侯現(xiàn)坤，周瑋

（宿州學(xué)院，安徽宿州,234000）

關(guān)鍵字：口罩遮擋；hog 特征；區(qū)域比例；邊緣檢測(cè)

0 引言

人臉識(shí)別是目前主流生物特征識(shí)別技術(shù)（Biometrics），在生活中有著廣泛用途，應(yīng)用于門(mén)禁考勤系統(tǒng)，電腦手機(jī)安全防范，ATM 機(jī)智能報(bào)警系統(tǒng)，人物追蹤等領(lǐng)域。具有誤識(shí)率低，難仿冒，不易察覺(jué)，不需接觸，自然性等優(yōu)點(diǎn)。因此受到了很多研究者關(guān)注，劉瑞欽[1]提出使用多尺度直方圖解決了特征提取時(shí)塊的大小選擇問(wèn)題，使用歐拉公式對(duì)矩陣進(jìn)行白化處理，實(shí)驗(yàn)表明在FERET 數(shù)據(jù)庫(kù)上識(shí)別準(zhǔn)確度很高。袁寶華[2]基于水平長(zhǎng)直線(xiàn)檢測(cè)的口罩檢測(cè)，首先對(duì)圖片歸一化處理，根據(jù)眉毛粗定位其他器官，通過(guò)檢測(cè)波峰來(lái)判斷長(zhǎng)直線(xiàn)的有無(wú)，判斷出口罩位置。蔣嬋，黃晁，陳春燕[3]通過(guò)數(shù)據(jù)增強(qiáng)方法，對(duì)訓(xùn)練集進(jìn)行手動(dòng)遮擋，使用平均臉策略，對(duì)遮擋區(qū)域進(jìn)行分割和處理，獲得類(lèi)似于自然遮擋圖像，解決了訓(xùn)練集樣本不足的問(wèn)題。林勝光[4]基于神經(jīng)網(wǎng)絡(luò)結(jié)合區(qū)域權(quán)值，并對(duì)中間卷積層進(jìn)行高斯濾波處理，利用使用濾波后的特征進(jìn)行人臉對(duì)比，提高人臉識(shí)別的準(zhǔn)確度。本文根據(jù)霍夫直線(xiàn)檢測(cè)判斷人臉是否佩戴口罩，并通過(guò)提取未遮擋部分hog 特征，對(duì)分類(lèi)器進(jìn)行級(jí)聯(lián)來(lái)提高口罩遮擋人臉識(shí)別的準(zhǔn)確度。

1 方法描述

1.1 高斯卷積

高斯卷積把原始圖片與卷積核中心重疊對(duì)應(yīng)位置相乘，卷積核每次移動(dòng)一個(gè)像素，卷積后得到一張新的圖片，原圖片根據(jù)卷積核的大小，選用不同的padding 方式，保證得到的圖片和原始圖片一樣的尺度。使用的高斯核其取自二維高斯分布，對(duì)高斯核歸一化卷積之后，保證得到的新的圖片像素值在0 到255，高斯核中心像素點(diǎn)周?chē)闹禃?huì)對(duì)其產(chǎn)生影響。基于高斯核得到的新的圖像，像素點(diǎn)的值因受到周?chē)袼攸c(diǎn)的值產(chǎn)生影響，圖像過(guò)度更加平滑，并去掉隨機(jī)噪聲。

圖1 原始圖像

圖2 灰度圖像

圖3 二值化圖像

灰度處理使三種色彩分量R,G,B 的值相同，基于加權(quán)平均值法，當(dāng)其權(quán)重不同時(shí)，形成不同灰度的灰度圖像，使其產(chǎn)生的圖片符合人眼視覺(jué)感受?；叶忍幚砜商岣叱绦蜻\(yùn)算速度。二值化設(shè)定一個(gè)閾值將圖像像素點(diǎn)灰度值設(shè)置為0 或255。

1.2 腐蝕

基于形態(tài)學(xué)圖像處理算法腐蝕與膨脹[5]提取圖像成分，去除二值化圖像噪點(diǎn)。利用結(jié)構(gòu)單元對(duì)目標(biāo)圖像進(jìn)行腐蝕操作，如果結(jié)構(gòu)單元像素點(diǎn)完全處于目標(biāo)圖像里，那么結(jié)構(gòu)單元原點(diǎn)所在位置可以輸出。如果結(jié)構(gòu)單元像素點(diǎn)超出目標(biāo)區(qū)域，則結(jié)構(gòu)單元原點(diǎn)位置不能輸出，因此目標(biāo)區(qū)域邊界就會(huì)被腐蝕。腐蝕可以縮小或者細(xì)化二值圖像中的物體，腐蝕操作將小于結(jié)構(gòu)單元的圖像細(xì)節(jié)從圖像中濾除。

膨脹操作，結(jié)構(gòu)單元像素點(diǎn)可以超出目標(biāo)區(qū)域范圍，但必須有一部分像素點(diǎn)在目標(biāo)區(qū)域范圍中，結(jié)構(gòu)單元原點(diǎn)所在位置才能輸出。如果結(jié)構(gòu)單元像素點(diǎn)和目標(biāo)區(qū)域沒(méi)有聯(lián)系，結(jié)構(gòu)單元中心位置不能輸出?；谂蛎洸僮魇鼓繕?biāo)區(qū)域范圍比之前擴(kuò)大，可以使斷裂部分被連接起來(lái)。

基于開(kāi)操作先腐蝕后膨脹，可以使物體的輪廓更加的平滑并消除細(xì)小的突出物，但是也可能會(huì)導(dǎo)致細(xì)微連接處斷開(kāi)較窄的狹頸。由于有些部分通過(guò)開(kāi)操作之后，出現(xiàn)新的斷裂無(wú)法恢復(fù)，并不是我們所期望。為解決這個(gè)問(wèn)題，使用閉操作先膨脹后腐蝕，平滑輪廓的一部分與開(kāi)操作相反，其通常會(huì)彌合較窄的間斷和細(xì)長(zhǎng)的溝壑，消除小的空洞，填補(bǔ)輪廓的斷裂。

1.3 邊緣檢測(cè)

圖像canny 邊緣檢測(cè)[6]圖像在垂直于邊緣的方向上像素變化很大。因圖像是離散的，可根據(jù)差商的極限對(duì)圖像近似求導(dǎo)。使用核對(duì)圖像分別進(jìn)行豎向和橫向兩次卷積，基于豎向和橫向卷積的圖像，得到原始圖像的梯度的幅值和梯度的方向，賦值越大更有可能是邊，保留梯度方向最大的幅值，對(duì)非極大值進(jìn)行抑制。因像素點(diǎn)離散，梯度方向可能沒(méi)有幅值存在，則需基于線(xiàn)性差值模擬出兩個(gè)點(diǎn)的幅值與中間點(diǎn)幅值進(jìn)行比較，如果中間點(diǎn)大于另外模擬出的點(diǎn)則將其保留，認(rèn)為其是該梯度方向最大的值，否則舍棄該點(diǎn)。邊緣的連接和閾值化把灰度小于最小閾值的點(diǎn)去除，大于最大閾值的點(diǎn)保留。去除一些點(diǎn)后圖像會(huì)斷斷續(xù)續(xù)，為解決此問(wèn)題，將遍歷大于最大閾值的點(diǎn)，此點(diǎn)如果其八領(lǐng)域內(nèi)存在閾值，其值介于最大閾值和最小閾值中間把它連接起來(lái)。

圖4 腐蝕圖像

圖5 膨脹圖像

霍夫直線(xiàn)檢測(cè)[7]遍歷每一個(gè)像素點(diǎn)，如果是黑色點(diǎn)不執(zhí)行操作，如果是白色點(diǎn)獲取其x，y 坐標(biāo)帶入不同的角度，求出不同的r,直到所有的邊緣點(diǎn)都遍歷完，出現(xiàn)最多的r 和角度組合最有可能是直線(xiàn)。

圖6 邊緣檢測(cè)圖像

圖7 霍夫直線(xiàn)檢測(cè)圖像

1.4 Hog 特征提取

基于霍夫直線(xiàn)檢測(cè)以及利用hsv 作為膚色檢測(cè)判斷出未遮擋部分，提取未遮擋部分Hog 特征[8（]方向梯度直方圖）作為分類(lèi)對(duì)象，其不依賴(lài)于顏色，圖像梯度可以分解為水平和豎直方向梯度。水平梯度計(jì)算首先要從左向右掃描，計(jì)算該方向上的像素值的差值。在從上到下掃描計(jì)算豎直方向梯度，利用水平方向梯度和豎直方向梯度，提取圖像hog 特征?；谔荻戎狈綀D訓(xùn)練分類(lèi)器來(lái)檢測(cè)物體，根據(jù)水平和豎直方向上的梯度可以計(jì)算出圖片總體的梯度值和梯度角?？偺荻却笮『头较蛴孟蛄勘硎?，該向量表達(dá)兩個(gè)像素的特征，因次壓縮了圖片信息，壓縮后的圖像可以表達(dá)圖像中的主要特征。

Pca 降維[9]首先計(jì)算多維數(shù)據(jù)中二維變量的平均測(cè)量值，根據(jù)平均值，計(jì)算出數(shù)據(jù)的中心，移動(dòng)數(shù)據(jù)的中心并確保數(shù)據(jù)中心在圖形中原點(diǎn)的位置，移動(dòng)數(shù)據(jù)并不會(huì)改變數(shù)據(jù)點(diǎn)彼此之間的相對(duì)位置，通過(guò)移動(dòng)后的圖像擬合出一條直線(xiàn)。選定一條穿過(guò)原點(diǎn)的隨機(jī)線(xiàn)為量化擬合數(shù)據(jù)程度，數(shù)據(jù)投影到該線(xiàn)段，測(cè)量數(shù)據(jù)到直線(xiàn)的距離。找到使這些投影點(diǎn)到直線(xiàn)距離總和最小的線(xiàn)或找到使投影點(diǎn)到原點(diǎn)距離最大的線(xiàn)，旋轉(zhuǎn)選定的直線(xiàn)，使這些投影點(diǎn)到直線(xiàn)距離總和最小，盡可能擬合數(shù)據(jù)。把最佳擬合線(xiàn)距離的平方和稱(chēng)為pca 特征值。另外一個(gè)主成分通過(guò)原點(diǎn)垂直pca 無(wú)需更多優(yōu)化，因主成分必須保證線(xiàn)性無(wú)關(guān),所以垂直pca,選擇pca 呈現(xiàn)水平狀態(tài)，用投影點(diǎn)定位圖中樣本位置，特征值通過(guò)把數(shù)據(jù)投影到主成分上來(lái)獲得。計(jì)算每個(gè)主成分的差異，選取占絕大多數(shù)差異率的主成分，使用保留的主成分的特征值去表達(dá)特征。

1.5 分類(lèi)器級(jí)聯(lián)人臉特征檢測(cè)

根據(jù)提取出的hog 特征，使用提升學(xué)習(xí)（boosting）基于A(yíng)daBoost 產(chǎn)生弱預(yù)測(cè)模型，并加權(quán)累加到總模型中。原始訓(xùn)練集訓(xùn)練形成弱學(xué)習(xí)器，在構(gòu)建下一個(gè)弱學(xué)習(xí)器時(shí)會(huì)考慮前一個(gè)訓(xùn)練集中的模型的效果。根據(jù)前一個(gè)訓(xùn)練集的效果去更改原來(lái)樣本權(quán)重，樣本數(shù)目不會(huì)因此改變，修改之后依次遞推進(jìn)行一系列的迭代，迭代到錯(cuò)誤率足夠小，多個(gè)弱學(xué)習(xí)器預(yù)測(cè)結(jié)果進(jìn)行加權(quán)融合。算法會(huì)為每一個(gè)樣本賦予一個(gè)權(quán)重，每次用訓(xùn)練好的學(xué)習(xí)器預(yù)測(cè)樣本，如何某一個(gè)樣本預(yù)測(cè)的越來(lái)越正確 則將其權(quán)重降低，否則提高樣本的權(quán)重。權(quán)重越高的樣本在下一次迭代訓(xùn)練中所占的比重就越大，使越難區(qū)分的樣本在訓(xùn)練過(guò)程中會(huì)變得越重要?；贠penCV 實(shí)例化分類(lèi)器實(shí)現(xiàn)對(duì)人臉，鼻子，嘴巴的檢測(cè)，如果檢測(cè)到嘴巴說(shuō)明沒(méi)有佩戴口罩。

2 結(jié)語(yǔ)

本文闡述了口罩遮擋人臉識(shí)別方法，首先對(duì)人臉圖像進(jìn)行高斯卷積使圖像更加平滑，對(duì)二值化的圖像進(jìn)行開(kāi)操作和閉操作去除圖像中的噪點(diǎn)。對(duì)嘴巴檢測(cè)判斷是否佩戴口罩，基于霍夫直線(xiàn)檢測(cè)和提取人臉部的膚色信息判斷出未遮擋部分。提取未遮擋部分hog 特征，基于分類(lèi)器級(jí)聯(lián)識(shí)別出口罩遮擋人臉，提高口罩遮擋人臉識(shí)別的準(zhǔn)確度。