基于OpenCV的人臉識別算法

廖周宇 王鈺婷 陳科良

（河池學院計算機與信息工程學院 廣西壯族自治區(qū)河池市 546300）

1 引言

人臉識別[1]是基于人的臉部特征信息進行身份識別的一種生物特征識別技術，簡單來說就是用電子設備（如：相機、攝像頭）收集到人臉圖片或視頻，從收集到的人臉圖片或視頻中查找人臉，如果找到就定位人臉的位置，然后根據位置截取人臉并對人臉進行特征提取，再把提取到的特征與特征數(shù)據庫進行驗證識別的一門技術。在國家公共安全、商業(yè)安全及社會安全等眾多領域也有很多應用，其中之一就是部分高校用于門禁管理和教學點名系統(tǒng)[2]。但現(xiàn)實識別場景的多樣性和背景的復雜性，需要研究出更高效、更精確的人臉檢測和識別算法來滿足未來更多的應用場景。文獻[3]提出了在人臉圖像預處理階段采用了灰度直方圖均衡化的技術，在構建特征臉的階段選取了光照錐法進行光照補償，以便于削弱系統(tǒng)中的光照影響。文獻[4]研究了將人臉識別技術應用于移動端平臺，通過Haar特征訓練人臉圖像，利用Open CV 與LBPH 算法相結合完成人臉識別。本文研究了特征臉(Eigenfaces)識別算法，對其原理和技術實現(xiàn)進行詳細分析，并基于Open CV 對其進行改進和代碼實現(xiàn)，經在多姿態(tài)人臉圖像數(shù)據上驗證，取得了較好的檢測和識別效率和效果。

2 人臉檢測改進

人臉檢測是指對電子設備采集到的圖像進行搜索，找到所有可能是人臉的位置，并返回人臉位置和大小的過程。人臉識別流程主要可分為訓練部分和搜索部分，其中搜索部分是基于人臉檢測所檢測的人臉在人臉庫進行搜索，所以人臉檢測是人臉識別的關鍵環(huán)節(jié)之一，檢測效果的好壞直接影響到人臉識別的效率。而OpenCV 庫中的級聯(lián)檢測器只能直接檢測正臉和左側臉，對于其他姿態(tài)（如：遮擋臉，仰頭臉）人臉檢測效果差，檢測耗時較長。因此，本人從三方面對人臉檢測算法進行了改進，第一，檢測范圍方面，在OpenCV 庫的環(huán)境上，基于HAAR 級聯(lián)分類器實現(xiàn)了對正臉、左側臉、右側臉的檢測，并結合鼻子和嘴巴實現(xiàn)了對五官臉的檢測，使改進之后的人臉檢測算法對于正臉、側臉、仰臉、垂頭臉、遮擋臉等不同姿態(tài)的人臉都有較好的檢測效果；第二，檢測結果方面，設置篩選算法過濾掉人臉結果中的重復人臉和非人臉；第三，檢測時間方面，本人在確保對檢測效果影響較小的前提下，通過圖像縮放犧牲一定的圖片質量來縮短檢測時間。通過這三方面對人臉檢測算法進行改進，使得人臉檢測算法的效率得到很大的提升，改進之后的人臉檢測的流程如圖1所示。

圖1：人臉檢測流程圖

圖2：檢測效果圖

根據上圖進行代碼實現(xiàn)，并用分別包含正臉、側臉、仰臉、垂頭臉、遮擋臉等不同姿態(tài)人臉的圖像進行檢測測試，檢測測試的效果如圖2所示。

3 基于人臉檢測優(yōu)化的人臉識別

隨著市場的發(fā)展，人臉識別應用的領域越來越多，所需要面臨和適應的環(huán)境也會越來越多、越來越復雜，對人臉識別應用的要求也越來越多。所以按領域和要求主要可分為兩大類，第一類應用的領域是國家安全、社會安全、經濟安全...等重要領域，這一類對人臉識別技術要求是更快速、更高效、更精確、更有針對性；第二類應用的領域是高校、家庭等民用領域，這一類對人臉識別技術的要求是通用性更強、適用性更廣、可操作性難度更低。

本文是往第二類應用領域研究，研究人臉識別算法的具體實現(xiàn)，并結合改進之后的人臉檢測算法進行實現(xiàn)和使用。人臉識別主要是指在人臉庫中搜索待識別人臉并給出搜索驗證結果的過程，人臉識別流程主要包含以下兩個部分。

（1）訓練部分，其是指用人臉識別算法對人臉庫中的人臉進行特征提取，把提取到的特征保存成特征庫的過程，訓練所用的人臉庫所準備的人臉越多越充分，所能提取到的特征就會越多，訓練出來的特征庫用于識別時的效果就會越好。

（2）搜索部分，這一部分是指用人臉檢測提取待識別圖像中的人臉，接著用人臉識別算法提取檢測人臉的特征，把提取到的特征在特征庫中搜索匹配是否存在相同特征，最終給出搜索驗證結果的過程。

從人臉識別的流程可以看出，一個能滿足需求的人臉識別效果主要受到三個因素的影響。第一個因素是人臉庫因素，人臉識別流程中的搜索部分是把提取到的特征在特征庫中搜索匹配，因此訓練用的人臉庫中包含的樣本越多越充分，其訓練得到的特征庫對于人臉的識別效果就會越精確。第二個因素是人臉識別算法因素，人臉識別在推廣的過程中，遇到了很多問題，比如光照、人臉尺寸、人臉姿態(tài)、噪點等諸多因素干擾識別效果[5]，針對不同的問題衍生出了不同的人臉識別算法。第三個因素是人臉檢測算法因素，人臉識別流程中的搜索部分是在人臉檢測所檢測到的人臉上進行操作，所以人臉檢測效果的好壞直接影響到人臉識別的效果。

3.1 基于人臉檢測優(yōu)化的Eigenfaces人臉識別方法

Eigenfaces（特征臉）是指用于機器視覺領域中的人臉識別問題的一組特征向量，基于特征臉的人臉識別可分為以下兩個部分：

圖3：基于特征臉的人臉識別流程圖

圖4：矩陣轉換圖

（1）訓練部分，這一過程主要是把人臉庫中所有人臉轉換變成一個特征向量集，即把所有人臉的協(xié)方差矩陣進行特征值分解，得到對應的特征向量，每個特征向量是對人臉之間的一種特征的描述。因此，特征向量集里面特征向量的線性組合可以表示每一個人的人臉。

圖5：特征臉識別效果圖

（2）搜索部分，也稱識別過程，其是通過改進之后的人臉檢測算法快速、高效地檢測出待識別圖像所包含的人臉，把檢測到的人臉投影到特征臉子空間，在這個子空間中同一個人的人臉離得會更近，不同人的人臉會離得較遠；因此可以通過待識別人臉在子空間的投影點位置和投影線的長度來進行識別判斷。

基于上述分析討論，現(xiàn)有的相關研究與實踐在圖書館服務和推動“一帶一路”建設方面已取得一定成果，但仍缺乏戰(zhàn)略性思維和高度。本文將在數(shù)字人文、文化遺產、信息素養(yǎng)及知識扶貧等方面，進一步論述“一帶一路”背景下圖書館的發(fā)展策略，作為對現(xiàn)有研究的補充。

特征臉本質是一種基于PCA 降維的人臉識別方法。從上述流程可以看出，特征臉需要把人臉庫中所有人臉的協(xié)方差矩陣分解成特征向量，而當人臉的尺寸較大時，如一個尺寸是200*200 大小的人臉圖像，其人臉的特征維度就是40000；整個人臉庫求解過程中的運算量就會非常大。所以特征臉還使用了PCA 降維技術，大大降低了運算量?；谌四槞z測優(yōu)化的特征臉人臉識別流程如圖3所示。

3.2 基于人臉檢測優(yōu)化的Eigenfaces人臉識別實現(xiàn)

Eigenfaces(特征臉)識別算法是一種使用PCA 進行降維的算法[6]，其主要的實現(xiàn)具體可分為以下步驟：

（1）讀取訓練數(shù)據和進行維度轉換。這一步是先從人臉庫讀入人臉數(shù)據，讀入的每一張人臉數(shù)據一般是一個N*N 的矩陣；接著把每一張人臉數(shù)據從N*N 的矩陣轉為N2的矩陣，如圖4所示。

（2）計算平均臉。假設有人臉庫包含M 張人臉圖像，則經過步驟1 后，M 張人臉數(shù)據變成了N2行M 列的矩陣數(shù)據Q，即一列表示一張人臉的數(shù)據。接著把所有人臉在對應維度加起來，即把每一行的數(shù)據加起來，然后求平均得到N2行1 列的平均臉數(shù)據P，計算公式如下：

（3）將每個人臉圖像的數(shù)據減去平均臉矩陣數(shù)據得到差值矩陣W，計算公式如下：

（5）計算特征值和特征向量。因為協(xié)方差矩陣C 的數(shù)據量會是維度的4 次方，如對于一個120*120 維的人臉，其協(xié)方差矩陣大小為14400*14400；所以當人臉維數(shù)較大時，直接求解數(shù)據量如此巨大的協(xié)方差矩陣C 的特征值和特征向量需要花費巨大的計算量以及較長的計算時間。因此，計算特征值和特征向量主要有兩種方法，第一種是當M ≥N2，即訓練人臉個數(shù)比人臉維數(shù)大時，直接通過協(xié)方差矩陣C 求解。第二種是當M

①第一種

②第二種

（6）PCA 降維。找到最大的前K 個特征值所對應的特征向量，并組成K 維的矩陣H。將差值矩陣W 投影到矩陣H 構成的新空間，即差值矩陣W 乘以K 維矩陣，實現(xiàn)降維。計算公式如下：

（7）以K 維矩陣H 構造特征空間。

（8）讀入待識別圖像，按照第2 小節(jié)改進之后的人臉檢測算法進行人臉檢測。

（9）把檢測得到的人臉數(shù)據，按步驟1 方式進行維度轉換得到矩陣S。

（10）投影。待識別人臉數(shù)據與平均臉數(shù)據（參照步驟2）的差值矩陣在特征空間的投影O，計算公式如下：

（11）計算閾值，計算公式如下：

（12）計算O 與Ω 中每個人臉特征向量的歐式距離，計算公式如下：

（13）識別。如果εi＜θ，則待識別人臉是第i 個人臉，否則人臉庫中不存在該人臉。

3.3 基于人臉檢測優(yōu)化的Eigenfaces識別效果

綜上所述，對基于人臉檢測優(yōu)化的特征臉識別結合實際情況進行了代碼實現(xiàn)，識別效果如圖5所示。

4 結論

人臉檢測是人臉識別的關鍵步驟之一，其檢測效果的好壞直接影響到人臉識別的效率。因此，本文通過對檢測范圍、檢測時間、檢測結果進行改進優(yōu)化，使得人臉檢測算法的耗時更短、檢測結果更準確、檢測范圍更廣。圖2 實驗結果表明，改進之后的人臉檢測算法性能有一定的提升，對正臉、側臉、低頭臉、仰頭臉、遮擋臉等不同姿態(tài)的人臉都能在較短時間能檢測到。圖5 的實驗結果表明，結合改進之后的人臉檢測算法和特征臉算法所設計和實現(xiàn)的人臉識別具有更高的效率，在識別時間和識別范圍均有一定程度的性能提升。但是本文實驗中用來測試的人臉圖像數(shù)據量相對較少，下一步將針對含有豐富姿態(tài)、大數(shù)據量人臉圖像進行研究，進一步提高其效率。