一種能實現(xiàn)免脫帽人臉識別系統(tǒng)算法

張彥虎，鄢麗娟，張彥軍

(1.廣東松山職業(yè)技術(shù)學(xué)院 計算機與信息工程學(xué)院，廣東 韶關(guān) 512126; 2.國父大學(xué),菲律賓 曼達路尤 1550; 3.中山大學(xué) 數(shù)據(jù)科學(xué)與計算機學(xué)院，廣州 510006; 4.甘肅五環(huán)公路工程有限公司,蘭州 730000)

0 引言

近年來，隨著計算機人臉識別技術(shù)的發(fā)展，人臉識別已逐步應(yīng)用于各行各業(yè)的人員身份識別領(lǐng)域[1]，其中部分特殊行業(yè)員工在使用人臉識別系統(tǒng)進行身份識別時具有一定的特殊性，比如艦艇員工、礦工等，在該應(yīng)用場景下，待識別人員大多帶有不同類型容易遮擋臉部的穿戴設(shè)備，如帽子、頭盔等，傳統(tǒng)人臉識別技術(shù)為了達到一定準確率，多要求被識別者去除遮擋物，否則容易造成識別失敗等問題，但是，強制性要求被識別者去除遮擋物可能會產(chǎn)生如下不良影響：1)部分請況下此舉不人性化；2)容易導(dǎo)致系統(tǒng)效率低；3)可能會產(chǎn)生安全隱患等一系列問題。

目前人臉識別流行的技術(shù)方案兩個方向[1]，其一是基于臉部全局特征進行識別，該方案可以很好地體現(xiàn)人臉特征的整體情況，其中較為經(jīng)典的方法有PCA[2]、LDA[3]等方法；其二是基于臉部局部特征進行識別，該方案主要側(cè)重于體現(xiàn)臉部的細節(jié)，其中較為典型的方法有LBP[4]、SIFT[5]、HOG[6]等方法。

對于基于臉部局部特征進行識別的方法，研究人員進行了多角度的探索，文獻[7-8]基于HOG算法做了改進，改進HOG算法在圖像處于不同光照、旋轉(zhuǎn)等情況下的識別率有所提高；文獻[9]采用LBP分塊方法進行圖像識別，取得不錯的效果；文獻[10-12]基于LBP算法進行了適當(dāng)改進，在識別率上有所提升；文獻[13]提出CLBP算法，其主要改進點是在LBP基礎(chǔ)上融合了局部差異值和中心像素灰度值分析等技術(shù)；文獻[14]利用模塊方差的大小選擇不同的閾值，從而達到提取更多細節(jié)信息的目的；文獻[15]提出一種WKPCA人臉識別算法，通過將高、低分辨率人臉圖像融合后形成新的圖像特征進行識別；文獻[16]提出一種GF的特征描述方法，使用梯度信息值進行特征提取；文獻[17]提出一種CSGMP的識別算法，該算法首先將圖像進行梯度轉(zhuǎn)換，然后采用CS-LDP方法提取特征值，在一定程度上提升了識別率，文獻[18]給出了計算圖像梯度散度的、與坐標選取無關(guān)的簡易近似公式，并應(yīng)用到帶噪數(shù)字圖像中，利用梯度與散度的配合進行邊緣提取。文獻[19]針對人臉圖像使用MCD算法,求出穩(wěn)健的協(xié)方差矩陣估計,基于此協(xié)方差估計矩陣使用PCA技術(shù)提取重要的人臉特征用于識別。文獻[20]對各類圖形圖像處理算法進行了總結(jié)與分析。文獻[21-22]從提升算法抗噪性等方面著手優(yōu)化了圖像處理算法。

上述算法都能很好地解決人臉識別的問題，在識別率上有一定的改進與提升，但用于在臉部被遮擋情況下的識別時，上述算法在不同程度上存在耗時長常、識別不精確等缺陷；為了有效解決上述問題，本文提出一種可實現(xiàn)免脫帽人臉識別的身份識別算法，文中提出一種通過對圖像偏移進行特征提取的算法，對一張圖片的矩陣A分別向上、下、左、右方向偏移得到4個新的矩陣A1、A2、A3、A4，采用鄰近空缺補償將4個新矩陣的維度調(diào)整到至A的維度，然后用A分別減去上述矩陣，得到4個差額矩陣S1、S2、S3、S4，差額矩陣在不同方向上各自保留了圖像的部分特征。對4個差額矩陣進行相關(guān)運算，可以得到描述更多特征信息的特征矩陣Sn，將矩陣Sn累加到圖片A，產(chǎn)生新的對特征信息進行了強化的特征矩陣Sm，對矩陣Sm的亮點通過一定的算法進行調(diào)整，得到對圖片A進行描述的特征矩陣Sfig。然后使用PCA技術(shù)對特征矩陣Sfig進行降維處理，獲取到一定比例的有效信息，采用SVM向量機分類算法對各種不同條件下的人臉進行分類、識別，實驗結(jié)果表明該算法在識別率提升的同時，其運行效率有非常卓越的表現(xiàn)。

經(jīng)典LBP算法在人臉識別方向中的運行效率是學(xué)術(shù)界公認，而本文所述算法在確保識別率的情況下，其執(zhí)行效率可以達到經(jīng)典LBP算法執(zhí)行效率的2倍以上。

1 本文算法

1.1 相關(guān)概念

1.1.1 圖像梯度

一維函數(shù)的一階微分定義為：

(1)

一個灰度圖像，可以認為是一個二維函數(shù)f(x,y)，分別對x、y求導(dǎo)即有：

(2)

(3)

因圖像是離散的二維函數(shù)，ε不能無限小，而圖像是按照像素進行離散，最小的ε就是1個像素。因此，對公式(2)、(3)進行轉(zhuǎn)化，產(chǎn)生式(4)、(5)的形式(ε=1)：

(4)

(5)

式(4)、(5)為圖像g(x,y)點的水平梯度(x方向)和垂直梯度(y方向)，從上面的表達式可以看出來，當(dāng)ε=1時，圖像的梯度相當(dāng)于2個相鄰像素的差值。

1.1.2 本文概念介紹

為演示偏移補償法的基本操作，以中央為‘Z’型字母的7*7維矩陣A為例，演示偏移補償算法的特征提取過程及最終效果圖，過程如圖1所示。

圖1 Z形圖像經(jīng)過各種轉(zhuǎn)化后的效果圖

1)對矩陣A分別向上、下、左、右4個方向偏移1位，位數(shù)不足時，使用近鄰填補法填充空矩陣，使其與A的維度保持一致，形成St1、St2、St3、St4四個偏移矩陣，見圖1 (b)～(e)；

2)用矩陣A分別減去St1、St2、St3、St4，產(chǎn)生S1、S2、S3、S4等4個差額矩陣，見圖1 (f)～(i)；

3)整理差額矩陣，形成縱方向、橫方向上的特征矩陣，即Sz1=S1+S2、Sz2=S3+S4、Sf1=S1-S2、Sf2=S3-S4，見圖1 (j)～(m)；

4)組合差額矩陣，Sn=Sz1+Sz2、Src=Sf1+Sf2；對Sn進行均值降噪處理，此時Sn矩陣為對圖片A特征擴大后的矩陣，可實現(xiàn)圖片A的輪廓強化；矩陣Src提取了圖片A輪廓的細節(jié)特征，見圖1 (n)、(o)；

5)將圖片A矩陣與Sn矩陣相加，即Sm=A+Sn，產(chǎn)生一個強化了圖片A輪廓特征的新矩陣Sm，見圖1(p)；

6)用矩陣Sm減去若干倍的Src，即Sfig=Sm-Src*r，Sfig即為圖片A的特征矩陣，見圖1 (q)。

1.2 算法流程

首先采用文章所推薦算法獲取圖像特征，然后使用3×3模板將第一步所得圖像分解為若干子圖，第三步對第二步所得的所有子圖統(tǒng)計其直方圖，得到特征向量，第四步使用PCA對所得進行降維，最后用SVM方法分類訓(xùn)練圖像并完成識別[11]，本文圖像處理流程采用如圖2所示。

圖2 本文算法流程圖

1.3 實施過程

將圖片轉(zhuǎn)化為灰度圖，獲得m*n階矩陣A。

Step1：提取偏移矩陣

矩陣A的上偏移矩陣St1：

令i

(6)

重復(fù)上述的方法，分別取得下偏移矩陣St2、左偏移矩陣St3、右偏移矩陣St4，其實現(xiàn)過程分別為：

St2的實現(xiàn)公式：

(7)

St3的實現(xiàn)公式：

(8)

St4的實現(xiàn)公式：

(9)

Step2：獲取差額矩陣

此時St1、St2、St3、St4為矩陣A分別向上、下、左、右移動一位之后的矩陣，其顯示的結(jié)果幾乎與原圖相同，為了提取圖形中的輪廓信息，我們令S1=|A-St1|，此時，如果矩陣A中的像素點a(i,j)與其上一行同列像素的值相同或者相近，運算后s1(i,j)的值為0或者一個非常小的數(shù)值，如果a(i,j)與其上一行同列像素的值存在較大差距，表明該像素點很有可能是圖像的輪廓，該值經(jīng)過絕對值運算之后為正數(shù)，能體現(xiàn)圖像輪廓信息。通過對正方形等圖形進行檢測驗證，我們發(fā)現(xiàn)，上、下偏移取差可以提取橫向特征信息，如圖3所示。同理，左右偏移取差可以提取縱向特征信息。

圖3 圖形在各方向上的梯度圖像

用同樣的方法分別獲取S2、S3、S4幾個方位的偏移差額圖。其計算公式分別為：

S1=|A-St1|

(10)

S2=|A-St2|

(11)

S3=|A-St3|

(12)

S4=|A-St4|

(13)

對200*200像素的lena圖像進行4個方向的轉(zhuǎn)換，其結(jié)果如圖4所示。

圖4 Lena圖片各方向的梯度圖

Step3：合成Sn特征矩陣圖像

為了得到圖片更全面的輪廓信息，將上述4個矩陣進行累加，得到矩陣Sn。

Sn=S1+S2+S3+S4

(14)

lena頭像的Sn矩陣圖像如圖5所示。

圖5 Lena的Sn矩陣圖像

從圖4可以看到，Sn圖像的輪廓加寬的同時，亮度也增強了很多，將圖片A的輪廓特征很好地顯現(xiàn)了出來，對上述矩陣分析，對比結(jié)果如表1所示，其中B1、B2的最大灰度值為216，B3、B4的最大灰度值為177，經(jīng)過累加后Sn的最大值為255，且255灰度值的總數(shù)量從0增長到326，同樣，其他相同位置的像素值也在增加，可以解釋亮度增強的原因；60～255像素點的統(tǒng)計數(shù)從0增加到了8 154，可以解釋圖形輪廓變寬的原因；同時因圖片累加使用uint8數(shù)值進行運算，累加后超過255像素值的像素點，系統(tǒng)默認轉(zhuǎn)換為255。

表1 Sn圖像運算后像素值

Step3：對Sn矩陣進行降噪處理

仔細觀察Sn圖片及矩陣發(fā)現(xiàn)，Sn中存在較多的散點，這些散點大多并非圖片輪廓相關(guān)的特征信息，為了剔除散點的影響，我們使用適當(dāng)算法對該矩陣進行降噪處理。本文采用均值法，其算法為：

(15)

其中:mean為矩陣Sn的灰度值均值。

通過上述算法，去除部分散點，能更好地凸顯圖像的輪廓及紋理特征。

Step4：將Sn矩陣與原灰度圖矩陣A進行累加

Sn矩陣較好地提取了圖片A的輪廓等特征信息，以圖像lena為例，對Sn矩陣分析發(fā)現(xiàn)，灰度值為0的像素點統(tǒng)計數(shù)為27 357，占比達到68.4%，遠大于等于均值的像素點數(shù)為12 643個，因為像素點數(shù)分布不均勻，不太適合直接用做圖片特征值。我們將Sn矩陣與原灰度圖矩陣A進行累加，獲得新的矩陣Sm。

Sm=A+Sn

(16)

其圖形顯示及直方圖分別如圖6所示。

圖6 Sm圖及對應(yīng)直方圖

矩陣Sm有以下幾個特點：1)像素點相對均衡；2)強化了圖片中能代表圖片特性的輪廓特征；3)255像素點附近的數(shù)量增多，這是因為在原矩陣A上增加了Sn矩陣，導(dǎo)致圖片輪廓附近的像素值達到最大值255，從圖片中的亮點也可以看到。

因為對圖片的訓(xùn)練、識別要用到直方圖特性，而255像素點附近的像素點數(shù)量增多，會在一定程度上會降低圖像的識別率，為了進一步提高圖片識別率，需要通過一定途徑進一步降低圖片中255像素點的數(shù)量。

Step5：提取縱、橫方向上的細微特征

對上、下方向上的兩個差額矩陣S1、S2進行相減，得到矩陣Sr，可以保留縱向(Y軸)上更細微的局部特征。

Sr=S1-S2

(17)

對左、右方向上的兩個差額矩陣S3、S4相減，得到矩陣Sc，保留橫向(X軸)上細微的局部特征。

Sc=S3-S4

(18)

將Src=Sr+Sc，可以得到圖片水平、垂直方向上的綜合細微特征圖，lena圖像的Src圖像顯示如圖7所示。Src相對Sm而言，提取的信息更加細膩，而Sm的特征信息更加粗獷。

圖7 Src矩陣的圖形

Step6：獲得取圖片的特征

對比step4的結(jié)果Sm和step5的結(jié)果Src，在Sm圖像中，有部分亮點的像素值超過255，使用Src對Sm圖像亮點部分的像素值進行適當(dāng)?shù)臏p弱，增強圖片的特征。因Sm是由原圖A疊加Sn而來，Sn體現(xiàn)的是圖片粗狂的輪廓信息，而Src能體現(xiàn)圖片更細微的輪廓特征，用Src對應(yīng)位置的像素值來減弱Sm的亮點，可以有效降低亮點的數(shù)量，增強圖片的可識別性。我們令Sfig=Sm-Src*r，即對Sm矩陣減若干次Src，r可取實數(shù)。實驗證明r取4～10范圍內(nèi)的數(shù)字時，識別效果較好，圖8是r=5時對應(yīng)的圖片效果。

圖8 本文算法特征圖

Sfig矩陣即為圖片lena的最終特征值，該圖保留了原圖更多的細節(jié)特征，有利于圖片的識別。

Step7：將所獲取的特征圖片進行均等分塊，對每個分塊的圖片進行直方圖統(tǒng)計，然后按照一定的次序?qū)⒏鱾€分塊的直方圖進行鏈接，形成特征向量，本文對特征圖的分塊方式采用3×3模式。

2 實驗與結(jié)果分析

2.1 實驗設(shè)置

2.1.1 實驗環(huán)境

本文試驗操作平臺硬件配置為：CPU四核 i3-2370M，主頻2.4 GHz，內(nèi)存8 G(其中顯存分配1 G)，Win7旗艦版64位操作系統(tǒng)，仿真軟件選用Matlab 2016a，實驗數(shù)據(jù)使用ORL人臉數(shù)據(jù)庫完成測試。

2.1.2 參數(shù)設(shè)置

圖像分塊模板采用3×3的模板，分類器使用臺灣學(xué)者林智仁教授團隊開發(fā)的LibSVM分類器，其對應(yīng)參數(shù)設(shè)置為‘ -s0-t2-c16-g0.0009765625’。

2.1.3 圖像遮擋處理方法

為了對比算法在有遮擋物情況下的識別率，采用一款如圖9(a)所示規(guī)格為92*35的遮擋圖對原圖的面部上部做遮擋處理，如圖9所示，圖2(c)為遮擋完畢后的圖像。

圖9 采用遮擋圖對人臉進行遮擋的處理

2.2 實驗結(jié)果

為了驗證本文所述算法的有效性，分別在ORL、CMU_PIE人臉集上與經(jīng)典LBP、文獻[15]所述的KPCA、文獻[14]所述等優(yōu)秀算法進行識別率結(jié)果的對比分析。

2.2.1 識別率分析

為驗證本文算法在識別率方面的表現(xiàn)，對所參考的算法，若原文獻中提供實驗參數(shù)，使用原文參數(shù)，原文未提供實驗參數(shù)的，使用與本文相同的參數(shù)進行設(shè)置，為更充分地比較各算法，研究者分析了所測數(shù)據(jù)庫上每個人訓(xùn)練圖像數(shù)占個人圖像總數(shù)的30%～80%之間的所有情況，以便更全面地分析各算法識別效果。

2.2.1.1 ORL數(shù)據(jù)庫測試結(jié)果

ORL人臉數(shù)據(jù)庫是由英國劍橋大學(xué)的Olivetti研究實驗室創(chuàng)建，該數(shù)據(jù)集包含40個人，每人10張照片，其中包括了表情變化，微小姿態(tài)變化，20%以內(nèi)的尺度變化，其規(guī)格為92*112。本實驗中，所有圖片都使用2.1.3所示的方法進行遮擋處理，分別使用數(shù)據(jù)庫中每人的前3幅圖像至前8幅圖像進行訓(xùn)練，其他剩余圖像用于測試，其測試結(jié)果如圖10和表2所示。

從表2可以得到，在ORL人臉數(shù)據(jù)庫中，文獻[14]算法、KPCA算法及本文算法都有較好的表現(xiàn)，但本文算法相對而言表現(xiàn)更優(yōu)；文獻[14]算法在使用6張以上的訓(xùn)練圖時，取得超過92%的識別率。KPCA算法在使用8張訓(xùn)練圖時取得95%左右的識別率，在使用7張及以下的訓(xùn)練圖時，其識別率效果欠佳。本文算法展示的識別率在使用各個不同訓(xùn)練圖片時，其識別率均高于文獻[14]等對比算法。

表2 ORL庫中各算法在不同數(shù)量訓(xùn)練圖片下的識別率 %

2.2.1.2 CMU_PIE數(shù)據(jù)庫測試結(jié)果

CMU_PIE人臉數(shù)據(jù)庫是由卡耐基梅隆大學(xué)創(chuàng)建，該數(shù)據(jù)集原始數(shù)據(jù)庫包含68個人，原數(shù)據(jù)庫包含每人的13種姿態(tài)條件，43種光照條件和4種表情下的照片，總計40 000張照片，因原數(shù)據(jù)庫圖像較大，本文使用其中每人24幅不同光照、不同角度狀態(tài)下的圖片，共計1 632張人臉圖進行測試，其圖片采用64×64規(guī)格的灰度圖像。本實驗中，分別使用數(shù)據(jù)庫中每人的前10副圖像到前18幅圖像進行訓(xùn)練，其他剩余圖像用于測試，其測試結(jié)果如表3所示。

表3 CUM_PIE庫中各算法在不同數(shù)量訓(xùn)練

由表3分析得到，在CMU_PIE人臉數(shù)據(jù)庫中，LBP算法在訓(xùn)練數(shù)為10時，文獻[14]算法在訓(xùn)練數(shù)為11時，識別率略高于本文算法，除此之外，本文算法的識別率均優(yōu)于其他被參照算法，在訓(xùn)練圖片的數(shù)量為18時，本文算法的識別率可以達到92.21%。

綜上所述，對本文所述算法分別在ORL人臉識別庫、CMU_PIE人臉識別庫上與經(jīng)典LBP算法、CLBP算法、KPCA算法、文獻[14]算法等進行對比，本文算法在識別率上的綜合表現(xiàn)，優(yōu)于其他算法。

2.2.2 時間復(fù)雜度分析

為了對比不同算法的計算效率，記錄了經(jīng)典LBP算法、KPCA算法、文獻[14]算法及本文算法在同等軟硬件條件下提取ORL數(shù)據(jù)庫、CMU_PIE數(shù)據(jù)庫所有圖像特征圖所消耗的總時長，其結(jié)果如表4所示。

表4 各算法運行效率分析

分析表4可知，在在ORL人臉識別庫中，運行效率相對較好的算法依然是KPCA算法，其提取ORL數(shù)據(jù)庫400張92*112規(guī)格圖像的特征信息，使用了5.956 s，他們的運行效率是經(jīng)典LBP算法的2.44倍，是文獻[14]算法運行效率的40.6倍，但相對本文算法耗時4.07 s而言，KPCA算法的運行效率還是相對較低；

在CMU_PIE數(shù)據(jù)庫上，表現(xiàn)相對較好的算法是CLBP算法，他們在提取CMU_PIE數(shù)據(jù)庫1 632張64×64規(guī)格圖像的特征信息，分別使用了21.885 s，在ORL數(shù)據(jù)庫中表現(xiàn)較佳的KPCA算法，在提取CMU_PIE數(shù)據(jù)庫特征信息時，表現(xiàn)的并沒之前展現(xiàn)的那么優(yōu)秀，提取特征信息總耗時32.55 s，研究者多次運行驗證，未能得到之前展現(xiàn)的效果；而本文算法總耗時為6.374 s。綜合提取3個數(shù)據(jù)庫圖像特征的平均耗時，本文算法為4.772 s，遠遠高于其他算法的運行時間。

從實驗結(jié)果可以看到，所述算法的識別率表現(xiàn)優(yōu)于其他對比算法，說明本文所提供算法在被識別人員帶帽或部分面部被遮擋情況下進行身份識別時具有很高的識別率，能夠滿足免脫帽進行身份識別的需求。

3 結(jié)束語

為了解決面部被遮擋情況下人臉識別系統(tǒng)識別率低，在識別時強行需要被識別人員去除帽子、頭盔等操作所帶來的不便及安全隱患，本文提出一種使用圖像多方位梯度，通過融合、補償方式產(chǎn)生可以對原圖像進行特征描述的特征圖，通過對該特征圖進行分塊統(tǒng)計、主成分分析，采用SVM分類器進行分類并進行識別的算法，算法可以實現(xiàn)在免脫帽情況下的高識別率，通過大量仿真實驗表明，本文所述算法在ORL等人臉數(shù)據(jù)庫中，取得優(yōu)秀識別率的同時，在識別效率上同樣具有非常卓越的表現(xiàn)。