人臉分形特征提取與識別算法分析與探究
來源:用戶上傳
作者:
摘要：人臉識別技術是計算機應用領域的一項重要技術，具有十分廣泛的用途.文章首先對人臉識別的一般流程進行介紹，進而研究人臉分形特征提取方法及識別算法，主要利用人臉分形特征完成識別過程，識別算法主要采用隱馬爾可夫模型，并詳細探討其實現過程.
關鍵詞：人臉分形;特征提取;識別算法
中圖分類號：TP391 文獻標識碼：A 文章編號：1673-260X（2019）05-0027-03
在計算機圖形學和計算機視覺技術等的快速發展下，計算機人臉識別技術已經實現，其理論基礎日益完善，識別算法也不斷優化，識別性能明顯提升.目前，計算機人臉識別技術已經在電子商務、門禁系統、監控系統等領域得到廣泛應用，對提升公共安全、金融安全有重要幫助.應繼續推動相關研究，提高識別準確率和識別效率.
1 人臉識別的一般流程
人臉識別技術的本質是對輸入的人臉圖像或視頻流進行識別，與數據庫中的人臉圖像進行對比，通過捕捉人臉位置、大小、面部特征信息等，實現辨識身份的功能.計算機人臉識別技術的優點在于識別效率高、隱蔽性好，不易被識別對象所察覺，可減少惡意欺騙的現象.但是其識別過程也具有一定難度，容易受人的表情、外界光照、取像視角等因素的干擾，出現無法識別或識別錯誤的情況.目前人臉識別技術具體分為識別和認證技術兩大類，識別技術主要用來確定識別對象身份，認證技術則用來判斷識別對象是否為目標對象.此外，按照識別過程是否需要進行人工干預，還可以分為半自動、全自動識別技術兩類[1]，目前大多數研究和應用都采用手動設計[2].
無論是哪一種人臉識別技術，其基本流程都包含以下環節：（1）人臉檢測，包括對人臉進行檢測、定位和跟蹤等，主要目的是確定檢測環境中是否存在人臉，然后調用人臉定位等程序，對人臉的形狀、大小和位置信息進行確定.在動態視頻中進行人臉檢測，即人臉跟蹤技術，相比之下難度更高;（2）人臉圖像預處理，主要包括圖像矯正、歸一化處理、灰度均衡處理等，需要增強圖像對比度，并對圖像進行去噪，從而方便后續的特征提取操作;（3）特征提取，通過對原始圖像數據進行變化，提取出能夠反映人臉圖像分類本質的特征，其提取過程即為從現實空間到機器空間的映射過程[3].人臉識別的實現基礎是人臉的多樣性和唯一性，特征提取就是對人臉的共性、特性問題進行處理，并用盡可能少的數據反映出盡可能多的特征信息，其處理過程是一個降維的過程;（4）分類識別，提取出人臉特征后，采用分類方法對其進行歸類，一般需要對樣本進行訓練，在訓練集上確定判別規則，然后進行人臉圖像識別，最終準確識別出人臉圖像信息[4].
2 人臉分形特征提取方法
2.1 分形維數計算
本次研究的人臉分形特征提取和識別算法以分形理論為基礎，該理論主要研究不規則且具有自相似性的形狀，比如河流、云彩、樹葉葉脈、大腦皮層等.分形理論的數學基礎包括仿射變換、迭代函數系、圖像分形編碼等.目前該理論已經在計算機人臉識別領域得到廣泛應用，是提取人臉圖像特征的有效方法.與上述分形理論的研究對象相似，人臉圖像也具有較高的復雜性和自相似性，其中包含大量紋理信息，可以利用分形維數描述人臉紋理粗糙程度.這是一種穩定的人臉特征，可利用分形盒維數判斷待檢測圖像是否為人臉圖像[5].
2.2 分形特征獲取
在人臉圖像分形特征的獲取過程中，首先將人臉圖像分成互不交疊的值域塊集，即：Ri∩Rj=？覬.將人臉圖像劃分成可相互重疊的定義域塊集，即：Di∩Dj當i不等于j時可以不為？覬.值域塊Range大小為B*B，定義域塊Domain大小為2B*2B.對值域塊集中的任意一個Ri在定義域塊集{Di}中找到匹配的Di，使：
Wi（Di）=Ri’，d（Ri，Ri’）=ε
其中Wi是壓縮仿射變換函數，d是最小距均方誤差距離函數，ε為任意小正數.
設置一個閾值σ，使σ=0.01，如果d（Ri，Wi（Di））<σ，則認為找到了值域塊與定義域塊的匹配項.分別記錄每個值域塊對應的Wi參數，然后與值域塊和定義域塊位置構成特征碼矩陣，用以描述人臉圖像分形特征.該方法的解碼過程較為簡單，特征碼矩陣在對原始圖形進行反復迭代后，會收斂在一個不變圖像上，因此分形特征碼矩陣可重構人臉圖像，反映人臉特征[6].
2.3 定義域塊搜索
在上述值域塊與定義域塊的匹配過程中，還可以稍加改進，實現定義域塊快速搜索.改進方法是在定義域塊的所搜過程中，不是每次都從頭開始搜索，而是從上次記錄映射位置開始搜索.并對值域塊和定義域塊進行分類，比如分成灰度無變化區、灰度漸變區和灰度突變區.進行匹配時，只需要在同一類值域塊和定義域塊中進行搜索，從而極大地提高定義域塊搜索效率.多數情況下，人臉圖像具有左右對稱性，在匹配過程中，值域塊Ri的匹配定義域塊Di一般出現在其中心對稱區域.但是由于實際識別過程中人臉圖像的表情變化等干擾，對稱線不總是出現在圖像中心線處.如果在中心軸對稱區域沒有找到匹配的定義域塊，可按一定規律進行擴大區域搜索.比如先將候選區域擴大四倍，若仍無法找到，擴大至對稱軸右半區域，最后擴大至整幅圖像.這種方法也比每次都在整幅圖像中進行搜索效率要高[7].
2.4 特征快速提取
基于定義域快速搜索方法，可以實現人臉圖像分形特征的快速提取.采用上述值域塊和定義域塊確定方法，對定義域塊采用快速搜索算法.首先判斷值域塊集{Ri}是否為空，從而在提取完最后一個Ri后退出.在對Ri進行匹配時，先確定其軸對稱位置4倍Ri范圍的Si0，表示為{Di0}，在{Di0}中按順序取Di，與Ri的仿射變換進行比較，如果相似度小于設置的閾值，則完成匹配，記錄其位置和仿射參數.如果在{Di0}中沒有找到可匹配的Di，則對候選區域進行擴大，將擴大范圍表示為{Di1}，繼續對其中的Di進行比較和判斷，如此進行迭代處理，直到找到匹配的Di.采用這種算法可以在保證圖像質量的前提下，提高特征提取效率. 3 人臉分形特征識別算法
3.1 分形碼觀察值聚類
目前使用的人類分形特征識別算法分為許多種，以往應用較多的是基于分形距離的識別算法，其優點是容易實現，而且簡單易懂.但是這種方法也有明顯的缺點，由于要記錄每個圖像的分形碼矩陣，會嚴重增加人臉圖像數據庫規模，而且數據冗余的問題較為嚴重，會影響人臉識別速度.本次研究采用隱馬爾可夫識別算法，其訓練過程是對同一人的多幅人臉圖像進行訓練，建立數據庫時只需要儲存一個訓練集就可以保存該對象的所有人臉圖像信息，從而解決基于分形距離識別算法存在的問題.隱馬爾可夫識別算法的狀態值是隱藏的，要通過觀察值序列估計模型狀態.但在上述特征提取過程中得到的分形特征矩陣，不是觀察值序列，而是多個分形特征碼向量.在轉換成觀察值序列的過程中，需要采用均值模糊聚類算法.如果兩個分形特征碼t1和t2的維數相同，則定義其距離為D（t1，t2）.假設有C個觀察值，將前C個特征碼向量作為初始的聚類中心，分別計算每個向量到中心的距離，根據就近原則進行歸類.再對每個類的向量均值進行計算，更新聚類中心，當聚類中心不再變化后，即可得到所要的觀察值序列.
3.2 隱馬爾可夫識別模型
利用隱馬爾可夫模型進行人臉特征識別雖然可以解決基于分形距離識別算法存在的問題，但其本質上屬于一維模型，而人臉是二維圖像，容易出現描述不精確的問題.因此，在具體應用過程中，可采用基于分形特征的雙重嵌入式模型，解決隱馬爾可夫模型存在的不足.利用雙重嵌入式隱馬爾可夫模型進行人臉特征識別，具體按照垂直方向，將人臉分為六個狀態，分別為頭發、額頭、眼、鼻、嘴和下巴，每個狀態對應一個隱馬爾可夫模型.然后在水平方向上嵌入一個隱馬爾可夫模型，用于描述人臉圖像，從而實現一維模型向二維模型的轉變.在特征識別過程中，同樣采取上述方法計算分形特征碼矩陣，然后對分形特征碼矩陣進行分割，獲取分形特征向量.再采用上述觀察值聚類方法，轉換成觀察值序列，最后采取雙重嵌入方式，建立二維隱馬爾可夫識別模型.
3.3 訓練過程
人臉圖像的特征集訓練是人臉識別的一個重要步驟，提取分形特征碼矩陣后，對其進行均勻分割，得到特征向量，并轉換成觀察值序列.然后對狀態轉移矩陣A進行初始化，假設一個狀態只能被轉移到前一個或后一個狀態.同時設置一個觀察概率矩陣B，也對其進行初始化，初始狀態的概率分布是從第一個狀態識別開始的.接下來進行雙重分割，在嵌入式隱馬爾可夫模型上劃分，將最大值作為觀察概率，計算所有主狀態觀察概率.最后再對模型參數進行重新估計，判斷模型是否收斂.如果兩次迭代誤差小于設定閾值，則訓練完成.完成所有特征集的訓練后，存儲對應模型，保存隱馬爾可夫模型參數，用以進行人臉圖像特征識別.
3.4 識別過程
在最后的識別過程中，首先向系統輸入人臉圖像，然后提取分形特征觀察值序列.對輸入的人臉圖像進行快速分形特征提取，獲取分形碼矩陣和特征向量，然后轉化為隱馬爾可夫觀察值序列.連接訓練集數據庫，根據觀察序列的計算結果，判斷隱馬爾可夫似然概率值，將似然概率值最大值對應的類，作為人臉圖像所屬類.從而完成人臉圖像的匹配過程，判斷輸入的人臉圖像是否為數據庫中存儲的圖像，完成身份識別過程.上述整個識別過程，可采用VC++和OpenCV進行編碼實現，并采用ORL標準人臉庫進行驗證.隨機選取300張人臉圖像進行驗證實驗，平均識別率高達86.15%，高于改進前算法，而且識別時間也得到明顯下降，算法可用性較高.
4 結束語
綜上所述，人臉分形特征提取和識別算法是一種計算機人臉識別的有效手段，通過對其具體提取方法及識別算法進行改進，可以提升人臉識別結果的準確性，進一步提高人臉識別效率.隨著相關研究的不斷深入，在先進理論的支持下，人臉識別技術將逐漸成熟，在實際應用中，也能夠為識別結果的可靠性提供保障.
參考文獻：
〔1〕盧佳琨.淺談人工智能中人臉識別技術的應用[J].通訊世界，2019（01）：221-222.
〔2〕張少巍，倪紹洲.基于混合神經網絡的人臉表情識別研究[J].長春大學學報，2019（02）：37-40.
〔3〕馮學曉，古險峰.基于分形理論的圖像邊緣特征提取算法[J].新鄉學院學報，2018（06）：40-43.
〔4〕黃麗媛，吳南壽，王雪花.基于特征向量提取和SVM分類器的課堂人臉識別研究[J].儀器儀表用戶，2019（02）：15-17.
〔5〕楊艷，郭振鐸，徐慶偉.基于PCA和LBP的自適應加權融合人臉識別算法[J].中原工學院學報，2018（06）：75-80.
〔6〕楊鑫，王愛學.激光光點定位技術在移動人臉識別中的應用[J].激光雜志，2018（12）：116-120.
〔7〕何強，文凱.一種復雜背景下的人臉識別算法研究[J].電視技術，2017（Z4）：207-213.
轉載注明來源:http://www.hailuomaifang.com/1/view-14854626.htm
