动态人脸识别算法描述与实现

赵佳畅

摘  要：近年来，随着生物技术的发展，在生物领域中人脸识别技术已经成为当前的研究热点。人脸识别指通过基于个人的面部轮廓比较和分析模式，唯一地识别或验证人的生物测定技术。然而在实际应用中很多技术是通过软件来实现的。在此次研究中，针对动态人脸识别进行了检测和识别算法描述，并针对这些方法呈现的效果进行了比较分析。

关键词：动态  人脸识别  描述  实现

中图分类号：TP18                                   文献标识码：A                        文章编号：1672-3791（2019）02（c）-0017-02

生物识别技术随着计算机和医学技术的发展已经融入到我们生活中，也成为安全、方便、快捷的技术之一，是以人的身体特征为依据，通过这些特征进一步进行身份识别验证，具有安全性、稳定性、普遍性，与其他识别技术不同，具有良好的拓展性，因此也常常被应用于一些特殊行业中。但在实际应用中如何构建能够满足人们需求的人脸识别系统已经成为当前急需解决的问题。

1  人脸检测算法

1.1 seatface引擎

人脸识别以前是基于C++程序開发的人脸识别引擎，不需要第三方数据库参与，是由中科院团队共同研发的，包括3个模块，分别是人脸检测、面部特征点定位、人脸特征提取及对比。其中，人脸检测模块中是一种基于多层神经网络和典型级联结构共同构成的人脸检测方法，采用的是漏斗型级联结构，对不同姿态人脸检测专门设计而成的，能够实现较快速度、高精度的识别。在顶部通过多个不同姿态快速级联分类器共同构成，由若干具备多层感知机FUST特征的级联结构构成，最后由统一级联结构MLP来处理不同姿态的窗口，整体上呈现一种漏斗状态。不同层次的分类器所采用的特征复杂性较高，因而能够保留人脸窗口排除很难区分非人脸的候选窗口。在面部特征点定位上是一种自编码器网络方法，这种方法级联了多级自编码器网络，其中每一级编码器都是人物的非线性映射。当输入一个人脸区域时，第一级编码器网络会从低分辨率中快速估计人脸形状，然后输入到高分辨率中，抽取当前人脸形状中的不同局部特征输入到下一级编码器中，用于优化人脸对齐效果。通过多个自编码器网络能够逐渐提升人脸对齐，实现高精度的定位，在人脸特征提取与对比上采用的是深度卷积神经网络来实现的，同时通过引入的FNL能够进一步加速人脸特征提取的效果、提升模型泛化能力、有利于完善特征比对，能够进一步简化计算机的相似度，分析并进行阈值比较和排序。

1.2 haar cascade人脸检测分类器

基于haar特征的分类器cascade是一种有效的物品检测方法，通过多种正负样品训练能够获得分类方程，并将其运用于图片中。在人脸识别过程中，首先需要存在很多正样和副样例，用于分类器的训练过程，然后从这些众多图片中逐渐筛选特征，我们可以将不同特征集中于训练图片中，对不同特征可以找出相应人物图片分类效果阈值，因而分类上会存在错误率。我们可以选择错误率小的特征，也就是说可以利用这些特征能够将人脸以及非人脸进行有效区分，并且分类器是弱分类器加权和，而弱分类器是由于不同分类器无法再进行图片的单独分类，因此可以将其聚集为强分类器。有研究学者发现，目前利用这种特征的分类器在检测过程中可以达到95%的精确度，最终可以分类约6000个特征。

2  人脸识别算法

2.1 基于局部二值特征模式的人脸识别方法LBP

人脸识别系统中，当我们追踪到人脸之后，可以对人脸进行详细的分析。然而，对于人脸本身信息描述是否能够除去一些外界干扰因素，直接影响最终的人脸识别效果。局部二值模式也被简称为LBP算法，是一种能够用于描述局部图像变化的算子。通过研究发现，利用这种模式算法在纹理分类中具有较强的区分能力。因此，LBP算法也被用于图像纹理形状的分析，主要是用某像素点作为中心，并将该像素点灰度值作为识别的阈值，其相邻像素点灰度与阈值进行大小比较，如果相邻像素点灰度值高于阈值，则我们可以设置为1，其余为零，且可以获得二进制数。利用这种数值作为中心局部纹理特征。通过描述，我们发现某一像素点局部纹理值，实际上就是其相邻像素点的相关信息。在结构和统计中对于纹理分析采用LBP的算法，最初应用于图像局部，灰度值比较之后逐渐运用于文字描述中，能够用于提取衡量图像中的纹理信息，目前这种方法已经在人脸识别、质量检测等方面。

2.2 直方图对比

利用直方图也可以实现人脸识别，主要是通过灰度直方图以增强图像对比度，是基于灰度值统计的重要方法，这种方法是以统计学概率作为研究基础的，主要由直方图均衡化和规定化来实现。在直方图的均衡化方面，我们可以将图像对比增强分为两种。首先是直接对比增强，其次是间接对比增强。直方图拉伸和均衡化是常见的间接对比增强的方法，而拉伸是通过对比度拉伸对图进行调整，从而扩大背景和灰度差别以实现增强对比度，这种方法可以采用线性和非线性方法实现，使用函数对于灰度值进行调整。从直方图的规定化来看由于均衡化只能增强图像对比度，而效果很难控制，容易导致出现全局均匀化问题，因此我们可以采用灵活性的规定化方法，正确选择规定化常数，以获得更好的效果，通过灰度映像函数将原灰度图改为所希望的直方图，其重点是灰度印象函数。在具体操作中，我们需要对原始图进行灰度均衡化，其次设置所需要的直方图，并计算使规定直方图均衡化变换，将第一步骤中变换反转之后，将原有直方图所对应色到规定直方图中，即可完成。

2.3 识别方式对比

从识别算法上来看，本文所对比的算法分别是直方图对比、基于局部二值特征模式的人脸识别方法LBP这两种方法。其中基于直方图对比的方法是目前已知最早的识别方法，通常需要与其他的方法进行联合使用，才能够获得良好的识别效果。而LBP方法是当识别到人脸之后，能够对人脸进行详细分析的方法。基于该模式的方法，最初应用于图像局部，灰度值比较之后逐渐运用于文字描述中，能够用于提取衡量图像中的纹理信息。目前这种方法已经在人脸识别、质量检测等方面取得了良好的运用。但整体来看，LBP的识别方法一般通过对于人的口眼鼻等一些重要位置以及眼睛等器官几何形状，将其作为分类特征，这种方法的精确性分析时发现精确性较高，而直方图对比是一种比较传统的应用方法，通过灰度分析，利用数学函数等思想来改变图像对比度。目前这种技术已经在很多测试中获得良好的评价，但这种方法识别时间复杂度高，比较缓慢。此外，当采用LBP算法并将其用于纹理分类或人脸识别时，常采用LBP模式的统计直方图来表达图像信息，而较多的模式种类使得数據量过大，直方图过于稀疏。因此，需要对原始的LBP模式进行降维，使得数据量减少的情况下能最好地代表图像信息。

3  效果对比

为了能够进一步说明不同人脸识别算法实际应用效果，我们利用直方图对比、基于局部二值特征模式人脸识别方法LBP这两种算法进行测试，最终我们发现样本在直方图对比相比基于局部二值特征模式的人脸识别方法LBP的识别算法下匹配数量正确率减少了50%。同时，利用局部二值模式下其识别率达90%，直方图对比为79%，相对来说，LBP在识别率和性能上是比较好的。

4  结语

总而言之，随着社会发展进步，动态人脸识别技术已经逐渐运用于我们的日常生活和工作中，我们针对动态人脸识别进行了检测和识别算法描述，并针对这些方法呈现的效果进行了比较分析。

参考文献

[1] 杨磊，白万荣.一种动态口令与人脸识别相结合的双向身份认证系统[J].通讯世界，2017（11）：278-279.

[2] 王瑶.复杂环境下人脸识别研究及其在CRM的实现[D].  电子科技大学，2016.

[3] 余程胜，黄海于.动态人脸识别系统的构建[J].微型机与应用，2016，35（12）：49-51.

本文由： 科学技术创新杂志社编辑部整理发布，如需转载，请注明来源。

科学技术创新杂志社

2020-01-14