宋進 歐海寧

湄洲灣職業(yè)技術(shù)學(xué)院 福建莆田 351100

隨著科學(xué)技術(shù)的進步，越來越多的高新技術(shù)被應(yīng)用在了人們的生產(chǎn)生活當(dāng)中，這在推動現(xiàn)代社會發(fā)展的同時，也讓人們的生產(chǎn)、生活方式發(fā)生了很大的改變。作為最成功的生物識別方法之一，人臉識別應(yīng)用最為廣泛[1]。識別人臉的計算機可以用于各種問題，包括犯罪識別，安全系統(tǒng)，靜止圖像，視頻處理和人機交互等。因此，文章主要該部分進行討論，對人臉識別以及相應(yīng)的處理技術(shù)的發(fā)展現(xiàn)狀與具體應(yīng)用進行了解，并對簡單探討和描述一種基于單視圖的識別算法。

1 人臉識別技術(shù)的內(nèi)涵

人臉識別和視頻處理技術(shù)是根據(jù)人類臉部信息進行身份識別的一種現(xiàn)代化生物識別技術(shù)，其主要是通過對人的圖像信息進行采集，以此來完成人臉的自動檢測與跟蹤。當(dāng)前人臉識別的常見方式有：幾何光學(xué)結(jié)構(gòu)、子空間局部特征識別以及大數(shù)據(jù)人臉庫深度學(xué)習(xí)。

對現(xiàn)有的人臉識別系統(tǒng)，在人臉和人臉姿態(tài)類似的情況下，人臉識別率相當(dāng)高。然而現(xiàn)實中更常見的是需要去識別來自不受控制狀態(tài)下的人臉圖形。但是當(dāng)人臉姿態(tài)發(fā)生多種變化時，人臉識別系統(tǒng)的識別率也會相應(yīng)地降低。因姿態(tài)不匹配引發(fā)的問題相當(dāng)復(fù)雜，因為局部特征信息已經(jīng)從常規(guī)特征向量分量中被更改。改善這一問題的最有效的方式就是通過采集多姿態(tài)人臉來處理。

2 單視圖人臉識別的重要作用

在單視圖人臉識別樣本中，大部分情況下，樣本庫中實際上只能和一張圖像做對比，只有極少數(shù)情況中會存在著多種姿態(tài)的人臉識別。

單視圖的多姿態(tài)人臉識別在應(yīng)用中面臨著巨大的挑戰(zhàn)和困難，如何完美地解決這個難題，對于社會現(xiàn)實具有重要的應(yīng)用價值和意義。因為基于單視圖的人臉識別具有諸多的優(yōu)勢，不僅可以降低多姿態(tài)人臉識別的成本，還可以減輕人臉采集工作量。甚至可以在已有的數(shù)據(jù)庫基礎(chǔ)上，拓展和建立新的人臉庫，以有效降低資源消耗。從而在特征選取時需從減少計算量與存儲量、保留貢獻率較高的信息兩個方面出發(fā)予以實踐，確保人臉識別系統(tǒng)運轉(zhuǎn)高效。

單視圖的人臉樣本有效地縮小了儲存空間，可以在有限的空間內(nèi)放更多的單個人臉圖像，提升了系統(tǒng)的擴展性。在優(yōu)化了算法的情況下，如果運用信息技術(shù)針對圖像進行歸一、去噪、平滑等處理，規(guī)避外部環(huán)境、成像因素、光照等條件對圖像識別造成的干擾，為圖像后續(xù)分析處理鋪平道路。

3 基于單視圖人臉識別的算法

3.1 多姿態(tài)人臉生成算法基本原理

由于人臉的器官分布的相似性，以及明顯的結(jié)構(gòu)特征和局部特征特點，本文可以完全利用類似點和結(jié)構(gòu)特征去創(chuàng)建多種姿態(tài)下的人臉幾何形變函數(shù)，從而形成多姿態(tài)的人臉圖像。當(dāng)人的年齡或者面部表情，甚至光照角度和遮擋部位發(fā)生改變，都會導(dǎo)致人臉產(chǎn)生一些變化，對生成結(jié)果產(chǎn)生干擾。但是，人面部一些主要的局部特點卻不會因為這些細微的變化而發(fā)生變化。把人的面部圖像分成多個局部的特點，再把這些面部的特點加以分散，讓干擾的因素僅僅可以對局部的面部特征產(chǎn)生影響，從而可用采取沒有干擾因素影響的面部特點來描繪人臉的細節(jié)特征。為了提升多姿態(tài)人臉識別中的人臉生成精度，本文考慮采用局部加權(quán)的人臉分析算法，并且利用人臉特征進行數(shù)據(jù)化取值和對比[2]。

3.2 多姿態(tài)人臉支持分類識別

在這種基礎(chǔ)上，本文研究了五種擬合方法：對數(shù)法、指數(shù)法、最小二乘法、線性法和多項式法。結(jié)果表明，多項式擬合方法比其他四種算法具有更好的識別效率。通過分析累積趨勢和范數(shù)距離本文來提高人臉識別系統(tǒng)的擬合度。其階多項式的一般公式為

二階多項式足以解釋和區(qū)分哪一個是異常的。 的導(dǎo)數(shù)可由式求得：

該函數(shù)的導(dǎo)數(shù)取決于的值。從該表達式可知，如果p1為正，則圖像的斜率增加。若發(fā)現(xiàn)p1為正，則意味著異常的不斷累積，最終導(dǎo)致決策錯誤。

由此，本文提出的局部加權(quán)多姿態(tài)人臉生成算法，其主要是通過單張人臉的局部識別特征，得到人不同姿態(tài)下的相同的特征之間的映射函數(shù)。種方法借鑒了自然識別人臉的過程，先對人臉的整體加以識別，之后對面部重要的局部特征加以分析。這一過程會有可能會導(dǎo)致面部細節(jié)的部分丟失，故需加強并突出人像中的面部姿態(tài)及各圖像邊緣的關(guān)鍵點特征。隨著姿態(tài)變化不斷增加，同一個體的人臉圖像之間相關(guān)性降低。因此，本文將單視圖和人臉圖像作為樣本，并且對人臉的候選姿態(tài)樣本進行識別和確定，從而不需要對整個樣本庫進行對比，不僅減少了計算量，還降低了搜索空間。

4 結(jié)語

從結(jié)果上看，識別率的高低和每個人臉的訓(xùn)練樣本數(shù)之間有著很大的關(guān)系?；谝陨系那闆r，單視圖的多姿態(tài)人臉識別已經(jīng)成為了人臉識別領(lǐng)域研究的重點，其研究具有重要的指導(dǎo)意義和價值。由于實際環(huán)境和條件的約束，大部分情況下設(shè)備都不能采集到足夠的人臉姿態(tài)[3]。而本文提出的人臉識別算法，能通過對多種個體樣本的人臉識別，從而有效地實現(xiàn)多姿態(tài)人臉的識別，提升識別率。同時，本文的人臉識別算法可以在只擁有正面人臉樣本的情況下，就能進行多姿態(tài)人臉識別，在具體的應(yīng)用中具有良好的效果和適應(yīng)性。