人臉檢測(cè)建模源照片篩選方法

吳限，劉崎峰

上海船舶電子設(shè)備研究所，上海 201108

人臉檢測(cè)建模源照片篩選方法

吳限，劉崎峰

上海船舶電子設(shè)備研究所，上海 201108

安防系統(tǒng)輸入數(shù)據(jù)質(zhì)量各異，部分質(zhì)量差的照片會(huì)引起誤報(bào)率升高，如何將這部分?jǐn)?shù)據(jù)優(yōu)化排除，篩選用于人臉建模的安防系統(tǒng)數(shù)據(jù)源是本文的目的。采用量化照片評(píng)價(jià)指標(biāo)的方法，通過(guò)對(duì)照片中人臉部分的清晰度、對(duì)比度等質(zhì)量因素進(jìn)行評(píng)價(jià)，將其量化并排序從而得到數(shù)據(jù)源質(zhì)量序列。在軟件工程化實(shí)踐中對(duì)隨機(jī)抽取的100張照片質(zhì)量評(píng)價(jià)驗(yàn)證，其評(píng)價(jià)結(jié)果準(zhǔn)確率可達(dá)95%。以文中所提到的方法對(duì)采集數(shù)據(jù)優(yōu)化后，其建模后的數(shù)據(jù)能有效地降低比對(duì)過(guò)程中誤報(bào)率，提高安防系統(tǒng)識(shí)別的準(zhǔn)確率。

安防系統(tǒng)；人臉檢測(cè)；篩選；人臉清晰度；質(zhì)量評(píng)價(jià)

人臉識(shí)別系統(tǒng)源于20世紀(jì)，直到計(jì)算機(jī)技術(shù)和光學(xué)成像技術(shù)發(fā)展后才有所提高。20世紀(jì)90年時(shí)期以美國(guó)、德國(guó)的技術(shù)為主［1］，系統(tǒng)能力取決于其關(guān)鍵技術(shù)即人臉的識(shí)別率以及識(shí)別速度。實(shí)際生活中，各種安全防御系統(tǒng)遍布我們周?chē)?，大到機(jī)場(chǎng)出入境登記信息采集［2］、機(jī)場(chǎng)安檢［3］，小到職工考勤系統(tǒng)［4］。雖然人臉識(shí)別系統(tǒng)樣式千變?nèi)f化，但其原理歸根結(jié)底都是利用一種生物特征［5］比對(duì)進(jìn)行識(shí)別。實(shí)際系統(tǒng)在采集生物特征源數(shù)據(jù)時(shí)，由于受各方面因素制約，例如光照、角度、表情的影響，被采集的人臉照片則呈現(xiàn)出不同質(zhì)量水平、不同模型。若采用均勻的光照，可以從照片中提取無(wú)干擾的人臉特征信息，而使用偏光源則會(huì)弱化光線較強(qiáng)一側(cè)所提取的特征。另外，基于不同表情建立的模型其差異性比較大，給后續(xù)識(shí)別比對(duì)工作造成一定的難度。人臉識(shí)別系統(tǒng)經(jīng)歷了從模擬相機(jī)到數(shù)字高清攝像機(jī)的升級(jí)，其采集的數(shù)據(jù)源也隨之發(fā)生了根本性的變化。采集數(shù)據(jù)量的提升給人臉識(shí)別系統(tǒng)的處理能力提出了更高的要求，采集質(zhì)量的提升則給人臉識(shí)別系統(tǒng)提供更大的選擇余地。如何在大量的采集數(shù)據(jù)中挑選出更適合系統(tǒng)識(shí)別的數(shù)據(jù)是當(dāng)前核心問(wèn)題，一套合理的評(píng)價(jià)機(jī)制可以提高人臉識(shí)別系統(tǒng)輸入的質(zhì)量，提高人臉識(shí)別系統(tǒng)識(shí)別能力。

1 評(píng)價(jià)要素

拿到一張日常生活中的照片，可以從中看到所拍對(duì)象的臉部表情、左右旋轉(zhuǎn)姿態(tài)、俯仰旋轉(zhuǎn)姿態(tài)、拍攝的清晰度、光照度等各種視覺(jué)信息。從這些信息可以直觀判斷出所拍攝的照片是否適合觀察者以此進(jìn)行個(gè)體分析識(shí)別。通常，人臉識(shí)別系統(tǒng)的采集端盡可能采集大量連續(xù)幀照片數(shù)據(jù)，對(duì)這些數(shù)據(jù)進(jìn)行分析識(shí)別。但隨著數(shù)據(jù)量的增加，許多不滿足基本判定條件的照片也消耗了系統(tǒng)的運(yùn)算時(shí)間，降低了系統(tǒng)的識(shí)別能力，因此，通過(guò)一定的方法從多個(gè)方面對(duì)其進(jìn)行排序，選擇優(yōu)質(zhì)數(shù)據(jù)送入系統(tǒng)中分析可以提升系統(tǒng)運(yùn)算能力。

從人臉檢測(cè)建模角度［6］考慮，采集數(shù)據(jù)的質(zhì)量評(píng)價(jià)由以下幾個(gè)要素決定：照片清晰度、照片對(duì)比度、人臉左右旋轉(zhuǎn)姿態(tài)及人臉俯仰旋轉(zhuǎn)姿態(tài)。本文主要從量化照片的清晰度及對(duì)比度，進(jìn)行分析排序。

1.1 照片的清晰度

照片的清晰度是最重要的指標(biāo)，也是最難準(zhǔn)確衡量的指標(biāo)。清晰度即肉眼宏觀看到的圖像的清晰程度，是由系統(tǒng)和設(shè)備的客觀性能的綜合結(jié)果造成的人們對(duì)最終圖像的主觀感覺(jué)［7］。主要側(cè)重于人臉區(qū)域的紋理信息是否明顯，特別是人臉、嘴巴、眼睛等主要器官的輪廓，不采用耳朵的輪廓、額頭的皺紋等這些不穩(wěn)定信息。如圖1所示，上面2張照片人臉的顆粒性較強(qiáng)，，便于肉眼對(duì)被采集者進(jìn)行識(shí)別，下面2張照片照片的清晰度則較差，肉眼無(wú)法清楚識(shí)別部分臉部紋理特征，對(duì)人眼的識(shí)別造成一定難度。

圖1 清晰度示例

1.2 照片的對(duì)比度

照片的對(duì)比度主要指的是一幅圖像中明暗區(qū)域最亮的白和最暗的黑之間不同亮度層級(jí)的測(cè)量，差異范圍越大表示二者對(duì)比越大，差異范圍越小表示二者對(duì)比越小。采用的最低對(duì)比度是90。從人臉的直方圖看，低于這個(gè)閾值的人臉灰度等級(jí)往往集中在直方圖的某一較窄的區(qū)域內(nèi)［8］。從肉眼看，這種人臉照片一般層次感不夠，比如過(guò)暗或過(guò)爆的人臉照片。

如圖2所示，上面2張照片由于光照條件較差，照片中臉部紋理特征丟失較嚴(yán)重，在建模過(guò)程中無(wú)法對(duì)相應(yīng)部位建模，更造成無(wú)法識(shí)別。下面2張照片的光照條件明顯優(yōu)于前2張，則其建模的過(guò)程中數(shù)據(jù)無(wú)丟失，也不容易造成系統(tǒng)誤報(bào)，降低系統(tǒng)的誤報(bào)率。

圖2 對(duì)比度示例

2 評(píng)價(jià)模型的建立

2.1 模型分析

在實(shí)際的照片識(shí)別中，經(jīng)常會(huì)碰到各種模糊照片和清晰照片。對(duì)于模糊照片來(lái)說(shuō)，它的細(xì)節(jié)特征已經(jīng)丟失，無(wú)法恢復(fù)和提取，但照片中五官的位置關(guān)系、輪廓等特征還存在。因此，可以依據(jù)這些信息來(lái)識(shí)別人臉部位的清晰度等要素。而對(duì)于清晰照片來(lái)說(shuō)，也可以提取一些更具識(shí)別意義的細(xì)節(jié)特征。

2.2 模型建立

由于照片中人臉五官的位置關(guān)系、輪廓等具有低頻特征，所以本文采用傅里葉變換提取人臉中的低頻成分特征，保留了全局性差異。

當(dāng)照片的清晰度較高時(shí)，則人臉部分的顆粒感較強(qiáng)，紋理特征保持連續(xù)、跳變情況少。本文按照人臉照片邊界連續(xù)性以及人臉各部位的紋理特征為考慮因素建模，對(duì)各特征部位的灰度點(diǎn)連續(xù)性及亮度差異進(jìn)行考量，根據(jù)建模過(guò)程中所有特征部位的考量結(jié)果給出綜合值，從而得到的整個(gè)模型的清晰度評(píng)價(jià)量。

對(duì)比度的評(píng)價(jià)主要是分析照片中黑白部分漸變的層次情況。高對(duì)比度的照片，灰度層次感高，肉眼觀看更為清晰醒目，色彩艷麗，更利于人眼的主觀識(shí)別。對(duì)照片進(jìn)行灰度處理，將連續(xù)灰度值塊統(tǒng)計(jì)后，計(jì)算其所占像素面積大小。若高低灰度區(qū)域面積比越懸殊則其對(duì)比度值越高。

實(shí)際應(yīng)用的識(shí)別系統(tǒng)應(yīng)綜合考慮計(jì)算機(jī)建模及人眼評(píng)定二者之間的平衡。這里給出經(jīng)驗(yàn)的照片評(píng)價(jià)權(quán)重公式。

在評(píng)價(jià)系統(tǒng)獲取到照片的清晰度q及對(duì)比度?結(jié)果后，利用權(quán)重公式給出綜合評(píng)價(jià)結(jié)果，排序后對(duì)輸入數(shù)據(jù)進(jìn)行優(yōu)選。實(shí)際使用中由于不同系統(tǒng)的安裝條件、光照條件以及人為因素不同，按照各自的經(jīng)驗(yàn)系數(shù)進(jìn)行調(diào)節(jié)，本文按照本實(shí)際安裝系統(tǒng)進(jìn)行配置。

3 評(píng)價(jià)的測(cè)試結(jié)果

針對(duì)本文所提出的建模及評(píng)價(jià)方法做軟件工程化實(shí)現(xiàn)與驗(yàn)證。從實(shí)際使用中的安防系統(tǒng)區(qū)域隨機(jī)選取100組安防系統(tǒng)采集的數(shù)字高清照片作為測(cè)試數(shù)據(jù)。先對(duì)數(shù)據(jù)源不進(jìn)行挑選建模并識(shí)別得出一組識(shí)別結(jié)果，然后利用質(zhì)量評(píng)價(jià)方法挑選數(shù)據(jù)源后再建模識(shí)別給出另外一組識(shí)別結(jié)果，最后對(duì)本系統(tǒng)的運(yùn)行結(jié)果進(jìn)行統(tǒng)計(jì)，如圖3所示。

圖3 100組測(cè)試?yán)R(shí)別結(jié)果

如圖3所示，橫坐標(biāo)為測(cè)試組序號(hào)，縱坐標(biāo)為每組測(cè)試樣本與自身匹配結(jié)果，1為完全相似。從這組數(shù)據(jù)統(tǒng)計(jì)結(jié)果可以看出，經(jīng)過(guò)質(zhì)量評(píng)價(jià)后的源數(shù)據(jù)識(shí)別的結(jié)果絕大部分相對(duì)未挑選的數(shù)值要高，識(shí)別過(guò)程被適量?jī)?yōu)化。當(dāng)然，圖中也存在少量識(shí)別結(jié)果低于未挑選的數(shù)值，其原因在于實(shí)際質(zhì)量評(píng)價(jià)存在一定誤差，如同人肉眼選擇的結(jié)果一樣，則挑選的誤差數(shù)據(jù)也影響到了系統(tǒng)識(shí)別的結(jié)果，但此部分?jǐn)?shù)據(jù)為可接受誤差，并未影響整體結(jié)果。

為克服實(shí)際評(píng)價(jià)中存在一定比率的錯(cuò)誤數(shù)據(jù)，收集測(cè)試中所有錯(cuò)誤數(shù)據(jù)對(duì)建模的過(guò)程數(shù)據(jù)進(jìn)行分析，發(fā)現(xiàn)部分背景區(qū)域融合至人臉邊緣從而降低了邊緣識(shí)別［9］的準(zhǔn)確性，造成部分清晰度評(píng)價(jià)較差圖片其對(duì)比度評(píng)價(jià)較高，其入選后并不能優(yōu)化輸入數(shù)據(jù)的作用。后續(xù)調(diào)整評(píng)價(jià)參數(shù)的權(quán)重?cái)?shù)據(jù)，再次用同樣的數(shù)據(jù)再次進(jìn)行測(cè)試，分析結(jié)果發(fā)現(xiàn)，在滿足絕大部分?jǐn)?shù)據(jù)正確的情況下，總存在少量錯(cuò)誤數(shù)據(jù)，即在無(wú)法避免錯(cuò)誤數(shù)據(jù)的情況下，只能將權(quán)重?cái)?shù)據(jù)調(diào)整至系統(tǒng)準(zhǔn)確率最高。

4 結(jié)束語(yǔ)

提出通過(guò)用人臉部紋理、輪廓邊緣等特征將照片的清晰度量化，采用照片中灰度區(qū)域分析將照片的對(duì)比度量化的思路及具體實(shí)現(xiàn)方法。給出了一種量化評(píng)價(jià)采集數(shù)據(jù)源的方法。從評(píng)價(jià)測(cè)試的結(jié)果可以看出，照片的清晰度及對(duì)比度是可以具體量化的指標(biāo)，驗(yàn)證了利用質(zhì)量因素評(píng)價(jià)數(shù)據(jù)源并篩選是可行的。選擇角度分別從適合計(jì)算機(jī)量化以及人眼觀察的角度進(jìn)行評(píng)價(jià)，數(shù)據(jù)表明采用這2個(gè)指標(biāo)為照片評(píng)價(jià)過(guò)程的主要因素具有一定客觀性、誤差性。

對(duì)本次測(cè)試中的清晰度和對(duì)比度數(shù)據(jù)進(jìn)行分析，選擇對(duì)建模過(guò)程中影響較大的評(píng)價(jià)因素清晰度為高權(quán)重比，可以提高識(shí)別模型的準(zhǔn)確率并優(yōu)化輸入端數(shù)據(jù)，從而降低系統(tǒng)的誤報(bào)率。當(dāng)識(shí)別結(jié)果處于臨界狀態(tài)時(shí)，需要人為干預(yù)后確認(rèn)結(jié)果，此時(shí)質(zhì)量的另一個(gè)評(píng)價(jià)要素對(duì)比度就起到了增強(qiáng)人眼視覺(jué)識(shí)別的作用。由于選擇了高對(duì)比度照片提供操作人員進(jìn)行處理，使人工確認(rèn)更直觀準(zhǔn)確，運(yùn)行結(jié)果大部分符合預(yù)期，但仍存在小概率的誤差不可避免。如何在本文基礎(chǔ)上降低誤差比率，優(yōu)化評(píng)價(jià)環(huán)節(jié)，是今后工作中需要進(jìn)一步解決的問(wèn)題和研究的方向，誤差的修正將更好地提升安防系統(tǒng)識(shí)別的精度。

該方法實(shí)用性較強(qiáng)，由于本次測(cè)試中所涉及的數(shù)據(jù)源來(lái)自于實(shí)際安防系統(tǒng)中，則測(cè)試結(jié)果亦可體現(xiàn)本方法在實(shí)際應(yīng)用中起到降低誤報(bào)率，優(yōu)化系統(tǒng)性能的作用。

［1］唐勇.人臉識(shí)別技術(shù)綜述［J］.硅谷，2011（9）：16-17.

［2］李丹.人臉檢測(cè)在機(jī)場(chǎng)離港旅客識(shí)別系統(tǒng)中的應(yīng)用研究［D］.成都：四川大學(xué)，2005：10-12.

［3］胡大濤.人臉識(shí)別系統(tǒng)在機(jī)場(chǎng)安檢中的應(yīng)用［J］.科技信息，2010，20：8-12.

［4］高原.門(mén)禁考勤系統(tǒng)中人臉識(shí)別的研究［D］.武漢：武漢理工大學(xué)，2012：7-10.

［5］劉歡喜.人體生物特征的綜合分析與應(yīng)用［D］.上海：上海交通大學(xué)，2010：15-17.

［6］田源，于鳳芹.人臉檢測(cè)方法綜述［J］.計(jì)算機(jī)安全，2009（5）：14-15.

［7］江昊，何明一.基于特征約束點(diǎn)的紋理映射算法［J］.計(jì)算機(jī)仿真，2009（1）：25-29.

［8］陳柯，杜利民，趙向陽(yáng).基于三角剖分的人臉紋理映射［J］.微計(jì)算機(jī)應(yīng)用，2007（1）：39-44.

［9］方昱春，王蘊(yùn)紅，譚鐵牛.融合人臉輪廓信息和區(qū)域信息改進(jìn)人臉檢測(cè)［J］.計(jì)算機(jī)學(xué)報(bào)，2004（4）：56-62.

A method of selecting source data of pictures in the modeling of face detection

WU Xian，LIU Qifeng
ShanghaiMarine Electronic Equipment Research Institute，Shanghai201108，China

The quality of input data is quite different，some poor quality pictureswill increase the rate of false alarm in the safety defense system.The purpose of this paper is to optimize these data and choose the source data formod-eling the face detection system.Using themethod of quantifying the picture evaluation indexes tomeasure the pic-tureswith the factors influencing quality of face，such as resolution，contrast ratio，etc.，then quantify and se-quence these factors，and thus derive the quality sequence ofdata source.In the software engineering practice，100 imageswere selected random ly to evaluate their quality，proving that the accuracy of evaluation reaches 95%.The data collected by themethod mentioned above were optimized and then used formodeling，proving that the false a-larm in the process of comparison can be reduced effectively and the accuracy of identification of safety defense sys-tem increased.

security system；face detection；selection；face definition；qualitymeasure

TP391.41

：A

：1009-671X（2015）01-033-03

10.3969／j.issn.1009-671X.201404005

http：//www.cnki.net／kcms／detail／23.1191.U.20150112.1530.011.htm l

2014-04-15.

日期：2015-01-12.

七二六研究所科技創(chuàng)新基金資助項(xiàng)目.

吳限（1982-），女，工程師.

吳限，E-mail：business.wu＠163.com.