考場人臉識別系統(tǒng)研究與實現(xiàn)

衡友躍

摘要：考場傳統(tǒng)的人工核驗身份存在效率低、人為因素大等弊端，設(shè)計實現(xiàn)了一種考場人臉識別系統(tǒng)，該系統(tǒng)基于PCA算法，在OpenCV中實現(xiàn)，測試達到預(yù)期效果，為考試提供了有力支持.

關(guān)鍵詞：人臉識別；PCA；OpenCV

中圖分類號：TP391 文獻標識碼：A 文章編號：1673-260X（2019）03-0051-03

基于視頻的考生異常行為識別的第一步識別考生身份，傳統(tǒng)的人工核驗身份證和準考證效率低，出錯率高.針對當(dāng)前現(xiàn)狀，本文設(shè)計了考場人臉識別系統(tǒng)，為考生異常行為識別奠定基礎(chǔ).

1 考生臉部圖像獲取及處理

在考生人臉識別之前，需要先進行考生面部圖像的獲取.為防止學(xué)生替考，要求用二代身份證核驗身份，通過拍攝二代身份證上的照片提取面部圖像.拍照的角度，拍照時的光線強弱等因素都會帶來干擾，對照片有影響.加上JPEG格式壓縮的圖像，其本身也有一定程度的失真.給人臉識別增加難度.這些因素沒法改變，因此只能通過選擇合適的算法，并對其進行優(yōu)化，在一定程度上消除不利因素.

人臉識別算法對照片中人臉的標準化要求很高，在進行人臉識別之前，要對原始的照片進行預(yù)處理.預(yù)處理之后的照片應(yīng)該大小一樣，人臉的位置也應(yīng)該保持一致.

預(yù)處理流程步驟：首先對照片進行旋轉(zhuǎn)，旋轉(zhuǎn)到兩個眼睛處在同一條水平線上即可.接著對照片進行裁剪，根據(jù)人臉圖像的寬度是標準照片中兩個眼睛之間的距離的2倍進行裁剪，兩個眼睛的位置確定下來，其他器官的位置也就跟著確定了，一張標準化的人臉圖像就生成了.接著對圖像進行灰度歸一化處理，為了方便統(tǒng)一處理不同灰度值的圖像，圖像的灰度值和方差需要被設(shè)定到一個合理的范圍之內(nèi).

2 面部特征提取

目前面部特征提取方法有：基于幾何特征面部識別方法、基于BP神經(jīng)網(wǎng)絡(luò)面部識別方法、基于LBP的面部識別方法等[1].每種方法都各有適用場景及優(yōu)缺點，考慮到平臺的兼容性，硬件資源配置低的因素，本文采用PCA（Principal Component Analysis）算法.

PCA即主成分分析，是一種常用的數(shù)據(jù)降維方法.它可以通過線性變換將面部原始數(shù)據(jù)變換為一組各維度線性無關(guān)表示，以此來提取數(shù)據(jù)的主要特征分量.PCA算法步驟[2，3]：

（1）將面部圖像采集到數(shù)據(jù)庫中.這一步先進行圖像預(yù)處理，然后再將數(shù)據(jù)按列組成n*n矩陣X.

（2）求特征協(xié)方差矩陣.將X的每一行進行零均值化處理，求出協(xié)方差矩陣C，進而求出協(xié)方差矩陣C的特征值及對應(yīng)的特征向量.

（3）對面部特征進行降維.將面部特征向量按照對應(yīng)特征值大小從上到下按行進行排列成矩陣，取前k行組成矩陣P，Y=PX即為降維到k維后的特征向量.

3 面部特征識別

識別過程分為兩步，第一步訓(xùn)練，第二步識別.

訓(xùn)練步驟：

（1）準備一組面部圖像.

（2）訓(xùn)練這些圖像，生成它們的特征臉，保存N個特征值相關(guān)的特征向量，并將其定義為一個“面部空間”.

（3）將訓(xùn)練集合中的面部圖像全部投影到“面部空間”上，計算出每一個人臉圖像在該N維空間上的相關(guān)分布系數(shù).

訓(xùn)練之后就可以識別了，識別步驟：

（1）將待識別的人臉圖像投影到N個特征臉上，計算其權(quán)值.

（2）將得到的權(quán)值和原始的人臉集合做對比，計算圖像之間的歐式距離，通過比較歐式距離和設(shè)置的閾值做比較，可以確認該人臉是否是人臉庫中的人臉.

4 特征臉在OpenCV中實現(xiàn)

OpenCV是一個開源發(fā)行的跨平臺計算機視覺庫，可以運行在Linux、Windows、Android、Mac OS操作系統(tǒng)上.它用C++編寫，但提供了大量的Python、Ruby等語言接口[4，5].

在OpenVCV2.4以后，加入了新的類FaceRecognizer.通過它可以方便快捷的進行人臉識別.首先輸入人臉圖像訓(xùn)練樣本，F(xiàn)aceRecognizer類調(diào)用train方法對其進行訓(xùn)練，訓(xùn)練的結(jié)果通過調(diào)用save方法保存到FaceRecognizer對象中.接著進行識別工作，先通過load方法加載之前訓(xùn)練好的特征文件，然后FaceRecognizer調(diào)用predict方法進行人臉識別[6].整個識別過程在OpenCV中的實現(xiàn)過程如圖1所示.

5 Android人臉識別軟件設(shè)計

5.1 開發(fā)環(huán)境準備

（1）從opencv官網(wǎng)上下載sdk，本項目選擇3.3.3版本.

（2）新建一個Android項目，導(dǎo)入opencvLibrary.

（3）復(fù)制sample/face-detection/src到app項目的src下.

（4）導(dǎo)入res文件.

（5）復(fù)制jni/detectionBasedTracker_ini.cpp和

jni/detectionBased Tracker_ini.h到cpp目錄下.

（6）新建main/jniLibs/armeabi-v7a目錄，復(fù)制sdk/native/libs/armeabi-v7a/libopencv_java3.so到新建目錄下.

（7）復(fù)制sdk/native/jni/include/*.*

到main/jniLibs/目錄下.

（8）修改CMakeList.txt文件.

（9）在build-gradle文件中加入要支持的armeabi-v7a架構(gòu).

（10）加入啟動頁面，運行.

5.2 人臉檢測與識別

OpenCV有一個org.opencv.android.JavaCameraView自定義控件，它不停地從攝像頭抓取數(shù)據(jù)，在回調(diào)方法中，我們能得到Mat數(shù)據(jù)，然后通過調(diào)用OpenCV的Native方法，檢測當(dāng)前是否是人臉，我們會獲得一個Rect數(shù)組，里面都是人臉數(shù)據(jù)，最后將人臉畫在屏幕上.

人臉識別用到了JavaCV，JavaCV是一款開源的視覺處理庫，封裝了OpenCV等計算機視覺編程常用接口，在Android平臺上調(diào)用方便[7].

人臉檢測階段檢測到人臉之后，把人臉部分截取出來，接著預(yù)處理原始數(shù)據(jù)，然后將特征值跟人臉空間特征值做比對，達到一定相似度即識別出來.

5.3 軟件測試

本次App測試過程中，主要測試軟件的識別率，測試組選取四位志愿者.首先訓(xùn)練樣本，四位志愿者每人拍攝5張圖片作為訓(xùn)練樣本，如圖2所示.

每位志愿者采集的面部圖像的神態(tài)、表情都稍微有些變化，圖中的人臉圖像都是經(jīng)過預(yù)處理之后的.在樣本訓(xùn)練結(jié)束之后，進行人臉識別，識別結(jié)果如圖3所示.

經(jīng)過軟件測試，當(dāng)測試人數(shù)為4人時，軟件識別率達到100%.

6 結(jié)束語

本文首先詳細介紹了PCA人臉識別算法，然后配置Android開發(fā)環(huán)境，使用OpenCV開發(fā)實現(xiàn)了人臉識別軟件，測試結(jié)果達到預(yù)期效果.

參考文獻：

〔1〕江琨，鄭祿，帖軍.基于LBP和PCA算法的智能人臉識別[J].計算機與數(shù)字工程，2016，44（10）：2048-2051+2056.

〔2〕趙鑫，汪維家，曾雅云等.改進的模塊PCA人臉識別新算法[J].計算機工程與應(yīng)用，2015（02）：161 -164+176.

〔3〕張曉璐.基于PCA的人臉識別技術(shù)的研究[J].遼寧科技學(xué)院學(xué)報，2014（04）：38-39+42.

〔4〕林啟亮.基于OpenCV2.X的車牌識別系統(tǒng)設(shè)計與實現(xiàn)[D].廈門大學(xué)，2013.6-7.

〔5〕王艷紅.基于OpenCV的運動目標檢測與跟蹤算法的研究[D].杭州電子科技大學(xué)，2014.5-6.

〔6〕劉海建.基于OpenCV的人臉辨識算法研究與實現(xiàn)[D].集美大學(xué)，2014.10-12.

〔7〕曾健平，邵艷潔.Android系統(tǒng)架構(gòu)及應(yīng)用程序開發(fā)研究[J].微計算機信息，2011（09）：1-3.