隨著計算機網絡和通信技術的發(fā)展，信息安全、知識產權保護和身份認證等問題成了一個重要而緊迫的研究課題。身份認證是保證系統(tǒng)安全的必要前提，在多種不同的安全領域都需要準確的身份認證。傳統(tǒng)的身份證、智能卡、密碼等身份認證方法存在攜帶不便、容易遺失、不可讀或密碼易被破解等諸多問題。基于人臉識別技術的身份認證方法與傳統(tǒng)的方法相比，具有更好的安全性、可靠性和有效性，因此正越來越受到人們的重視，并逐漸進入社會生活的各個領域。
人臉識別技術具有廣泛的應用前景，可以應用到多種不同的安全領域，因其識別特征的獨特性、惟一性和相對穩(wěn)定性，逐漸成為一非常熱門的研究課題。許多典型的人臉識別算法和應用系統(tǒng)都是針對標準或特定的人臉數據庫，利用庫內人臉進行訓練，并在相同的庫中實現人臉識別。但在軟件保護、計算機安全等特殊應用中，身份認證僅針對單個對象進行人臉識別，現有的人臉識別方法并不能勝任這樣的識別任務。為此，本文針對單對象人臉識別的特點，討論了單對象人臉檢測和識別的關鍵技術，在此基礎上提出了一種單對象人臉識別算法，實驗結果證明了該方法的有效性。
2 單對象人臉識別的特點
與典型的人臉識別相比，單對象人臉識別有以下4個方面的特點：
應用領域 人臉識別的應用領域很廣，如刑偵破案、證件核對、保安監(jiān)控等，而單對象人臉識別主要應用在軟件保護、計算機安全鎖、特定對象追蹤等領域。
識別系統(tǒng)的目標 單對象人臉識別的最終目標是系統(tǒng)必須具有高度的安全性和可靠性，即識別錯誤率趨于0。雖然降低識別錯誤率的同時識別率也會降低，但可以通過提示用戶調整姿態(tài)(如注視攝像頭等)加以改善。
膚色模型 由于單對象人臉識別僅針對特定的對象，所以人臉檢測的膚色模型可采用自適應的方法調整膚色范圍。
分類方法 單對象人臉識別不存在人臉數據庫，常用的最小距離分類法不能夠正確識別特定的對象，只能用閾值作為判據。因此，閾值的選取十分重要，閾值過大則容易出現錯判，存在安全隱患；而閾值過小又會影響識別效率。
3 人臉的檢測和歸一化
人臉檢測是人臉識別的前提。對于給定的圖像，人臉檢測的目的在于判斷圖像中是否存在人臉，如果存在，則返回其位置和空間分布。利用人臉膚色和面部特征，將人臉檢測分為兩個階段：外臉檢測和內臉定位。外臉檢測主要利用人臉膚色進行初步的臉區(qū)檢測，分割出膚色區(qū)域；內臉檢測是在外臉區(qū)域中利用面部幾何特征進行驗證和定位。
3.1 外臉檢測
外臉檢測的任務是將待檢圖像中可能的人臉區(qū)域找出來并加以標記，其步驟如下：
(1)根據人類膚色在色彩空間中存在區(qū)域性的特點，將可能為人臉的像素檢測出來。為更好地利用膚色特征，同時選用HSI和YcbCr兩種色彩空間對圖像進行二值化處理，膚色范圍限定在H∈[0，46]，S∈[0.10，0.72]，Cb∈[98，130]，Cr∈[128，170]內。將滿足條件的像素標記為膚色像素，其余的均為非膚色像素。
(2)去噪處理。在以每一個膚色點為中心的5×5鄰域內統(tǒng)計膚色像素的個數，超過半數時中心點保留為膚色，否則認為是非膚色。
(3)將二值圖像中的膚色塊作區(qū)域歸并，并對目標區(qū)域進行比例、結構分析，過濾掉不可能的人臉區(qū)域。目標區(qū)域的高度／寬度比例限定在0.8～2.0。
3.2 內臉檢測和定位
將包含眼、眉、鼻和嘴的區(qū)域稱為內臉區(qū)域。內臉區(qū)域能夠很好地表達人臉特征，且不易受背景、頭發(fā)等因素的干擾，因此內臉區(qū)域的檢測和定位對后續(xù)的特征提取和識別至關重要。
在外臉區(qū)域的上半部，對二值圖像進行水平方向和垂直方向的投影，確定兩個包含黑點的矩形區(qū)域作為雙眼的大致區(qū)域。在確定的兩個區(qū)域中，對黑點進行區(qū)域膨脹，可以得到眼睛的基本輪廓和左石眼角，黑點坐標的平均值作為瞳孔的位置。
設左右瞳孔的坐標分別為(Lx，Ly)和(Rx，Ry)，兩個瞳孔之間的距離為d，根據人臉的幾何特征，我們將內臉區(qū)域定義為：寬度=-d×1.6，高度=-d×1.8，左上角坐標為(Lx-d×0.3，(Ly+Ry)／2-(-d)× 0.3)。實驗表明，該區(qū)域能夠很好地表達人臉特征。
3.3 內臉區(qū)域的歸一化
由于各待測圖像中的人臉大小具有很大的隨機性，因此，有必要對內臉區(qū)域進行歸一化操作。人臉歸一化是指對內臉區(qū)域的圖像進行縮放變換，得到統(tǒng)一大小的標準圖像，實驗中，我們規(guī)定標準圖像的大小為128×128。歸一化處理，保證了人臉大小的一致性，體現了人臉在圖像平面內的尺寸不變性。
圖1是一個人臉檢測和歸一化的例子，其中的原始圖像來自實驗室現場拍攝。
4 人臉特征提取及DWT-DCT平均臉
對歸一化的人臉圖像，采用小波變換與DCT相結合的方法提取人臉特征。首先對人臉圖像進行3層小波分解，取低頻子圖像LL3作為人臉特征提取的對象，從而獲得每幅訓練樣本或測試樣本的低頻子圖像；然后對低頻子圖像進行離散余弦變換(DCT)，DCT系數個數與子圖像的大小相等(即256)，由于圖像DCT變換，能量集中在低頻部分，因此只取其中的136個低頻系數作為特征向量。
為了使測試樣本與訓練樣本具有可比性，提取全部訓練樣本的特征向量，計算所有訓練樣本的平均特征，構成DWT-DCT平均臉，即：
其中N為訓練樣本數，xk,i表示第i個樣本的第k個特征向量，mk為平均臉的第k個特征向量，k=1，2，…，136。
5 人臉的識別
完成訓練過程并獲得待測樣本的特征后，即可進行人臉識別，本文采用歐氏距離進行分類。
5.1 計算樣本與平均臉的歐氏距離
用m和x表示平均臉和樣本的特征向量，則樣本與平均臉的歐氏距離為：
其中mk表示平均臉的第k個特征向量，xk表示待測樣本的第k個特征向量。身份認證時，計算待測樣本與平均臉的歐氏距離，并與特定對象的自適應閾值進行比較，將小于閾值的樣本判為該對象的人臉，即認證通過。
5.2 自適應閾值的選取
與典型的人臉識別方法不同，單對象人臉認識沒有人臉數據庫，不能用距離最小作為判據，只能用閾值作為判別依據。閾值的選取應兼顧識別率和識別的準確性，實驗中我們取訓練樣本與平均臉的歐氏距離平均值作為分類閾值，即:
其中，N為訓練樣本數，此值不宜太小；di為第i個樣本與平均臉之間的歐氏距離。
6 實驗結果及分析
本文選用西安交通大學人工智能與機器人研究所東方人臉庫(AI&R)的視點子庫進行實驗，該數據庫包括每位被拍攝人在19個不同視點角度下(10°為一個單位)拍攝的中性表情圖像。實驗包括類內測試和類間測試。類內測試用于考查單對象人臉識別的識別率，而類間測試則用于考查誤識率。隨機選取5個人，每人用7幅圖像(-30°～+30°)作為訓練樣本，分別計算平均臉和自適應閾值、類內識別率和類內距離，另外再選取50個人，每人一幅正面圖像作為類間測試樣本，分別對5個對象進行類間測試，實驗結果如表1所示。從實驗數據可以得出如下結果：
(1)類內識別率不高，原因是自適應閾值為訓練樣本與平均臉的歐氏距離平均值，訓練樣本中的部分圖像不能被識別。在實驗室中，我們通過提示被試注視攝像頭、適當調整姿態(tài)等措施提高圖像的拍攝質量，使識別率得到了顯著的改善。
(2)在50人的類間測試中，最小距離均大于閾值，即錯誤識別率為0。實驗室的現場測試中也得到了相同的結果。
(3)文中提出的單對象人臉識別方法能夠成功地識別特定對象，并能準確地排除其他對象，可用于軟件保護、計算機安全等系統(tǒng)的身份驗證。
7 結 語
本文提出的單對象人臉識別方法，針對單對象人臉識別的特點，綜合考慮了識別率和認證的準確性，運用平均臉方法有效地縮小類內距離，同時擴大類間距離，取訓練樣本與平均臉的歐氏距離平均值作為分類閾值。實驗結果表明，該方法具有識別有效性和認證可靠性，在單對象人臉識別的實際應用中是一種可行的方法。
下載文檔
