基于互聯(lián)網(wǎng)云計算的人臉識別算法研究

許少榕

(福州職業(yè)技術(shù)學(xué)院，福州 350108)

?

基于互聯(lián)網(wǎng)云計算的人臉識別算法研究

許少榕

(福州職業(yè)技術(shù)學(xué)院，福州 350108)

基于互聯(lián)網(wǎng)云計算的人臉識別算法是人工智能的核心算法，也是計算機(jī)視覺發(fā)展的瓶頸所在。利用主成分分析算法對圖像的特征點進(jìn)行提取，并對傳統(tǒng)的細(xì)菌覓食算法進(jìn)行改進(jìn)，提出了改進(jìn)的細(xì)菌覓食算法(GBFA)，利用改進(jìn)細(xì)菌覓食算法對主成分分析法中的目標(biāo)函數(shù)進(jìn)行求解。將計算過程嵌入MATHEMATICA Cloud云中，利用部署函數(shù)對圖片進(jìn)行操作，開發(fā)人臉識別程序Face_Recognition，并分別針對智能摳圖抽絲、人臉分類、同一人物人臉匹配、尋找特定人物4種功能形態(tài)進(jìn)行測試，測試結(jié)果顯示，提出的基于互聯(lián)網(wǎng)云計算的人臉識別算法對于人臉識別、人臉分類、人臉篩選等具有極強(qiáng)的適應(yīng)性和極高的精確度。

MATHEMATICA Cloud；主成分分析；GBFA；摳圖抽絲

0　引言

基于互聯(lián)網(wǎng)云計算的人臉識別算法是人工智能的核心算法，也是計算機(jī)視覺發(fā)展的瓶頸所在，是國內(nèi)外學(xué)者長期關(guān)注的課題[1-4]。

FAN Li-qiang[5]利用主成分分析法提取圖像的特征點，并利用Matlab中的求解程序解答主成分分析法中的目標(biāo)函數(shù)，獲得了較好的圖像識別效果，但僅僅針對背景單一的人臉可以識別，對于具有復(fù)雜背景的人臉的識別效果較差。Planck[6]通過傳統(tǒng)的細(xì)菌覓食算法求解主成分分析法中的目標(biāo)函數(shù)，解答速度較快，對3D人臉的適應(yīng)性較強(qiáng)，但精度較差，難以給出較為準(zhǔn)確的人臉位置。Tanaka J W等[7]基于互聯(lián)網(wǎng)云計算，大大提升了求解的速度，對于不同形態(tài)的人臉圖像具有很強(qiáng)的適應(yīng)性，但所使用的云計算平臺穩(wěn)定性較差，時常出現(xiàn)無法計算或者計算精度較差的現(xiàn)象。Kikkeri等[8]利用跡線追蹤的原理，對人臉的細(xì)部構(gòu)造進(jìn)行細(xì)致刻畫，對同一人物不同形態(tài)下的識別能力較強(qiáng)，但對于陰暗的背景，跡線往往出現(xiàn)嚴(yán)重的偏差，時常將背景顏色也歸類到人臉之中。Yifrach A等[9]利用Hadoop云計算平臺，針對陰暗背景下的臉部進(jìn)行著重刻畫，對于背景的識別能力較強(qiáng)，但是對于強(qiáng)光下的人臉，其計算精度和識別能力都較差。

本文在前人研究的基礎(chǔ)上，選用細(xì)菌覓食算法(簡稱BFA，下同)，同時基于免疫算法(generate and test)的相關(guān)概念，融合半解析解的相關(guān)思想[10]，針對BFA算法的3個操作環(huán)節(jié)(復(fù)制操作環(huán)節(jié)、趨向性操作環(huán)節(jié)和遷移操作環(huán)節(jié))，提出BFA的一種優(yōu)化算法GBFA(Generate Bacterial Foraging Algorithm)。然后，選用穩(wěn)定性較好、數(shù)據(jù)庫較為豐富的收費云計算平臺——MATHEMATICA Cloud，利用部署函數(shù)對圖片進(jìn)行操作，開發(fā)人臉識別程序Face_Recognition，并分別針對智能摳圖抽絲、人臉分類、同一人物人臉匹配、尋找特定人物4種功能形態(tài)進(jìn)行測試，驗證本文提出的基于互聯(lián)網(wǎng)云計算的人臉識別算法對于人臉識別的適用性，以期為其他人臉識別算法提供借鑒。

1　人臉圖像識別算法

1.1主成分分析法

人臉圖像主要特征的提取是基于主成分分析法原理。人臉圖像包含了很多細(xì)節(jié)特征，準(zhǔn)確地評價這些特征對于識別人臉具有重要的意義。但是人臉圖像的多個細(xì)節(jié)特征是相互關(guān)聯(lián)的，如果對每個細(xì)節(jié)特征都進(jìn)行細(xì)致的分析，會導(dǎo)致計算量的大幅度增加和決策函數(shù)的升維。主成分分析法就是利用降維的思想，將這些繁雜的細(xì)部特征轉(zhuǎn)化為數(shù)目較少的綜合性特征指標(biāo)。

主成分分析法的主要步驟如下：

Step1：對原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化采集，該集合x的維度為P。

x=(X1，X2，X3，…，Xp)T，

(1)

其中，n(n>P)個樣品的集合Xi為

Xi=(X1i，X2i，X3i，…，Xpi)Ti=1，2，3，…，n。

(2)

針對樣本陣元進(jìn)行標(biāo)準(zhǔn)化變換

(3)

(4)

(5)

稱Z標(biāo)準(zhǔn)化陣。

Step2：標(biāo)準(zhǔn)化陣Z的矩陣系數(shù)

(6)

其中，

(7)

Step3：求解R的特征方程

|R-λIP|P=0，

(8)

按照

(9)

Step4：將指標(biāo)變量轉(zhuǎn)化為主成分

(10)

式中：U1為第一主成分；U2為第二主成分；U3為第三主成分；UP為第P主成分。

Step5：對載入的人臉圖像進(jìn)行幾何歸一化處理。假設(shè)載入的人臉圖像的像素點為m×n，則將像素儲存在列向量(X1，X2，X3，…)T中。

Step6：求得平均人臉：

(11)

訓(xùn)練樣本的協(xié)方差矩陣為

(12)

取差值向量

wi=xi-μx，

(13)

令

w=(w1，w2，w3，…，wn)。

(14)

Step7：投射到待檢測空間，則每幅圖像在特征空間的坐標(biāo)函數(shù)為

yi=UT(xi-μx)=UTwi，

(15)

其中，

(16)

同樣可以將待測圖像xtest投射到特征子空間之中。

ytest=UT(xtest-μx)。

(17)

Step8：利用距離分離器進(jìn)行辨識，目標(biāo)函數(shù)為

minDist=min||yi-ytest||。

(18)

1.2方程求解

對于1.1節(jié)提出的目標(biāo)函數(shù)，利用改進(jìn)細(xì)菌覓食算法(GBFA)進(jìn)行求解。BFA(細(xì)菌覓食算法)中第i次的步長為

(19)

式中：NS為BFA虛擬的細(xì)菌群落中細(xì)菌游動的最大次數(shù)；Led為細(xì)菌游動的初始步長。

細(xì)菌移動的每一次步長均小于初始步長Led。并且，計算開始之時(i值較小)，第i次的步長很大，可以提高搜索的速度，使得計算可以更快進(jìn)行；隨著計算過程的進(jìn)行(i值的增大)，第i次的步長會越來越小，這是為了在計算的后期，保證足夠的收斂精度。

在趨向性操作步長的動態(tài)更新機(jī)制建立之后，將群落中所有細(xì)菌的適應(yīng)度進(jìn)行累加，并由從大到小的順序進(jìn)行排列，形成細(xì)菌序列。將細(xì)菌序列前m(m為百分比)部分的細(xì)菌進(jìn)行復(fù)制n次，將細(xì)菌序列中的其余細(xì)菌進(jìn)行剔除，m和n的關(guān)系為

(20)

如此一來，使用細(xì)菌群落中m部分的細(xì)菌代表了原有的細(xì)菌菌落，可以提高細(xì)菌群落的整體覓食能力。此后，依照如下步驟對細(xì)菌菌落進(jìn)行變異、繁殖：

1)挑選出細(xì)菌群落中適應(yīng)度較高的細(xì)菌，標(biāo)記為克隆群體A；

2)克隆群體A繁殖成為群體B：

(21)

式中：Round為四舍五入函數(shù)；S為細(xì)菌群落的整體個數(shù)；A(i)為計算的克隆群體A的個數(shù)；i為第i次計算；α為克隆的系數(shù)。

為了方便計算，將適應(yīng)度F進(jìn)行標(biāo)準(zhǔn)化

(22)

式中max為取最大值函數(shù)。

3)對群體B進(jìn)行變異操作，生產(chǎn)群體C：

B(i)=B(i)+βrandomn(C)，

(23)

式中：random為隨機(jī)函數(shù)；B(i)為計算的克隆群體B的個數(shù)；β為變異概率，計算方法為：

β=e-F(n-i+1)，

(24)

根據(jù)上式可知，適應(yīng)度越高的個體，變異概率β越大。

因為交叉方法

H=B(x1)-B(x2)+B(x3)-B(x4)，

(25)

式中x1、x2、x3、x4為克隆群體A中4個不同的細(xì)菌。將群體C融合進(jìn)入群體B中，形成群體D：

D=B+C。

(26)

4)對群體D中，將其中前m(m為百分比)部分的細(xì)菌進(jìn)行n次復(fù)制，將其余細(xì)菌進(jìn)行剔除。

在傳統(tǒng)的BFA算法之中，需要設(shè)定一個遷移概率Ped，如果隨機(jī)數(shù)小于遷移概率Ped，就會對細(xì)菌進(jìn)行遷移操作。這樣做的目的是希望細(xì)菌可以躍出局部最優(yōu)解的陷阱。但是，這種做法同樣具有極大的弊端，因為遷移概率Ped對于所有的細(xì)菌都有效，無論細(xì)菌的適應(yīng)度如何，都可能被遷移。GBFA算法在遷移操作環(huán)節(jié)中，適應(yīng)度最高的個體被驅(qū)散的概率為0，適應(yīng)度最高的個體被驅(qū)散的概率為Ped，以提高搜索的速度。根據(jù)以上思想，繪制GBFA算法流程圖，如圖1所示。

2　MATHEMATICA Cloud云計算平臺搭建

MATHEMATICA Cloud是針對正版MATHEMATICA軟件開發(fā)的云計算服務(wù)平臺，之所有沒有選擇常用的云計算平臺Hadoop，主要有4點原因：1)MATHEMATICA Cloud面對付費用戶，進(jìn)行了初步的信息篩選[11]；2)MATHEMATICA Cloud其中涉及到大量的人文數(shù)據(jù)、經(jīng)濟(jì)數(shù)據(jù)、地理數(shù)據(jù)，數(shù)據(jù)庫實施維護(hù)，其真實性得到了保障[12]；3)面向互聯(lián)網(wǎng)具有自己的搜索引擎，其搜索引擎基于機(jī)器學(xué)習(xí)算法，對于信息具有很強(qiáng)的識別與篩選能力[13]；4)該軟件為付費用戶提供了快捷便利的接口，只需要在客戶端上進(jìn)行程序編寫便可以自動導(dǎo)入云中進(jìn)行計算[14]。

表1　程序主要函數(shù)

表1(續(xù))

表1展現(xiàn)了計算機(jī)人像識別程序的主要函數(shù)。利用這些函數(shù)可以對圖像進(jìn)行復(fù)雜的操作，并最終實現(xiàn)識別人像的目的。

3　程序運行結(jié)果

利用上述原理和函數(shù)，編制人臉識別程序Face_Recognition，利用Face_Recognition對圖像進(jìn)行識別。

3.1面部識別

在對程序輸入圖像之后，程序會自動對圖像進(jìn)行掃描并提取其中的像素點，同時將像素排列成矩陣，根據(jù)上述算法進(jìn)行特征點的提取，如圖2所示。圖2(b)中的某些像素點是背景，需要剔除，已精簡計算規(guī)模。利用MATHEMATICA Cloud對人像、人體掛飾、服飾、基礎(chǔ)動作的數(shù)據(jù)，根據(jù)圖2(b)中的特征點，去除背景部分，進(jìn)而實現(xiàn)摳圖功能。圖2(c)展現(xiàn)了Face_Recognition的摳圖能力，根據(jù)圖2(b)可以看出，嬰兒頭部右側(cè)發(fā)梢得到了很好的抽絲。說明MATHEMATICA Cloud中對于嬰兒發(fā)梢的數(shù)據(jù)較為豐富，可以針對不同的事物實現(xiàn)高精度辨識，以達(dá)到抽絲效果。圖2(d)展現(xiàn)了Face_Recognition的識別效果，可以準(zhǔn)確地定位到人像面部。

(a)原圖

(b)圖像特征點

(c)摳圖、抽絲效果

(d)識別效果

3.2含有條件的面部識別

圖3中，分別添加了3種識別條件：第一種識別條件為識別圖像中所有的人，第二種識別條件為識別圖像中的孩童，第三種識別條件為識別圖像中的成人。根據(jù)圖3可以看出，在這3種識別條件下軟件都表現(xiàn)了很好的適應(yīng)性。

(a)原圖

(b)人像識別

(c)尋找孩童

(d)尋找成人

3.3人像匹配度

圖4展現(xiàn)的是劉德華先生不同時期、不同環(huán)境、不同裝束、不同形態(tài)下的圖片，依照Face_Recognition對6幅圖像進(jìn)行對比識別，計算兩者之間的相似程度(見表2)。

(a)

(b)

(c)

(d)

(e)

(f)

abcdefa1.0000000.9773620.9505470.8518930.9092650.906742b0.9773621.0000000.9738080.9517210.9977110.957371c0.9505470.9738081.0000000.9549620.8096390.992643d0.8518930.9517210.9549621.0000000.9371850.817387e0.9092650.9977110.8096390.9371851.0000000.981162f0.9067420.9573710.9926430.8173870.9811621.000000

根據(jù)表2可以看出，圖像之間的相似程度皆在0.8以上，說明Face_Recognition對不同時期、不同環(huán)境、不同裝束、不同形態(tài)下的人物具有極強(qiáng)的識別能力。

4　尋找特定人物

圖5展現(xiàn)的是從眾多人像中識別林志玲女士的效果圖。在向Face_Recognition輸入圖片之后，調(diào)取MATHEMATICA Cloud中所有關(guān)于林志玲女士的面部數(shù)據(jù)。然后，對輸入圖像進(jìn)行面部識別，尋找其中與林志玲女士相似度最高的人像。

(a)原圖

(b)識別效果圖5　從眾多人像中識別林志玲女士

5　結(jié)語

本文針對人臉識別問題，利用MATHEMATICA Cloud云，開發(fā)Face_Recognition程序，實現(xiàn)對圖像的人臉識別、摳圖、抽絲等操作，具體而言，有如下4點結(jié)論：

基于MATHEMATICA Cloud云，F(xiàn)ace_Recognition程序可以實現(xiàn)對輸入圖像特征點的提取，并自動完成對輸入圖像的摳圖、抽絲操作；

基于MATHEMATICA Cloud云，F(xiàn)ace_Recognition程序可以基于輸入的圖像，自動對圖像進(jìn)行分類，并可以單獨提取其中的某些特定類別。

基于MATHEMATICA Cloud云，F(xiàn)ace_Recognition程序可以針對輸入圖像中的人物進(jìn)行判別，可以識別不同時期、不同環(huán)境、不同裝束、不同形態(tài)下的同一人物。

基于MATHEMATICA Cloud云，F(xiàn)ace_Recognition程序可以針對特定的任務(wù)進(jìn)行搜索，并從繁雜的人物頭像中進(jìn)行比對、篩選。

[1] Naveen S，Moni R S.Contourlet and Fourier Transform Features Based 3D Face Recognition System[M].Germany：Springer International Publishing，2016:411-425.

[2] Guo Yulan，Lei Yinjie，Li Liu，et al.EI3D: Expression-invariant 3D face recognition based on feature and shape matching[J].Pattern Recognition Letters，2016，23：65-67.

[3] L Aijing，Y Jin，MI Ali.Design of the hospital integrated information management system based on cloud plat-form[J].The West Indian Medical Journal，2015,34(5):521-526.

[4] Li Hongjun，Ching Y.Suen.Robust face recognition based on dynamic rank representation[J].Pattern Recognition，2016,60:13-24.

[5] FAN Li-qiang，LV Guo-fang.Prediction of concrete strength based on high dimensional cloud RBF neural net-work[J].Electronic Design Engineering，2016(8):60-67.

[6] Charles Beumier.3D Face recognition[C]//Industrial Technology，2006.ICIT 2006.IEEE International Conference on.New York：IEEE，2006.

[7] Tanaka J W，Simonyi D.The“parts and wholes”of face recognition:a review of the literature[J].Quarterly Journal of Experimental Psychology，2016,69(10):1-37.

[8] Kikkeri H N，Koenig N F.Face recognition using depth based tracking[J].Free Patents Online,2016(5):92-96.

[9] Yifrach A，Novoselsky E，Solewicz Y A，et al.Improved nuisance attribute projection for face recognition[J].Formal Pattern Analysis & Applications，2016，19(1):69-78.

[10] 王俊奇，李闖，董曄.Bishop法的半解析解及其廣義數(shù)學(xué)模型[J].水利與建筑工程學(xué)報，2015(6):123-128.

[11] Policy M.About Us:Child Welfare[J].Mathematica Policy Research Reports，2016.

[12] Deppisch T.E6Tensors:A Mathematica Package for E6 Tensors[J].Thomas Deppisch,2016,19:15.

[13] Clark D B，Godat E，Olness F I.ManeParse:a Mathematica reader for Parton Distribution Functions[J].High Engery Physics-Phenomenology，2016(15)：16.

[14] Tabakin F.QDENSITY/QCWAVE:A Mathematica quantum computer simulation update[J].Computer Physics Communications，2016，201:171-172.

The Study on Face Recognition Algorithm Based on Internet Cloud Computing

XU Shao-rong

(FuzhouPolytechnic，F(xiàn)uzhou350108，China)

Face recognition algorithm based on Internet cloud computing is the core algorithm of artificial intelligence，and also the bottleneck lies in the development computer vision.In this paper，the features of the images have been extracted by the principal component analysis algorithm，and some improvements have been made for the traditional bacterial foraging algorithm.An improved bacterial foraging algorithm(GBFA)has been put forward.The target function in the principal component analysis has been solved by the improved bacterial foraging algorithm.The calculation process is embedded in Mathematica Cloud.By using the deployment function，the images have been manipulate，and the face recognition program has been developed.The four functional forms of smart matting spinning，face classification，face matching of the same people，and looking for a specific person have been tested.The results show that the face recognition algorithm based on the Internet cloud proposed in this article has a strong adaptability and high accuracy for face recognition，face classification，face screening，and so on.

Mathematica Cloud；principal component analysis；GBFA；matting snag

10.3969/j.issn.1009-8984.2016.03.025

2016-06-06

許少榕(1982-)，女(漢)，福建閩侯，實驗師

主要研究計算機(jī)技術(shù)。

TP391

A

1009-8984(2016)03-0111-05