人臉識(shí)別系統(tǒng)的算法研究與仿真實(shí)驗(yàn)

劉建明， 王　亮

(泉州師范學(xué)院 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，福建 泉州 362000)

人臉識(shí)別系統(tǒng)的算法研究與仿真實(shí)驗(yàn)

劉建明， 王亮

(泉州師范學(xué)院 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，福建 泉州 362000)

摘要：基于MATLAB編譯平臺(tái)下，通過(guò)對(duì)人臉識(shí)別系統(tǒng)門(mén)禁系統(tǒng)進(jìn)行充分的理論研究后，設(shè)計(jì)相關(guān)人臉識(shí)別算法，并對(duì)主成分分析法( PCA) 人臉識(shí)別算法和Adaboost識(shí)別算法進(jìn)行了設(shè)計(jì)實(shí)現(xiàn)，經(jīng)過(guò)比對(duì)后選擇了其中有較高識(shí)別率的算法設(shè)計(jì)進(jìn)行人臉識(shí)別系統(tǒng)的仿真實(shí)驗(yàn)，并可以嘗試應(yīng)用于現(xiàn)代門(mén)禁系統(tǒng)中.

關(guān)鍵詞：MATLAB；人臉識(shí)別;仿真實(shí)驗(yàn)

當(dāng)代計(jì)算機(jī)技術(shù)和生物技術(shù)的發(fā)展突飛猛進(jìn)，利用人體特征來(lái)識(shí)別人們身份的生物識(shí)別技術(shù)正逐漸成為門(mén)禁系統(tǒng)進(jìn)行安全驗(yàn)證備受歡迎的方式.生物特征識(shí)別技術(shù)是一種將信息技術(shù)與生物特征識(shí)別技術(shù)相結(jié)合的新型識(shí)別技術(shù)，它通過(guò)將計(jì)算機(jī)技術(shù)、聲學(xué)、光學(xué)、生物傳感器和生物統(tǒng)計(jì)學(xué)等高科技技術(shù)手段進(jìn)行密切結(jié)合利用人體生理特征(如指紋、人臉、虹膜等)或行為特征(如筆跡、步態(tài)、語(yǔ)音等)來(lái)對(duì)人們身份進(jìn)行鑒別.人臉識(shí)別技術(shù)正是利用計(jì)算機(jī)來(lái)編制的一套識(shí)別軟件來(lái)分析人臉圖像,并從中提取出人臉特征的有效的識(shí)別信息,用來(lái)“辨認(rèn)”被識(shí)別對(duì)象的身份的一門(mén)技術(shù).人臉識(shí)別技術(shù)現(xiàn)如今應(yīng)用非常廣泛，應(yīng)用前景廣闊，如人臉識(shí)別技術(shù)可用于檔案管理、金融行業(yè)、安全驗(yàn)證系統(tǒng)、和海關(guān)的監(jiān)控系統(tǒng)以及自動(dòng)門(mén)禁系統(tǒng)等等.正是因?yàn)槠渚薮蟮膽?yīng)用前景,人臉識(shí)別具有簡(jiǎn)單方便、友好易于接受，防欺騙性和安全性高等特點(diǎn)，人臉識(shí)別技術(shù)越來(lái)越成為當(dāng)前模式識(shí)別和人工智能領(lǐng)域的一大研究熱點(diǎn)[1].

1人臉識(shí)別系統(tǒng)分析

1.1人臉識(shí)別系統(tǒng)技術(shù)環(huán)節(jié)

一般情況下一個(gè)可行的人臉識(shí)別系統(tǒng)主要包括以下四個(gè)主要技術(shù)環(huán)節(jié): 人臉檢測(cè)、人臉特征提取、人臉識(shí)別、提交識(shí)別結(jié)果.如下圖1所示.

圖1　人臉識(shí)別系統(tǒng)的主要識(shí)別過(guò)程

1.2人臉識(shí)別系統(tǒng)結(jié)構(gòu)分析

人臉識(shí)別門(mén)禁系統(tǒng)的主要結(jié)構(gòu)如圖2所示.首先通過(guò)攝像頭照相建立一個(gè)人臉數(shù)據(jù)庫(kù),通過(guò)人臉檢測(cè)算法對(duì)人臉圖像去除背景取出人臉部分并進(jìn)行預(yù)處理 ,提取特征，訓(xùn)練形成一個(gè)特征庫(kù)用于人臉識(shí)別.將待識(shí)別人臉圖像輸入系統(tǒng),同樣也需經(jīng)過(guò)人臉圖像檢測(cè)、人臉圖像特征定位與提取,利用訓(xùn)練得到特征庫(kù)進(jìn)行識(shí)別比對(duì),輸出相應(yīng)的識(shí)別結(jié)果.

圖2　人臉識(shí)別主要框架結(jié)構(gòu)圖

2人臉識(shí)別系統(tǒng)的算法設(shè)計(jì)與研究

2.1PCA識(shí)別算法的設(shè)計(jì)

2.1.1PCA識(shí)別算法的理論基礎(chǔ)

人臉識(shí)別的方法會(huì)因?yàn)閭?cè)重的方面不同而會(huì)有大量不同的人臉識(shí)別算法.例如側(cè)重分類的則有最佳鑒別矢量集法、貝葉斯法和基于人工神經(jīng)網(wǎng)絡(luò)的相關(guān)方法，而對(duì)于側(cè)重于表述人臉圖像的方法則有傅里葉變換特征法和彈性圖匹配法.本文中所使用的PCA 方法[2]則是側(cè)重于人臉圖像的重構(gòu).PCA識(shí)別算法方法在數(shù)據(jù)表示、模式識(shí)別、圖像信息壓縮、人工智能等領(lǐng)域一直是一個(gè)熱點(diǎn)研究問(wèn)題.PCA人臉識(shí)別算法就是將訓(xùn)練過(guò)程重構(gòu)而獲得的用于識(shí)別的樣本稱為“特征臉”，是一種通過(guò)降低人臉圖像的來(lái)維數(shù)提取人臉特征的統(tǒng)計(jì)性模板比配方法對(duì)人臉進(jìn)行識(shí)別的過(guò)程.PCA算法首先提取人臉的主要成分構(gòu)成特征臉庫(kù)，然后在識(shí)別過(guò)程中將測(cè)試樣本投影到該特征臉庫(kù)中構(gòu)成一組投影系數(shù)，通過(guò)與特征臉進(jìn)行距離比較，距離最小的特征臉對(duì)應(yīng)的即是識(shí)別結(jié)果.

2.1.2PCA識(shí)別算法的設(shè)計(jì)

對(duì)于d維空間中的n個(gè)樣本x1,x2,x3……xn，現(xiàn)在要考慮如何可以在低維空間中最好的表示它們.

首先考慮在一維情況下，以e表示通過(guò)這n個(gè)點(diǎn)的均值m的單位方向向量，那么直線的方程可以表示為x=m+ae，a為一個(gè)實(shí)數(shù)標(biāo)量，表示直線上某個(gè)點(diǎn)離開(kāi)m的距離.

現(xiàn)在的關(guān)鍵問(wèn)題是如何確定e的最優(yōu)方向使E(e)得平方誤差最小.

(1)

=e·(x-m)=eT(xi-m).

(2)

將公式(2)代入公式(1)可得

(3)

其中，d×d矩陣，稱為散布矩陣.公式(3)中，第二項(xiàng)與e無(wú)關(guān)，顯然若要使最小，就要使eTSe最大.

令y=eTSe-λ(eTe-1)，其中，λ為拉格朗日乘數(shù)，通過(guò)對(duì)e求偏導(dǎo)數(shù)，使其為0，得

(4)

從而有

Se=λe.

兩邊同時(shí)左乘eT有

eTSe=λ.

(5)

這樣，我們可以得出這樣的結(jié)論，為了使eTSe最大，應(yīng)當(dāng)選取散布矩陣S的最大特征值所對(duì)應(yīng)的特征向量作為投影直線e的方向.

所有樣本投影到直線e之后，在新的一維空間中，單位矢量e成為了唯一的一個(gè)基，在這個(gè)空間中的某個(gè)樣本x同樣可以由這個(gè)基向量x表示為x=m+ae.

利用上述理論我們可以推廣至d1維(d1≤d)空間，則超平面方程為，則誤差準(zhǔn)則函數(shù)為

(6)

同理可以得出e1,e2……,ed1也為散布矩陣S的前d1個(gè)特征值對(duì)應(yīng)的特征向量.然后這些特征向量就構(gòu)成了低維空間的一組向量基，屬于此空間的向量可以由這組基則可以表示如下：

(7)

在本文的人臉識(shí)別系統(tǒng)中，每一幅人臉圖像都可以可以作為一個(gè)樣本，維數(shù)則為92*112=10 304，如果要使用PCA識(shí)別算法進(jìn)行降維處理，接著取前20個(gè)特征向量，總共40*5=200個(gè)樣本，這就需要計(jì)算10 304*10 304大小的散布矩陣，這是一個(gè)很大的開(kāi)銷.如果使用matlab的princomp命令計(jì)算PCA則就會(huì)發(fā)生內(nèi)存溢出錯(cuò)誤.本文使用了快速PCA算法，則只需要計(jì)算200*200的矩陣的特征值對(duì)應(yīng)的特征向量，則大大減小了計(jì)算的開(kāi)銷.

2.1.3快速PCA識(shí)別算法設(shè)計(jì)

設(shè)Zn×d樣本矩陣X中的每個(gè)樣本減去樣本平均值m后的矩陣，則散布矩陣S為(ZTZ)d×d.現(xiàn)在則考慮矩陣R=(ZZT)n×n，在本文中的人臉識(shí)別系統(tǒng)中n=200，d=10 304，而d則遠(yuǎn)遠(yuǎn)大于n，所以R的尺寸遠(yuǎn)遠(yuǎn)小于S，但他們有相同的特征值.

設(shè)n是列向量v為R的特征值λ對(duì)應(yīng)的特征向量，則有：

(ZZT)v=λv.

(8)

對(duì)上述公式(8)兩邊同時(shí)左乘ZT，并應(yīng)用矩陣乘法結(jié)合律可得：

(ZTZ)(ZTv)=λ(ZTv).

(9)

由公式(9)可說(shuō)明ZTv為散布矩陣S=(ZTZ)d×d的特征值λ對(duì)應(yīng)的特征向量.因此，我們可以計(jì)算小矩陣R=(ZZT)n×n的特征向量v，之后左乘ZT得到散布矩陣S=(ZTZ)d×d的特征向量ZTv.

在PCA人臉識(shí)別算法中主要的是要求出使得方差最大的轉(zhuǎn)化方向，下圖3是對(duì)200幅圖片提取的PCA主成分特征臉臉，使用20維特征，共20個(gè)臉.

圖3　訓(xùn)練樣本的主成分臉

2.2Adaboost算法研究

Adaboost算法可以將一組弱分類器自適應(yīng)地提升為強(qiáng)分類器，由于弱分類器的輸出是+1和-1，所以又稱為離散的Adaboost識(shí)別算法.Adaboost算法為每個(gè)訓(xùn)練引入一個(gè)權(quán)重wi，從而使得下次迭代的弱分類器的選擇更加注重錯(cuò)誤樣本.主要步驟如下：

f(xj)=aj·I(xj≤θj)+bj·I(xj>θj).

(10)

給定特征的閾值θj，aj與bj的取值通過(guò)最小化樣本的加權(quán)分類錯(cuò)誤率得到，取值為1或者-1，即

(11)

(12)

此時(shí)的錯(cuò)誤率為

(13)

特征j的最佳分割閾值θj可以通過(guò)窮舉的方式得到，由于樣本的數(shù)目為N個(gè)，所以每個(gè)特征最優(yōu)的的搜索復(fù)雜度為O(N).Adaboost算法每次選擇最佳的弱分類器，等價(jià)于選擇最佳的特征.假設(shè)共有M個(gè)特征，從中選擇錯(cuò)誤率最小的特征，每次迭代的計(jì)算復(fù)雜度為當(dāng)算法執(zhí)行了T次迭代時(shí)，整個(gè)訓(xùn)練流程的計(jì)算復(fù)雜度為O(TMN).

3人臉識(shí)別系統(tǒng)算法的仿真實(shí)驗(yàn)

本文采用基于MATLAB編譯平臺(tái)進(jìn)行了上述的人臉識(shí)別算法的仿真實(shí)驗(yàn)[3-6].

3.1人臉識(shí)別系統(tǒng)運(yùn)行情況

基于上述算法的人臉識(shí)別系統(tǒng)仿真實(shí)驗(yàn)的運(yùn)行界面如下圖4所示.

圖4　人臉識(shí)別門(mén)禁系統(tǒng)運(yùn)行界面

3.2仿真實(shí)驗(yàn)結(jié)果分析

Adaboost訓(xùn)練樣本比較慢，大概需要2分鐘左右時(shí)間，但是識(shí)別測(cè)試樣本速度較快，這是他的一個(gè)優(yōu)點(diǎn).PCA+Adaboost一對(duì)一投票策略對(duì)200個(gè)測(cè)試樣本進(jìn)行身份識(shí)別，僅用20秒，識(shí)別較快，識(shí)別率達(dá)到75%.SVM訓(xùn)練樣本速度較快，僅僅用30多秒，但是識(shí)別樣本，沒(méi)有Adaboost速度快，SVM分類器需要保存的分類器信息較多，達(dá)到4 M之多.PCA+SVM一對(duì)一投票策略識(shí)別樣本速度較慢，測(cè)試200個(gè)樣本需要40秒左右的時(shí)間，但識(shí)別率較高，達(dá)到86%.

4結(jié)語(yǔ)

(1)計(jì)算機(jī)技術(shù)和生物技術(shù)的興起與流行已經(jīng)是勢(shì)不可擋的成為定局，新的更實(shí)用的安全系統(tǒng)已經(jīng)成為趨勢(shì)，因此此次選題對(duì)今后社會(huì)發(fā)展意義重大.

(2)人臉識(shí)別系統(tǒng)的應(yīng)用對(duì)于完善公共服務(wù)體系、改善公共服務(wù)水平、增加公共服務(wù)產(chǎn)品、提高公共服務(wù)質(zhì)量具有重要意義.

(3)提供安全可靠地識(shí)別率，這是人臉識(shí)別系統(tǒng)的要求，有利于保護(hù)人民群眾的生命財(cái)產(chǎn)安全不受侵害，提高人們的生活水平.

參考文獻(xiàn)：

[1]王映輝.人臉識(shí)別原理方法技術(shù)[M].北京:科學(xué)出版社，2010．

[2]李盛文，鮑蘇蘇.基于PCA+AdaBoost 算法的人臉識(shí)別技術(shù)[J].計(jì)算機(jī)工程與應(yīng)用，2010，46(4):170-173．

[3]王敏,段黎明,朱國(guó)濤,等.基于MATLAB 7.0的人臉識(shí)別仿真系統(tǒng)研究[J].科學(xué)技術(shù)與工程，2009，9(20):6224-6226.

[4]李盛文，鮑蘇蘇.基于PCA+AdaBoost 算法的人臉識(shí)別技術(shù)[J].計(jì)算機(jī)工程與應(yīng)用，2010，46(4):170-173．

[5]張雷剛，張勇東，張冬明.基于GPU 并行加速的改進(jìn)分塊PCA人臉識(shí)別算法[C].北京:第五屆圖像圖形技術(shù)與應(yīng)用學(xué)術(shù)會(huì)議，2010．

[6]董火明,高雋,汪榮貴.多分類器融合的人臉識(shí)別與身份認(rèn)證[J].系統(tǒng)仿真學(xué)報(bào),2004,16(8):1849-1853.

Algorithm Research and Simulation Experiment

of Face Recognition System

LIU Jian-ming, WANG Liang

(SchoolofMathematicsandComputerScience,QuanzhouNormanUniversity,Quanzhou362000,China)

Abstract:Based on MATLAB platform and thorough theoretical research of the face recognition access control system, the design of face recognition algorithm is formulated. After a comparative study of the design of PCA face recognition algorithm and that of Adaboost recognition algorithm, the design with higher recognition rate is selected to carry out simulation experiments. The results can be applied to modern access control system.

Key words:MATLAB; face recognition, simulation experiment

責(zé)任編輯：趙秋宇

中圖分類號(hào)：TP391.4

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1671-9824(2015)02-0070-05

作者簡(jiǎn)介：劉建明(1982—)男，福建惠安人，講師，碩士，研究方向：計(jì)算數(shù)學(xué)及應(yīng)用軟件.

基金項(xiàng)目：泉州師范學(xué)院校級(jí)自選項(xiàng)目(2014KJ15)

收稿日期：2014-03-17