝爾表情的剖析與哲學、達奇恩博士人像的機制研究、達爾文對人類和動物的表情研究等，直到今天人們開始利用計算機對人像識別生物工程遞進式研究，都在潛移默化的證明著人像的重要性、不可替代性。當前大數(shù)據(jù)、5G、智慧城市等前沿技術(shù)的興起，使得安全領(lǐng)域的專家及公安機關(guān)開啟了對計算機人臉識別技術(shù)的應(yīng)用研究，它如同指紋、虹膜一樣，具有特定性的生物特征。

目前，計算機對人像面部的識別和分析主要從兩個方面進行，一是固定的面部特征分析。基于人像面部整體的研究進行計算識別的方法，主要包括Eigenface方法、SVD分解法、局部二進制編碼直方圖、隱馬爾可夫模型(Hidden Markov Model,HMM)方法及神經(jīng)網(wǎng)絡(luò)方法等；二是對運動的面部特征進行分析。將人像基準點的相對比率和其他描述人像面部特征的形狀參數(shù)或類別參數(shù)等一起構(gòu)成識別特征向量[1]。

目前我國從事刑偵畫像專家人員極度稀缺，全國從事刑偵畫像的警員已不足30人。因此，模擬畫像人才培養(yǎng)迫在眉睫。

2 微表情畫像是傳統(tǒng)刑偵畫像的延伸

2.1 融入微表情特征的刑偵模擬畫像

除手繪外，刑偵模擬畫像通常使用的軟件有PHOTOSHOP和PAINTER兩種，由于PHOTOSHOP對圖像修改十分方便，因此畫像專家會直接選擇在PHOTOSHOP中畫像。在畫像時，根據(jù)公安機關(guān)提供的視頻資料，從中選擇關(guān)鍵幀畫面后，截取疑犯面部進行放大并導入PHOTOSHOP中。此時畫面呈現(xiàn)的是一幅模糊或者呆板的疑犯面部。經(jīng)過模擬畫像專家的精心修改，可以使犯罪嫌疑人的面部一點點清晰起來。但是，僅僅有一個清晰的面部還不能完全接近犯罪嫌疑人的本來相貌，這就需要在畫像中融入人物的微表情特征，使刑偵模擬畫像更接近犯罪分子的本來面目。

在人們的日常生活中，表情無處不在。不但人們在面對面時可以看到和感受到，即便在虛擬世界中，如微博、QQ、微信等，人們也常常在使用表情。

微表情畫像就是如此，它是傳統(tǒng)模擬畫像的拓展和延伸，通過目擊者對犯罪嫌疑人的描述和公安機關(guān)提供的模糊不清的錄像資料，將微表情這個重要元素融入到數(shù)字模擬畫像中去，使犯罪嫌疑人的畫像更接近其本人。

2.2 人像微表情的生物特征

人是由猿進化而來的，人的表情有其生物根源。正如英國生物學家達爾文在《人類和動物的表情》一書中所指出的那樣，人類的表情和姿勢是人類祖先表情動作的遺跡。所以，人的許多最基本情緒，如：喜、怒、哀、樂等原始表情是具有全人類的共性[6]。

筆者找到一名實驗對象，通過聊天并對其面部進行采錄，后期通過暫停采集到了實驗對象(圖1)的4組照片共20張不同的表情。由此可見被實驗者的表情十分豐富，甚至可以感受到被實驗者對話題的喜愛以及憎惡。如果將這種表情畫成模擬畫像，將會更加接近人物的犯罪瞬間心理感受，為案件偵破提供更多有價值的信息，如圖1所示。

圖1 表情示意圖

現(xiàn)代科學技術(shù)以驚人的速度發(fā)展，尤其是機器人，已經(jīng)在很多領(lǐng)域取代了人的工作，但是一個難以突破的瓶頸就是人的表情。現(xiàn)代醫(yī)學研究表明，人體肌肉有639塊，面部肌肉有43塊。然而，就是這43塊面部肌肉，便可以組合成10 000多種不同的表情，其中表達情感的有3 000余種。

醫(yī)學研究告訴我們，人的面部表情肌可分為5個部分：口、鼻、眶、耳、顱頂。比如口，口的周圍肌群分為上下兩組，上組分為笑肌、顴肌、上唇方肌、尖牙肌4種；下組分為三角肌、下唇方肌、頦肌 、口輪匝肌 、頰肌5種。所以，我們說的人的面部肌肉之復雜，僅從口周圍肌群便可略見一斑，如圖2所示。

圖2 面部肌肉示意圖

由此可見，人的相貌并不僅僅是由“耳、眉、眼、鼻、口”這五官決定的，同時也是由人的面部表情所決定的。

2.3 畫像中微表情的瞬間捕捉

微表情畫像與傳統(tǒng)模擬畫像相比，其難度就在于對微表情的瞬間捕捉上。意大利著名畫家達芬奇的名作《蒙娜麗莎》，500年來，那神秘的微笑傾倒了無數(shù)的人。蒙娜麗莎極富個性的微表情，時隱時現(xiàn)，給人一種神秘感。

美國神經(jīng)科專家瑪格麗特·利文斯通博士認為，蒙娜麗莎的微笑之所以時隱時現(xiàn)，充滿神秘感，是由于觀看者不斷改變觀看的位置，與畫中人的表情無關(guān)。她認為，人們在觀看一張臉的時候，主要注視對方的眼睛。也就是說，當人們的中央視覺落在蒙娜麗莎的雙眼時，外圍視覺便會落在她的嘴巴上，而外圍視覺常常會有誤差。而且，人們在觀看這幅畫像時，角度和目光也在不斷地移動。這樣，蒙娜麗莎的顴骨部位的陰影就會隨之突出，笑容弧度也會顯得加大，于是，蒙娜麗莎的笑容便若隱若現(xiàn)了。

利文斯通博士的研究成果告訴我們，移動的目光觀看一個靜止的畫面，畫面會出現(xiàn)不同的變化[2]。那么，移動的狀態(tài)去觀察移動的畫面，看到畫面肯定也是有變化的。

犯罪嫌疑人在作案現(xiàn)場不是靜止的，而是動態(tài)的。目擊者由于所處角度不同，移動速度不同，看到的犯罪嫌疑人的相貌便會產(chǎn)生差別。這就是為什么面對同一個犯罪嫌疑人，不同的目擊者有不同的面孔描述的原因。

2.4 微表情是人心理特征的外部表現(xiàn)

從犯罪嫌疑人角度來說，他的相貌或者說表情，在生活現(xiàn)場和犯罪現(xiàn)場也是有差別的。甚至同是在犯罪現(xiàn)場，比如熟悉的犯罪場地和陌生的犯罪場地、對陌生人實施犯罪和對熟人實施犯罪、蓄謀已久的犯罪和臨時起意的犯罪，其面部表情都是會有差別的。

美國心理學家保羅·艾克曼認為：人在遇到危險時，大腦邊緣系統(tǒng)會調(diào)整我們的行為，其順序一般是：凍結(jié)、逃跑、戰(zhàn)斗。而只要有邊緣反應(yīng)，就會有安慰行為，比如觸摸頸部、摸臉、玩頭發(fā)、說個不停、打哈欠、搓腿、叉手、拉松衣領(lǐng)，這就是微反應(yīng)。這種微反應(yīng)表現(xiàn)在臉部的時候，比如，犯罪嫌疑人在實施搶劫時，就會出現(xiàn)驚恐的瞬間狀態(tài)，如眉頭緊皺、眉毛上揚、口大張等微表情瞬間[8]。

但微表情畫像同樣存在難點，特別是一般目擊者關(guān)注的只是犯罪嫌疑人的輪廓、身高、胖瘦和臉部明顯特征等，很難迅速獲得準確的犯罪嫌疑人相貌信息。這就需要刑偵模擬畫像專家通過目擊者的多重描述，通過對視頻資料的細心分析，結(jié)合犯罪現(xiàn)場情境，運用心理學、醫(yī)學、藝術(shù)學、運動學等多學科知識和辦案經(jīng)驗，再運用微表情畫像技術(shù)，準確地描繪出犯罪嫌疑人的相貌特征。

同時，我們還可以將人類的微表情建立一個數(shù)據(jù)庫，在繪畫中將人的每一種表情形態(tài)，如眼型、口型、眉型、鼻型、嘴型等與解剖學、心理學、藝術(shù)學等結(jié)合起來，進行對應(yīng)信息分析，使其成為破案的關(guān)鍵要素。

3 微表情畫像在人像識別中應(yīng)用的實現(xiàn)

3.1 我國人像識別技術(shù)及算法在公安領(lǐng)域的應(yīng)用

人像識別又稱人臉識別，早在上世紀60年代開始，國外就開始對人臉識別技術(shù)進行相關(guān)的研究。在研究初期，人像識別僅僅作為一般性的模式識別進行研究，尚未單獨作為一個研究領(lǐng)域，方法大都是針對人臉幾何特征實現(xiàn)的算法。到上世紀90年代，隨著計算機處理速度的提高和圖形識別算法的改進，也因為社會治安及各領(lǐng)域的需要，人像識別技術(shù)脫穎而出，成為單獨的一個研究領(lǐng)域。從PCA(Principal Component Analysis，主成分分析法)算法的出現(xiàn)，到“隱馬爾可夫”“LBPH”算法；從人臉幾何特征實現(xiàn)的算法，到精確像素點的結(jié)合，人像識別系統(tǒng)不斷地精益求精。

如今，人像識別領(lǐng)域的專家在進行跨維度的換代，二維與三維結(jié)合，多種識別模式結(jié)合使用，逐漸克服姿勢、表情變化、佩戴首飾等因素的影響。特別是在公共安全領(lǐng)域，人像識別系統(tǒng)借助遍布城市各個角落的監(jiān)控探頭進行人像采集，在治安保衛(wèi)、刑偵破案、卡口安檢等領(lǐng)域發(fā)揮了重要作用。

3.2 微表情特征畫像在人像識別技術(shù)中的應(yīng)用

微表情畫像技術(shù)與人像識別技術(shù)的結(jié)合運用，是人像識別技術(shù)對拍攝到的照片進行識別比對，并通過測算二維圖像人物臉部特征點的距離來實現(xiàn)的。

目前，人像識別領(lǐng)域的研究熱點主要集中在人像識別主流算法方面，如PCA、隱馬爾可夫模型(HMM-Hidden Markov Model)、局部二進制編碼直方圖(LBPH-Local Binary Patterns Histograms)及基于深度學習算法。

在常規(guī)人像識別研究領(lǐng)域內(nèi)，PCA算法、隱馬爾可夫模型和局部二進制編碼直方圖方法各具優(yōu)勢，但是在本文研究背景下，由于微表情畫像圖像中高光部分像素值不包含任何像素亮度變化，同時在組成陰影部分的線條之間包含像素值的突兀過度，這兩方面因素都會對LBPH的局部二值化結(jié)果造成影響，并導致人像識別準確率下降。在微表情畫像用于人像識別過程中，目擊者口述信息描述存在信息分布不均勻的特點，受此影響，微表情畫像結(jié)果中人臉各局部所含細節(jié)特征數(shù)量存在差異，甚至可能某一局部特征完全缺失，因此造成隱馬爾可夫模型隱含變量獲取過程困難，甚至導致人臉識別結(jié)果錯誤。

為提高識別準確率，本文選擇PCA作為基于微表情畫像的人像識別算法，相對于隱馬爾可夫模型和局部二進制編碼直方圖算法而言，PCA在主成分選擇過程中充分考慮人像庫中人像灰度分布情況，以最大化類間差異為原則確立人像識別過程的主要維度，該主要維度信息不會受到模擬畫像陰影線條及高光部分影響，也能一定程度避免模擬畫像信息分布不均勻引起的識別率下降問題，因此PCA方法更適合于本文研究背景。另外，本文所述研究背景是基于小樣本，樣本數(shù)量不足以支撐一個深度學習模型的訓練過程。因此，本文沒有采用深度學習算法。

3.3 人像識別的具體流程

從狹義上來講，人像識別是對以人臉為主的分析、特征提取和識別。

圖3 人像識別流程圖

人像識別的具體流程可分為：目擊者口述信息、疑犯犯罪心理分析、微表情畫像、視頻采集、人像檢測、人臉特征提取、數(shù)據(jù)關(guān)聯(lián)等幾個步驟。

微表情特征畫像的建型準確是畫像人像的關(guān)鍵。通過引導口述人對目標信息的準確描述，建立人像輪廓五官特征，對目標人像特征加以犯罪分析，呈現(xiàn)出帶有表情特征的人像畫作后，進行人像檢測。

人像識別的具體流程可分為數(shù)字繪畫圖像和視頻人像采集兩個方面：一是數(shù)字繪畫人像，畫像的準確性是微表情特征畫像建模準確的關(guān)鍵。通過引導目擊者對目標信息的準確描述，建立人像輪廓五官特征，對目標人像特征加以分析，呈現(xiàn)出帶有表情特征的人像畫作后，生成數(shù)字圖像，導入人像檢測系統(tǒng)后提取人臉特征，與人像數(shù)據(jù)庫圖像進行比對。二是視頻人像采集，視頻采集是原始圖像識別流程的基礎(chǔ)。由于視頻流具有延續(xù)性，鏈接性，所以將視頻的畫面定格在某一幀上進行采集，從而獲得較為清晰的圖像。然后對采集到的圖像進行檢測，通過檢測，判斷是否有目標人臉的存在，對檢測到的人臉信息圖片進行分析，特征提取，最終與人像數(shù)據(jù)庫中信息進行比對，找出相似的數(shù)字圖像。

3.4 PCA算法在畫像中的應(yīng)用與實現(xiàn)

素描模擬畫像是二維的平面畫像，而人像識別技術(shù)對拍攝到的照片進行識別比對是通過測算二維圖像人物臉部特征點的距離來實現(xiàn)的。因此，以犯罪嫌疑人模擬畫像替代“二維”照片，通過目擊者對犯罪嫌疑人的描述，刻畫犯罪嫌疑人的顱骨、臉部肌肉的陰影關(guān)系以及特征點、五官等進行犯罪嫌疑人模擬畫像，進而將模擬畫像導入人像識別系統(tǒng)，利用人像識別系統(tǒng)接入的人像資源庫進行自動識別比對，選出與模擬畫像最為相似的人員信息。

以下是PCA算法的原理及步驟：

(1)讀取訓練集下指定數(shù)目的圖像，將每張圖像的像素保存到一個二維矩陣中。然后把這個矩陣按照列排拉伸成為一個新的列向量，每一個列向量表示一張圖像的像素信息，然后將所有代表訓練圖像的列向量整合為一個新的矩陣X，如果有S張人臉圖像，每張圖像尺寸為m×n，則矩陣X為m×n行，S列；

(2)對X的每一行取得均值，每行的元素減去均值，得到每張人臉與平均人臉的差值，組成新矩陣X′；

(3)計算X′的協(xié)方差矩陣C，C的維度為m×n；

(4)計算C的特征值即特征向量，共有m×n個特征值及特征向量；

(5)選擇主成分，把特征值從大到小排序，選擇前R個特征值使得R個特征值占所有特征值的90%以上，隨后將特征向量按行排列，則P=[R,m×n]；

(6)將訓練集投影到特征空間，Y=PX′=[R,S]。

(7)將測試集也投影到特征空間，假如測試集有K張圖像，那么降維后矩陣為[R,K]。

(8)每一張圖像[R,1]與特征空間[R,S]用歐氏距離法求出與其最相近的一個圖像，識別為該類。所有測試集識別完后，最后求出識別率。

識別結(jié)果以兩種方式呈現(xiàn)：一是從人像庫里面遴選出3張與待檢測目標圖像最相似的圖像；二是顯示出目標圖像與樣本圖像相識度值。

通俗地講，PCA算法是通過測算出待識別圖形的特征向量來實現(xiàn)人像識別的。而待識別圖像人臉不同的骨骼形狀及透視比例等特征是特征向量值計算的主要因素。不同的臉型測算出來的特征向量值不同。

3.5 人像識別PCA算法的不足因素

人像識別作為生物識別技術(shù)中一種最新的識別技術(shù)并不是完美的，它的優(yōu)點也決定了它的先天不足。

首先是光線條件影響。筆者認為決定一張照片成像質(zhì)量的關(guān)鍵因素在于光照條件。不同光照的成像效果有天壤之別。在光照條件不理想的情況下輸入待處理的圖像，會導致結(jié)果誤差增大。

其次是受被拍攝者姿態(tài)的影響。人臉的拍攝角度可以影響到各類人臉識別算法的效果，這是因為人臉識別的研究基礎(chǔ)是人臉數(shù)據(jù)庫，而這個數(shù)據(jù)庫中收集的人臉一般都是正面姿態(tài)的人臉，所采集收錄的人像信息都是平面的，所以，對其他姿態(tài)人臉的容忍度會比較低。

再一個就是頭部飾品和臉部遮擋物的影響。如果監(jiān)控設(shè)備采集到的是一個戴著口罩的人，口罩遮住了臉部的大部分特征，那么人像識別系統(tǒng)是無法進行識別比對的。

因此，將模擬畫像與人像識別結(jié)合起來，取長補短，在人像識別系統(tǒng)無法解決問題時，運用傳統(tǒng)的模擬畫像技術(shù)，發(fā)揮出兩項技術(shù)的優(yōu)勢，更快地鎖定犯罪嫌疑人。

4 微表情特征畫像在人像識別系統(tǒng)中的實現(xiàn)

根據(jù)記憶曲線實驗，目擊者的記憶質(zhì)量隨著時間的推移而下降。美國FBI曾經(jīng)做過一個實驗，當?shù)谝粋€人對目擊者問起目擊情況時，目擊者能較客觀完整地表述自己的記憶。當越來越多的人對目擊者問起目擊情況后，目擊者心理逐漸對所目擊的事物產(chǎn)生排斥，會刻意地對目擊的事物進行“人為加工”。所以，我們在對目擊者進行犯罪嫌疑人模擬畫像時，應(yīng)當距離目擊時間越短越好。第一位目擊者對犯罪嫌疑人的描述：犯罪嫌疑人個子挺高，180 cm左右，中等身材，25～30歲之間，膚色較黑，頭發(fā)三七偏分，中短卷發(fā)，眼角下垂，橢圓臉型，額頭較寬，福建或廣東一帶口音，重要特征為左邊嘴角向上45°傾斜。

根據(jù)第一位目擊者的描述，對犯罪嫌疑人的面貌進行心理構(gòu)建：

首先將五官位置、距離確定，畫一長方形為基準形狀，并將長方形3等分，在長方形上面畫個半圓，構(gòu)成基本的臉型(如圖4a所示)；長方形3等分后的頂端的第一條線就是作為發(fā)際線的位置；第二條線就是眉線；最下端一條線就作為鼻子下半截的位置(如圖4b所示)。

圖4 長方形3等分示意圖

長方形3等分是為了遵循最傳統(tǒng)的“三庭五眼”的標準人臉，不管是什么長相，只要均衡，大多數(shù)都是好看和順眼的。

固定好大概位置之后，就是對犯罪嫌疑人顱骨的刻畫。顱骨相當于地基，只有打好了地基，才能往上蓋樓。犯罪嫌疑人橢圓形臉、寬額頭，說明犯罪嫌疑人額骨較大，顴骨較為突出，下頜角較大，臉型較長。在勾勒臉型框架時，抓住這幾個特征點，額頭中間部分用筆較輕，左右兩邊用筆可重一些，突出陰影關(guān)系。顴骨處同上，顴骨凸出部分用筆較輕，周圍加重，凸出陰影關(guān)系；下頜均勻過渡，可先用較細的線條勾勒出基本形狀，再加重筆觸；在畫好額骨、顴骨、下頜骨的基礎(chǔ)上，用細線條勾畫出犯罪嫌疑人的基本臉型。

犯罪嫌疑人頭發(fā)特征明顯，三七偏分，中短卷發(fā)，在作畫時著重凸出“三七偏分”，畫頭發(fā)的外緣、鬢角處以及與前額相接時自然過渡，避免生硬。

畫眉峰時，注意與犯罪嫌疑人作案時的眼神結(jié)合，一般作案時犯罪嫌疑人眼神較為兇狠，順著眉毛的走向，不能呆板。

畫眼時切忌和周圍環(huán)境分開，眼窩眉弓的凹凸要通過繪畫表現(xiàn)出來。犯罪嫌疑人眼角下垂，所畫的眼瞼線，眼球要把握好朝向，可用較重的筆觸，準確表達虛實關(guān)系、明暗關(guān)系。

在第一位目擊者的描述和不斷地交流下，筆者畫出了嫌犯模擬畫像A(如圖5所示)。

圖5 犯罪嫌疑人模擬畫像A

畫完第一張犯罪嫌疑人模擬畫像后，立即與第二位目擊者交流。

第二位目擊者的描述：犯罪嫌疑人身高在180～185 cm之間，中等身材，看上去長期從事體力勞動，皮膚較黑，頭發(fā)偏分，眉峰較粗重，中短卷發(fā)，大眼睛雙眼皮，眼角下垂，臉型較長，福建或廣東一帶口音，重點是嘴角向上傾斜，似笑非笑。根據(jù)兩名目擊者的描述，抓住了疑犯的微表情特征，進而對微表情特征刻畫。

這里，兩位目擊者均提到了犯罪嫌疑人“偏分、中短卷發(fā)、皮膚較黑、福建或廣東一帶口音”，尤其是福建或廣東一帶地區(qū)口音及“嘴角傾斜”這一特點，給兩位目擊者留下了深刻的印象，所以筆者做出了一個假設(shè)：犯罪嫌疑人就是福建或廣東地區(qū)一帶的人，嘴像一邊傾斜。有了這個假設(shè)之后，依據(jù)漢族人相貌分布情況規(guī)律的知識，福建或廣東一帶人的相貌特征：較深的眼窩，略高的顴骨，鼻梁比較高，臉型比較長、額頭比較窄、以及低眼眶、短鼻頭、雙眼皮、大眼睛等特點，再結(jié)合兩位目擊者的描述，在第一張模擬畫像的基礎(chǔ)上，經(jīng)過不斷的修改調(diào)整，著重刻畫犯罪嫌疑人的嘴角傾斜特征及外眼角向下耷拉等特征后，畫出第二張犯罪嫌疑人的模擬畫像B(如圖6所示)。

圖6 犯罪嫌疑人模擬畫像B

為了使模擬畫像在人像識別軟件上有效地進行識別比對，筆者在人像識別軟件對待識別圖像臉部的特征點進行著重刻畫，筆觸加重，在第二張模擬畫像的基礎(chǔ)上，畫出了犯罪嫌疑人模擬畫像C(如圖7所示)；然后將犯罪嫌疑人模擬畫像C出示給兩位目擊者，均得到了兩位目擊者的一致肯定。

圖7 犯罪嫌疑人模擬畫像C

經(jīng)過對犯罪嫌疑人進行了兩次深入的刻畫，為了將其面部特征有效地進行識別比對，選用MATLAB軟件作為人像識別程序，該軟件是基于PCA算法，即測算二維圖像上特征點距離的測算來實現(xiàn)兩張圖像相似度的比較。其識別原理是將瞳距、眉間距、額寬、眼寬、眼瞼距、眼尾距、鼻寬、鼻長、嘴寬下嘴唇到下頜端的距離，顴骨的距離等這些特征點(圖8所示)的距離向量化，最后用歐氏距離法從接入的人像資源庫中找出與待識別圖像特征點距離最相近的一個圖像，模擬畫像與常用的二維照片在維度上、特征點上具有一致性。

圖8 模擬畫像比對圖

模擬畫像與常用的二維照片在維度和特征點上具有一致性。所以將刻畫完成犯罪嫌疑人模擬畫像B進行翻拍成PGM格式圖像文件，運用Photoshop圖像處理軟件轉(zhuǎn)換成灰度圖——將該灰度圖像導入MATLAB軟件并編號為4作為待識別圖像——點擊運行，選擇4號圖像點擊打開。軟件運行后，通過對待識別圖像臉部特征距離的測算，從接入的人像資源庫中求出與待識別圖像特征點距離最相近的這張圖像(如圖9所示)。

圖9 人像識別比對結(jié)果圖

根據(jù)Matlab人像識別系統(tǒng)的比對結(jié)果，篩選出相似度最高的3個人，并將3個最相似的比對結(jié)果出示給目擊者，兩名目擊者都指出第二張人臉與犯罪嫌疑人有較高的相似度。警方根據(jù)這條線索展開案件偵查，為案件偵破奠定基礎(chǔ)。

5 結(jié)論

本文利用了MATLAB基于PCA算法對微表情特征畫像照片進行計算機人臉識別比對，打破了傳統(tǒng)利用清晰人像照片在公安人像數(shù)據(jù)庫中進行比對的方法。微表情特征畫像的特殊作用就在于抓住了犯罪嫌疑人的習慣性表情或面部特征與作案時瞬間表情的定格，最終所繪畫出帶有表情特征的畫像，再通過心理學加以分析，找到犯罪原由。筆者在作畫的同時融入了疑犯面部表情特征進行深入重點刻畫，使得犯罪嫌疑人畫像更加具有特點，不再呆板。在此基礎(chǔ)上，將微表情特征畫像作為待檢測人像圖片導入MATLAB軟件中，通過PCA算法對待檢測人像中特征點的距離測量完成人像識別比對。