玄 冉，姜明明，王忠祥，米世新，劉涵玉

（山東農(nóng)業(yè)工程學(xué)院，山東 淄博 255000）

伴隨著高新技術(shù)及傳感器的普及和應(yīng)用，生物識(shí)別已經(jīng)逐漸被揭開(kāi)神秘的面紗，作為生物識(shí)別的一項(xiàng)重要分支，人臉識(shí)別已經(jīng)成為研究領(lǐng)域的熱門(mén)話(huà)題。生物識(shí)別在安全保障等眾多領(lǐng)域被廣泛應(yīng)用，具有不易偽造、方便快捷、防偽性能好等優(yōu)點(diǎn)。本設(shè)計(jì)為基于人臉識(shí)別的門(mén)禁系統(tǒng)，可以將疑似人員設(shè)置為庫(kù)內(nèi)人員，當(dāng)小區(qū)里的人需要外出時(shí)進(jìn)行人臉采集與人臉定位，然后與庫(kù)內(nèi)人臉進(jìn)行比對(duì)；當(dāng)識(shí)別為庫(kù)內(nèi)人員的時(shí)候，發(fā)出疑似人員不可外出的警示，否則提示可以放開(kāi)門(mén)禁給以通行。

1 人臉識(shí)別技術(shù)綜述

人臉識(shí)別，是利用攝像機(jī)采集到的含有人體面部的圖像[1]，通過(guò)相關(guān)技術(shù)進(jìn)行檢測(cè)，主要識(shí)別人體面部特征信息加以分辨，最終實(shí)現(xiàn)人類(lèi)個(gè)體分類(lèi)識(shí)別的一項(xiàng)技術(shù)。

綜上，可以大體將人臉識(shí)別的過(guò)程分為四個(gè)步驟，如圖1所示。

圖1 人臉識(shí)別流程圖

1）圖像采集。人體面部表情采集易受到環(huán)境因素的影響，不容易實(shí)現(xiàn)，人臉圖像可以通過(guò)攝像頭進(jìn)行記錄，許多著名實(shí)驗(yàn)室會(huì)通過(guò)嚴(yán)格控制圖像采集的位置，規(guī)范地創(chuàng)建包括姿態(tài)、表情變化在內(nèi)的人臉庫(kù)，通過(guò)人臉庫(kù)進(jìn)行相應(yīng)的研究。

2）人臉檢測(cè)。主要用于面部識(shí)別的預(yù)處理，它能通過(guò)處理將面部的位置標(biāo)出。人臉檢測(cè)的目的是透過(guò)面部豐富的特征信息篩選出有用的特征，由于環(huán)境條件的干擾是隨機(jī)的，必須將原始采集到的圖像進(jìn)行圖像預(yù)處理。圖像預(yù)處理的方法有中值濾波、灰度拉伸、歸一化處理及銳化等[2]。

3）特征提取。針對(duì)篩選出的最有利分類(lèi)的特征信息，進(jìn)行適當(dāng)降維，保留最有效的特征信息。

4）分類(lèi)識(shí)別。將采集的面部特征信息整合成數(shù)據(jù)，再與數(shù)據(jù)庫(kù)比對(duì)匹配，當(dāng)相似度到達(dá)一定閾值，則將數(shù)據(jù)庫(kù)匹配的結(jié)果輸出。其本質(zhì)就是根據(jù)特征相似關(guān)系確定人物信息。

2 PCA的人臉特征提取

2.1 PCA算法的基本原理

PCA 是縮寫(xiě)，展開(kāi)以后就是Principal Component Analysis[3]。利用統(tǒng)計(jì)學(xué)原理，可以按照一定的原則，找到它們之間的不同進(jìn)行分類(lèi)，簡(jiǎn)化計(jì)算步驟，提高計(jì)算機(jī)的運(yùn)行速率。將圖形進(jìn)行信息處理主要是為了降維，也就是將三維立體的人體圖像特征轉(zhuǎn)換到二維當(dāng)中。正是由于它的這個(gè)功能，這項(xiàng)技術(shù)也被廣泛地運(yùn)用在圖像壓縮的處理當(dāng)中，其最主要的依據(jù)是KL變換。這樣就可以達(dá)到合并數(shù)據(jù)、簡(jiǎn)化數(shù)據(jù)的效果。

在整個(gè)前期圖像輸入過(guò)程中，都是以灰度值來(lái)進(jìn)行統(tǒng)計(jì)的，即使其變成0～255灰度范圍內(nèi)的像素點(diǎn)。當(dāng)把所有的像素點(diǎn)進(jìn)行分類(lèi)統(tǒng)計(jì)以后，其會(huì)構(gòu)成一個(gè)矩陣，輸入到之前已經(jīng)創(chuàng)建好的一個(gè)坐標(biāo)空間中，然后經(jīng)過(guò)KL變換，就可以很容易地找到需要的信息，這就為之后圖像處理簡(jiǎn)便化奠定了基礎(chǔ)。因?yàn)榇藭r(shí)已經(jīng)收集到的數(shù)據(jù)其實(shí)是三維的，然后經(jīng)過(guò)統(tǒng)計(jì)學(xué)，保留最主要區(qū)別的特征進(jìn)行降維就可實(shí)現(xiàn)想要的結(jié)果。在PCA中，主要利用這個(gè)構(gòu)成的向量作為基底。

經(jīng)過(guò)這項(xiàng)處理之后就能得到特征空間了，接下來(lái)的任務(wù)就是旋轉(zhuǎn)使維數(shù)降低[4]。

2.2 基于PCA的特征提取

這個(gè)部分具體包括下面講述的幾個(gè)環(huán)節(jié)：捕捉輸入圖像，創(chuàng)建模板庫(kù)和特征空間，獲得特征值及對(duì)應(yīng)向量。以下是有關(guān)這三個(gè)部分的詳細(xì)介紹。

1）第一部分。利用攝像機(jī)進(jìn)行圖像采集和捕捉。首先，將采集到的圖像進(jìn)行預(yù)處理得到屬性信息，判斷是否需要進(jìn)行二值化，本文采用的算法是KL算法，KL算法在線(xiàn)性算法中能量集中效率最高，圖像壓縮后均方誤差最低。此種變換方式最主要的限制條件就是背景要一致，完全可以構(gòu)建一個(gè)簡(jiǎn)單的模板庫(kù)。

2）第二部分。在上述步驟完成以后，多放幾張同一個(gè)人的圖片進(jìn)去，這就構(gòu)成了一個(gè)訓(xùn)練矩陣。因?yàn)楦袷绞窍嗤?，KL 變換之后就變成一維的，那么每個(gè)照片都能夠統(tǒng)計(jì)為一個(gè)點(diǎn)，這樣就使得整個(gè)空間更簡(jiǎn)化了。

3）第三部分。上述步驟完成后，繼續(xù)進(jìn)行下一步，將結(jié)果創(chuàng)建一個(gè)樣本集，那么出現(xiàn)的協(xié)方差矩陣如下。

CA為 矩陣。A是在進(jìn)行灰度二值化后與平均矩陣差值。Xi是平均人臉圖像，M為被測(cè)人員數(shù)量。

2.3 特征值和特征向量取得

在上述CA得到以后，還要找到人和對(duì)應(yīng)的特征向量。因?yàn)楸疚挠玫降乃惴ㄒ訩L 為基礎(chǔ)，且最后得到的CA是n×n維的矩陣，因此可以直接求對(duì)應(yīng)的特征值和特征向量。但直接計(jì)算的話(huà)，其計(jì)算是非常復(fù)雜的，下面會(huì)介紹一些相對(duì)比較簡(jiǎn)單的辦法。

2.3.1 特征值分解

從這個(gè)式子就能夠很容易得到它們的關(guān)系。那就是CA=AAT的特征向量是A?vi。

在這里需要特別提到的是：運(yùn)用上述提及到的方法，最終得到的計(jì)算結(jié)果是相同的，這也間接證明了確實(shí)起到了簡(jiǎn)化計(jì)算的效果。

3 基于PCA和歐式距離的分類(lèi)器的人臉識(shí)別

3.1 MATLAB人機(jī)交互界面GUI介紹

制作這個(gè)界面一般可以通過(guò)命令創(chuàng)建[6]，也可以通過(guò)MATLAB提供的圖形用戶(hù)界面開(kāi)發(fā)環(huán)境GUIDE中的圖形用戶(hù)界面開(kāi)發(fā)工具的GUI創(chuàng)建方式制作，本文側(cè)重于后者。

3.2 系統(tǒng)框架以及GUI設(shè)計(jì)

在進(jìn)行編程的時(shí)候，必須要有一個(gè)整體的認(rèn)識(shí)[7]，每一部分做什么都要安排得清清楚楚，這樣的話(huà)，在真正編寫(xiě)的時(shí)候才不至于忙亂。具體的整個(gè)系統(tǒng)的設(shè)計(jì)流程，如圖2所示。

圖2 人臉識(shí)別系統(tǒng)框架圖

GUI界面的使用在編寫(xiě)程序的時(shí)候主要有兩大塊[8]，分別是模板庫(kù)的顯示和被測(cè)圖片的顯示。

3.3 程序仿真及調(diào)試結(jié)果

3.3.1 人臉庫(kù)采集

在一開(kāi)始進(jìn)行模板庫(kù)的創(chuàng)建時(shí)，一般使用的都是ORL人臉數(shù)據(jù)庫(kù)，在創(chuàng)建的時(shí)候參照了一定的標(biāo)準(zhǔn)。如果這些庫(kù)里面都沒(méi)有適合的，就需要自己去拍照，自己去創(chuàng)建，但是需要對(duì)其進(jìn)行預(yù)處理。

整個(gè)數(shù)據(jù)庫(kù)由兩部分組成，一部分是模板庫(kù)，一部分則是被測(cè)人臉庫(kù)。在被測(cè)庫(kù)里面有10 個(gè)人的照片，每個(gè)人不同表情的照片各兩張，照片格式大小完全一樣。

3.3.2 特征提取仿真分析

特征值分布圖，如圖3所示。特征提取之前，最重要的是先要把模板庫(kù)里面的圖像導(dǎo)入到MATLAB 里面，然后進(jìn)行變換，組成協(xié)方差矩陣。在這個(gè)里面，要把每一個(gè)點(diǎn)的特征值和特征向量計(jì)算出來(lái)，就構(gòu)成了所謂的特征分布圖。每個(gè)圖像的特征值差別非常大，但是在這個(gè)過(guò)程當(dāng)中必須將其對(duì)應(yīng)到子空間，這樣才能大大降低計(jì)算量，也可以節(jié)約時(shí)間，對(duì)后續(xù)過(guò)程中的優(yōu)化也是一個(gè)非常有優(yōu)勢(shì)的舉措。

圖3 特征值分布圖

3.3.3 庫(kù)外判別分析

對(duì)疑似病例人員進(jìn)行人臉采集、入庫(kù)、訓(xùn)練，得到每個(gè)人的人臉特征值[9]。本設(shè)計(jì)為提取人臉特征值，特征值與樣本庫(kù)里面的人臉特征值進(jìn)行一一對(duì)比，設(shè)置一個(gè)判斷閾值。當(dāng)屬于閾值內(nèi)，則判定為庫(kù)內(nèi)人員，即疑似人員；否則為非疑似病例，提示可以放行。

4 結(jié)語(yǔ)

通過(guò)對(duì)實(shí)驗(yàn)結(jié)果的分析可以發(fā)現(xiàn)，本設(shè)計(jì)利用MATLAB 數(shù)字圖像處理相關(guān)技術(shù)及PCA 算法進(jìn)行人臉識(shí)別，在一定程度上能解決疫情期間人員管控的相關(guān)問(wèn)題。MATLAB仿真結(jié)果表明：人臉識(shí)別的準(zhǔn)確率可以達(dá)到80%，它可以有效解決人員流竄問(wèn)題，有效地避免人力物力資源的浪費(fèi)，本文所設(shè)計(jì)的系統(tǒng)對(duì)疫情防控是實(shí)用的。