王 君，黃 寧，陳楷升，何新宇，梁世亮，梁薇薇

(1.中山大學(xué)南方學(xué)院 電氣與計算機工程學(xué)院，廣東 廣州 510970;2.重慶郵電大學(xué)，重慶 400065)

0 引 言

煤礦開采多為井下作業(yè)，地質(zhì)條件復(fù)雜，容易發(fā)生煤礦事故。煤礦井下生產(chǎn)具有多工種、多方位、多系統(tǒng)立體交叉連續(xù)作業(yè)的特點[1]。如果發(fā)生事故，很難對人員的安全進(jìn)行監(jiān)督和識別。一般的檢測、跟蹤和識別技術(shù)不適合煤礦復(fù)雜的井下環(huán)境，因此有必要對其進(jìn)行研究，并將其應(yīng)用到井下安全系統(tǒng)管理中。生物識別技術(shù)是目前最方便、最安全的身份識別技術(shù)[2]，具有實際應(yīng)用價值。

1 人臉識別技術(shù)

人的臉部和身體的其他生物特征[3-5](如指紋、虹膜)是天生的。與其他類型的生物識別技術(shù)不同，人臉識別具有唯一性和易于識別的特點。

(1)非強制性：井下人員無需操作識別設(shè)備。

(2)非接觸性：用戶可以訪問面部圖像，無需直接與設(shè)備接觸。

(3)并發(fā)性：能同時識別多人。

人臉識別的過程主要分為三個階段[6]：

(1)識別圖像中是否有人臉。

(2)獲取人臉中的特征信息。

(3)將特征信息與數(shù)據(jù)庫中的人臉進(jìn)行比較，確定身份。

然后，可以通過霍特林變換(Karhunen-Loeve transform，KL變換)去除干擾的特征量和貝葉斯分類識別。

雖然人臉識別具有較高的便利性，但其準(zhǔn)確率相對較弱。識別精度會受到環(huán)境光照、識別距離等因素的影響。例如，煤礦井下人臉識別面臨著工作環(huán)境光線昏暗、人臉易受黑塵干擾等新問題，人臉識別算法難以適應(yīng)[1]，系統(tǒng)識別率低，檢測效率低，直接影響到人員的識別。

2 虹膜識別

2.1 虹膜識別技術(shù)

胎兒發(fā)育期虹膜形成后，在整個生命過程中保持不變。另外，虹膜識別具有穩(wěn)定性、不可復(fù)制性、活體檢測等特點[7]。虹膜測量技術(shù)可以讀取266個特征點，而其他生物測量技術(shù)只能讀取13～60個特征點[8-10]，虹膜具有唯一性，且虹膜識別準(zhǔn)確性高，適合煤礦井下環(huán)境光線不足，需要無接觸自動識別且識別準(zhǔn)確的要求。

2.2 虹膜識別算法

虹膜識別的主要過程[11-12]：(1)虹膜圖像采集，虹膜圖像需要通過具有近紅外線的特殊攝像機進(jìn)行采集；(2)對采集到的虹膜圖像進(jìn)行處理。需要對其進(jìn)行有效的分割，然后進(jìn)行歸一化處理，即標(biāo)準(zhǔn)化；(3)虹膜圖像特征提取與編碼。其識別過程如圖1所示。

圖1 虹膜識別流程

3 人臉識別與虹膜識別算法

3.1 人臉識別與虹膜識別算法融合

針對礦井復(fù)雜環(huán)境下的人臉遮擋和粉塵覆蓋問題，人臉識別不清晰時，該文提出一種在煤礦井下的人臉特征和虹膜特征融合的識別方法，提高了系統(tǒng)的穩(wěn)定性和識別效率[13-17]。其總體框架如圖2所示。

圖2 人臉和虹膜融合識別方法總體框架

首先，從采集到的圖像中檢測出人臉和左右眼虹膜。其次，對其進(jìn)行圖像預(yù)處理，特征標(biāo)準(zhǔn)化，再提取人臉和左右虹膜的特征。將提取的人臉和左右虹膜特征進(jìn)行串聯(lián)融合，通過KCCA核方法進(jìn)行計算，降維，將樣本集映射到高維特征空間，用再生核代替特征空間中的內(nèi)積運算，最后通過TAN分類將人員身份信息識別出來。

3.2 人臉識別與虹膜識別系統(tǒng)

該系統(tǒng)主要利用圖像預(yù)處理模塊、KL變換模塊和TAN分類器模塊三個功能模塊來實現(xiàn)人臉簽到。以下描述了功能模塊之間的關(guān)系。人臉簽到方法的系統(tǒng)框圖如圖3所示。

圖3 人臉與虹膜多融合簽到方法系統(tǒng)框圖

(1)圖像預(yù)處理模塊主要提高圖像的信噪比，獲得感興趣的區(qū)域；(2)KCCA算法模塊主要降低圖像的維數(shù)，得到特征向量；(3)訓(xùn)練中使用的算法是TAN分類器模塊，主要對人臉進(jìn)行判斷。當(dāng)遇到復(fù)雜的礦山環(huán)境，如粉塵覆蓋、遮擋或光線特別昏暗時，人臉識別率會降低，因此需要與虹膜識別相結(jié)合，以增強識別系統(tǒng)的適應(yīng)性。

3.2.1 圖像預(yù)處理

由于視覺圖像具有視場廣、信息量大、干擾多等特點，攝像頭獲取的礦井下的圖像，由于環(huán)境因素復(fù)雜多變，可以進(jìn)行預(yù)處理[18]，平滑圖像，改善信噪比。保留人臉區(qū)域，最后圖像二值化再次去除非必要數(shù)據(jù)圖像信息，留下人臉特征空間位置，以截取人臉感興趣區(qū)域(region of interest，ROI)[19]。人臉ROI圖像采集過程如圖4所示。

圖4 人臉ROI區(qū)域的截取過程

3.2.2 KCCA算法

霍特林變換正交變換，使圖片保留重要的正交基，即去除非必特征，留下重要特征信息，從而使識別算法降維。實驗通過20位人員的400幅圖像特征向量，然后用霍特林變換降維，獲取信息提取技術(shù)數(shù)據(jù)特征。

即均方誤差是：

有：

其中，uj為確定的完備正交歸一向量系數(shù)，即圖像的特征向量。

將特征值λj按其大小順序排列λ1≥λ2≥…≥λd≥λd+1≥…≥λ∝，取前d項特征值對應(yīng)的特征向量uj組成的坐標(biāo)系，可使向量的均方誤差最小。由于直接計算矩陣的特征值和正交歸一的特征向量是十分困難的,因此需用奇異值分解方法。

3.2.3 特征分類器的設(shè)計

特征識別主要是特征提取和分類器設(shè)計。特征識別系統(tǒng)的工作集中在兩個問題上：特征選擇提取和分類器設(shè)計[20]。貝葉斯分類器是各種分類器中，在預(yù)先給定代價的情況下平均風(fēng)險最小的分類器。它是通過某對象的先驗概率，利用貝葉斯公式計算出其后驗概率。即該特征屬于某一類的概率，選擇具有最大后驗概率類作為該特征所屬的類[21]。

多元正太分布的概率密度函數(shù)由下式定義：

由最小錯誤概率判決規(guī)則，可得如下的函數(shù)作為判別函數(shù)：

g(x)=p(X|ωi)p(ωi),i=1,2,…,N

其中，p(ωi)為ωi發(fā)生的先驗概率，p(X|ωi)為類別ωi的概率密度函數(shù)，N為類別數(shù)。

通過輸入圖片提取特征，分離出人臉特征區(qū)域和虹膜特征區(qū)域。首先，利用人臉特征和虹膜特征訓(xùn)練模板的機器學(xué)習(xí)；然后，對輸入的人臉特征和虹膜融合特征與已訓(xùn)練的模板庫進(jìn)行匹配判斷。

本設(shè)計識別的關(guān)鍵：特征信息提取和特征比對識別。經(jīng)過圖像預(yù)處理，獲得ROI圖像，使相鄰圖像構(gòu)成列向量X；投影到KL降維變換的子空間，獲得400維的特征向量X；將特征向量非線性映射到新的特征空間H；在TAN分類器計算得到投影點gi(X)。進(jìn)行比較建立決策規(guī)則為：

如果‖gi(X)-gj(X)‖>e，則判斷與特征提取特征庫的相關(guān)性。若成立，屬于人臉類；否則，不屬于人臉類。

其中，e(e=0.000 1)為檢測特征的設(shè)定誤差。

4 實驗結(jié)果

采集了人臉圖像后，快速識別人眼，選擇人眼的中心坐標(biāo)，通過瞳孔的中心坐標(biāo)10*10鄰域，確定人眼初步位置。圖5為瞳孔初步定位效果圖。

圖5 瞳孔初步定位效果

根據(jù)虹膜的分布情況，對圖像進(jìn)行取反操作，提取邊緣特征。定位虹膜的內(nèi)圓，有時虹膜不是完全圓的，需要橢圓擬合。然后結(jié)合紋理和虹膜邊緣，濾除睫毛和斑點，得到虹膜特征圖像。圖6為虹膜特征效果圖。

圖6 虹膜特征效果

同理，可以得到雙眼虹膜特征圖像。標(biāo)準(zhǔn)化后，圖像整體均衡，減少了光強的影響，增強了適應(yīng)性，使圖像更容易識別。由于要將系統(tǒng)放在嵌入式平臺，識別過程中算法的復(fù)雜度和計算量都不宜過大。通過KCCA算法降維，使點特征突出。因此，將人臉識別與虹膜算法的結(jié)合分為兩步：第一步是訓(xùn)練人臉和虹膜的融合新特征模型；第二步是通過比較模型數(shù)據(jù)庫來識別身份。人臉和虹膜的融合后，新特征模板庫和待識別新特征，分別如圖7所示。

圖7 新特征點權(quán)重和新特征點模板庫特征權(quán)重

從圖7可以看出，提高人員身份識別準(zhǔn)確度的實質(zhì)是盡可能有效地保留待檢測的新特征，而模板特征數(shù)據(jù)庫則需要盡可能多地包含特征值信息。即識別人眼時應(yīng)該保留更多的特征，模板庫內(nèi)井下人員的特征信息應(yīng)該盡量詳細(xì)，這樣才能提高人員身份識別的準(zhǔn)確性。

最后，為了驗證算法的實際識別效果，對采集到的100個人臉圖像檢入點進(jìn)行虹膜識別，得到礦井人員檢入判別的識別率數(shù)據(jù)，如表1所示。

表1 礦井人員簽到判別識別率數(shù)據(jù) %

礦井人員人臉和虹膜融合識別率比較如圖8所示。

圖8 礦井人員人臉和虹膜融合識別率比較

該文提出的人臉特征和虹膜特征融合，可以解決單一算法下面的識別率低的問題。由表1和圖8可以看出，在不同的信噪比環(huán)境下，人臉識別和虹膜識別效率和準(zhǔn)確性比以往的單一識別方法的準(zhǔn)確率更高。同時可以看出，人臉和虹膜融合識別具有更高的穩(wěn)定性，可靠程度比單獨的人臉或虹膜識別更高。因為人臉和虹膜特征融合，可以降低對單一圖像特征的依賴性，可以形成特征互補，降低整體復(fù)雜度，降低檢測的波動性，算法的穩(wěn)定性得到增強。

5 結(jié)束語

針對煤礦井下環(huán)境人員識別率低的問題，單獨的識別方式可靠程度較低，提出了一種基于KCCA算法的人臉圖像和虹膜識別相融合的識別方法，采用和TAN分類器進(jìn)行融合后的特征識別。能快速掌握礦井復(fù)雜環(huán)境下人員的數(shù)量分布、身份識別，提高了井下人員身份鑒定的準(zhǔn)確性和穩(wěn)定性，解決了以往煤礦井下人員識別效率低、不穩(wěn)定和依賴程度高的問題。能高效準(zhǔn)確地識別出井下人員信息，為發(fā)生險情時提供更準(zhǔn)確的數(shù)據(jù)和營救行動救援提供幫助。在下一步的研究中，試圖嘗試多攝像頭多人身份的同時識別。