1、基于 OpenBR 的身份识别系统应用 孙语瞳 于林韬 武博宇 长春理工大学电子信息工程学院 摘 要： OpenBR开源生物识别系统, 是一个可以提供快速高效开发环境的系统。正是因为它是一个用于研究新方法、改进现有算法、对接商业系统、测试识别性能并且可以自动部署生物系统的框架才使得应用此方法实现面部识别成为可能。对利用 OpenBR 提供的生物识别算法设计工具, 经过正脸检测、规范化、特征描述、特征提取、特征对比匹配等一系列步骤对图片数据进行处理, 最后将得到的匹配分数经过决策算法成为通过人脸识别实现身份识别的依据进行了研究。通过实验结果得出设计的决策算法可以得到 90%以上识别率。可以应用于
2、考勤、驾驶员身份识别等领域。关键词： OpenBR; 人脸识别; 决策设计; 作者简介：孙语瞳 (1993-) , 女, 硕士研究生, E-mail:作者简介：于林韬 (1972-) , 男, 博士, 副教授, E-mail:收稿日期：2017-09-11Research on the Identity Recognition Based on OpenBRSUN Yutong YU Lintao WU Boyu School of Electronic and Information Engineering, Changchun University of Science and Techn
3、ology; Abstract： OpenBROpenSource Biometric Recognition, originated within the MITRE corporation.It is a framework for investigating new modalities, improving existing algorithms, interfacing with commercial systems, measuring recognition performance, and deploying automated biometric systems.The pr
4、oject is designed to facilitate rapid algorithm prototyping, and features a mature core framework, flexible plugin system, and support for open and closed source development.Off-the-self algorithm are also available for specific modalities including Face Recognition, Age Estimation and Gender Estima
5、tion.The research content is to complete personal identity verification by using facial recognition model which based on OpenBR.Rapid and efficient development is necessary for modern development, with OpenBR is a very powerful assistant.Application of OpenBR to achieve identification system is a ty
6、pical demonstration of using biometric framework which gets a nice result.Keyword： OpenBR; facial recognition; decision-making; Received： 2017-09-11随着多媒体技术的高速发展, 生物识别在当今视觉领域中开始得到越来越多的重视, 同时也为越来越多的实际应用提供了适合其特定模式的算法。而作为人的生物特征之一的人脸特征也因为它的易采集、非接触等优势得到了越来越广泛地关注和应用。人脸识别, 顾名思义就是对已知人脸进行分类的过程。就像人们看到人脸时, 就能识别
7、出他们是否是自己的家人、朋友或者名人等等。近几年人脸识别发展迅猛, 在不知不觉中它已经悄无声息地走进了人们的日常生活, 比如越来越多的银行、券商和企业开始借助人脸识别进行身份核实, 大大提高了工作效率;基于人脸识别系统的社会保障金领取也方便了大批出行不便的老人;证件照查重、嫌疑犯检索等更是可以快捷地协助公安机关破案。利用开源生物识别系统 Open BR 实现的身份识别可以应用到例如企业考勤、身份识别门禁等领域。Open BR 不仅提供了供设计和评估使用的生物识别算法工具, 还为终端用户提供了应用生物识别技术的接口。它可以实现分离生物识别过程中的组件, 这也让研究人员可以在这个能实现再部署的系统
8、中更专注于算法中特定的步骤。1 介绍1.1 图像处理相关语言这个项目最重要的技术成就可以说就是用一种新的图像识别语言来表达算法。语言中的每一个词对应着一个执行特定图像转换的插件, 允许对算法中的独立步骤高度解耦。这些词结合在一个明确定义的模板登记和对比算法中。语言已经足够灵活到可以不需要额外的开发就可以表达大多数已有的开源面部识别算法。在工程中嵌入这种语言使得开发在保证效率和对本地软件可部署性的同时享受到无编译算法设计和参数探索的优势。在实践中这种语言也提供了一种简明且明确的方式让其他研究者去熟悉这个项目。1.2 命令行接口使用 Open BR 功能最主要的方式就是使用 br 命令应用程序,
9、形同于 openbr 的API 接口。输入一个 br 命令也被认为是在写入一个简短的程序, 可以随意设置指定参数并且按照指定顺序执行。下式中算法描述用引号括住, 以免造成解释错误。表达式 1 在 Bio ID 数据集1上训练特征脸算法表达式 2 使用表达式 1 训练得到的算法计算 MEDS2数据集的相似矩阵具体的实例充分证明了 br 的性能, 通过训练、执行和对经典的 Eigenfaces3算法进行评估演示了一个典型的 Open BR 工程。表达式 1 中展示了如何训练人脸识别算法。这种算法其实就是一种注册模板并且对两种模板进行比较的方法。训练需要指定被训练的数据和训练完成时训练模型的保存地址
10、。注意, 训练模型文件没有扩展。2 相关研究下面来介绍一下其他两个现有的开源面部识别系统。分别是来自科罗拉多州立大学 (CSU) 11和 Open CV 的解决方案4。CUS 的基线算法包括两个算法:局部 PCA (LRPCA) 11和具有颜色空间和队列化标准的 LDA5。框架由 Python编写并且为 Windows 和 Mac 均提供了安装说明。但是它不仅对编程语言的要求比较高而且对 API 的定义也不够完善, 这使得很难将工作整合到新的应用中去。Open CV 库中包含 Eigenface3基于 PCA 理论的特征脸识别算法;Fisherface基于 LDA 理论的特征脸识别算法。LDA
11、 与 Eigenface 中用到的 PCA 有相似之处, 都是将原有数据进行整体降维映射到低维空间的方法。其中的文献和实例都演示了怎样与面部识别 API 进行交互。但是却缺乏现代的面部识别算法并且对于有细密纹理的眼部定位不准确。它不能像 Open BR 那样用简明的语言来表达算法。表 1 对现有的开源面部识别算法进行了对比。表 1 现有的开源面部识别算法比较 下载原表 3 基本原理Open BR 适用于 Windows, Mac 和 Linux 系统, Android 和 ios 端口以及其他常见的平台。此处应用于 Windows 系统。此外, Open BR 的编译需要 Open CV 计算
12、机视觉库, Qt 应用程序框架, CMake 跨平台构建系统。Open BR 最主要的两个软件构件分别是“openbr”共享库和命令行应用程序“br”。解决方案堆栈如图 1 所示。图 1 Open BR 的解决方案堆栈 下载原图3.1 用字符串定义算法Open BR 的其中一个优势就是简单易用性, 它用一个一致且简单的方式来表达生物特征的识别算法, 即用字符串来定义注册图片的技术和比较图像的方法。通过字符串定义算法有很多优势, 比如同时解放了大量非常相似的头文件的创建与维护。运行时也无需再编译就可以实现算法调参。最重要的一点是由于强行解耦了算法开发中的每一步, 这保证了较好的软件开发体验, 可
13、以直接从描述中理解所实现的算法, 还具备了算法修改以及重用独立步骤的优点。3.2 模板注册Open BR 存储图像的方式是将图像存储为一个优化标识, 而不是存储整个原图片用于对比。模板是一个相对通用的生物概念, 将原始图片生成这个优化模板的过程, 称之为模板注册。这样操作的目的是为了生成一个小型、精确且可以快速匹配的模板。3.3 处理数据的对象Open BR 有文件和模板两个处理数据的对象。文件 (系统) 通常用于存储磁盘文件路径与元数据。模板是图片和文件的容器, 可以包含一个或多个图片。一个模板代表着生物在不同阶段的注册, 同时可以通过变换做出改进, 通过距离 (distance) 实现与其
14、他模板的对比。4 人脸识别算法所用到的算法是光谱采样结构子空间特征 (4SF) 算法8, 它是一种基于统计学习的算法研究。原本用于研究人口统计资料2和年纪增长3对人脸识别性能的影响。4SF 相比其它技术而言优势在于使用的面部特征描述和特征提取在现代脸部识别算法中具有很好的代表性。不仅如此, 4SF 还通过统计学习对准确性进行了很大程度的改进, 这让 Open BR 像异构面部识别那样在特定的匹配问题中具有训练自己的能力, 从而区别于其他商业系统。在对 4SF 算法与其他三种已有的商业面部识别算法分别就产生的模板大小和准确性进行对比中得到结论:Open BR 拥有最小的模板。在准确性方面, 虽然
15、有些商业系统在一些经典的面部识别数据下的表现优于 4SF, 然而在一些异构面部识别数据下的准确率却不然。这也体现出了产生新问题时可以训练系统的好处。Open BR 整体流程图如图 2 所示。4.1 正脸检测Open BR 对 Open CV 级联分类框架进行了封装6, 并提供了基于 Casecade (Frontal Face) 级联分类器的正脸识别方法。对于眼睛的检测, 使用的是基于C+、接口为 ASEF 的人眼识别方法7ASEFEyes。ASEF 即采用平均合成精确滤波的方法进行人眼定位。在训练中利用输入样本图片和合成输出结果, 在频域上构造相关滤波器, 然后将多个滤波器进行平均, 得到最
16、终的相关滤波器, 这样采用训练的滤波器进行定位得到了比较理想的结果。4.2 归一化在这里借助检测到的眼睛位置来注册人脸, 并通过仿射变换完成严格的旋转和缩放。也就是说人脸基于人眼位置做旋转扭正。在提取局部二进制时遵循光照预处理步骤。预处理使得在不同亮度、人脸图像旋转角度、拍摄角度、背景、光照位置等条件下得到的图像更加一致。当然这些因素的影响只会被削弱, 而不会被完全消除, 尤其是当人脸方向不一致时, 会使人脸中所有元素的位置存在很大的不同, 从而造成对人脸的识别异常的困难。4.3 特征描述此处基于密集的网格提取 LBP9和 SIFT10特征来采样人脸。LBP 的提取是通过 66 的滑动窗口每次
17、对 88 像素的窗口提取局部二进制模型的直方图。SIFT 的提取是从一个 1010 的网格中采样一百个 SIFT 描述符, 每个描述符半径为 12 像素。再利用 PCA (主成分分析) 分解保留 95%的方差来压缩每个局部区域, 随即描述符被投射到相应的特征空间, 然后规范化到 L2范数单元。图 2 流程图 下载原图4.4 特征提取在这一步要做的就是加权谱抽样, 也就是将每个区域的特征向量连接起来, 同时在各个维度的方差上执行随机采样的加权。在本文中提取 12 维特征, 每个维数相当于整体特征空间的 5%, 然后使用 LDA (线性判别分析) 学习每一个随机样本的空间特征, 这样可以使对面部特
18、征向量的辨别力得到提高。最后, 描述符再一次连接到一起并规范化到 L1范数单元。发现在空间投影后进行规范化可以大大的提高在许多识别场景模式下的准确性, 这与观测结果一致12。4.5 特征对比匹配这里要用到的 L1距离度量可以达到最先进的匹配速度, 同时对于准确率的影响小到几乎可以忽略不计。这里使用 L1范数正则化来比较特征向量, 将向量转换为 8 位无符号整数。这是模板生成的最后一步。L 1范数正则化通过向成本函数中添加 L1范数, 使得学习得到的结果满足稀疏化 (sparsity) , 从而方便了特征提取。5 系统总体设计首先要采集实验所需图片。在建立图片集时使用同等规格的彩色图片, 在随后
19、算法中使用字符串加入灰度化对图片进行处理, 这样可以减小图片原始数据量, 便于后续处理时计算量更少。该数据集在自然光下采集。接受样本采集者均睁眼正对摄像头, 且与摄像头的距离固定。将实时采集的待识别图片与待查找图片集进行一一比对, 分别得到一个匹配分数并排序。取位于前十的分数并输出对应图片所属姓名。默认匹配分数最高的图片为本人的几率最大, 如果排列前十的图片除分数最高的图片外有五个与分数最高的图片来自同一个人 (一共 6 张, 占比为 60%) , 则认为待识别的人为匹配分数最高的图片中的人。需要说明的是由于实际应用期望的是相似度的值, 但是实际算法中返回值distance, 也就是前面所提到
20、的距离, 表示的是值越小相似度越高。所以在这里将返回-log (distance+1) 以表示值越大时相似度越高。当然也可以通过上述函数转换为其他距离的输出。6 实验测试结果与分析用于本次测试实验的数据是事先采集好的来自于 8 位同学 (以下用A、B、C、D、E、F、G、H 代替 8 位同学的姓名) 的 80 张彩色图片, 每人 10 张。另外每人仍需各取一张图片用于测试。其中 6 位同学 (A、B、C、D、E、F) 是戴眼镜的同学, 所以要对他们戴眼镜的情况也进行采集 (各 10 张) 。分别记作A (1) 、B (1) 、C (1) 、D (1) 、E (1) 、F (1) 。用上述的方法
21、标记实验数据是为了验证人们在实时采集图像时是否应该严格与图库中采集图片时戴眼镜情况保持一致。即验证不保持一致的情况下会对识别的准确性产生什么样的影响。根据上述实验方法, 分别对数据组进行实验, 图 3 为程序运行结果以及以 F 同学为实验对象得到的四组实验结果。图 3 运行结果 下载原图下面以表格形式给出实验结果。对表格内容的说明如下:表 2、表 5 是将 F 同学不戴眼镜的 10 张图片放入图库中为基础的实验得到的结果, 表 3、表 4 则为戴眼镜的情况。也就是说, 表 2、3 得到的结论是以采集图像时与图库中采集图片时戴眼镜情况保持一致为基础。表 4、5 得到的结论则是以采集图像时与图库中
22、采集图片时戴眼镜情况不一致为基础。表 2 实时采集不戴眼镜 下载原表 表 3 实时采集不戴眼镜 下载原表 表 4 实时采集戴眼镜 下载原表 表 5 实时采集戴眼镜 下载原表 表 2 表明实时采集图片与图库采集时均为不戴眼镜情况下, 匹配分数排在前十的图片均来自 F 同学本人。表 3 表明实时采集图片时不戴眼镜, 图库采集时戴眼镜情况下, 匹配分数排在前十的图片中有九张来自 F 同学本人。表 4 表明实时采集与图库采集时均戴眼镜情况下, 匹配分数排在前十的图片均来自 F 同学本人。表 5 表明实时采集时戴眼镜, 图库采集时不戴眼镜情况下, 匹配分数排在前十的图片均来自 F 同学本人。由以上实验结
23、果可知, 实时采集图像时是否与图库中采集图像时戴眼镜情况保持一致对结果的准确性产生的影响很小可忽略不计。7 结论在前人研究基础上基于 Open BR 实现了身份识别的应用。在实验条件下, 得到了较为理想的结果。然而和目前大多数人脸识别技术一样, 在现实条件下使用时会不太准确。这是因为目前的人脸识别技术对图像中的光照类型、光照和阴影方向、准确的人脸定位、面部表情以及人当前的心情都十分敏感。由此也可以看出, 基于 Open BR 的人脸识别应用是有很大前景的, 研究价值很高。参考文献1Jesorsky O, Kirchberg K J, Frischholz R W.Robust face det
24、ection using the hausdorff distanceC.International Conference on Audio-and Video-Based Biometric Person Authentication.Springer-Verlag, 2001:90-95. 2Founds A, Orlans N, Whiddon G, Watson C.NIST special database 32-multiple encounter dataset II (MEDSII) DB.www.nist.gov/itl/iad/ig/sd32.cfm, 2011. 3Tur
25、k M.Pentland-eigenfaces for recognitionJ.Journal of Cognitive Neuroscience, 1991, 3 (1) :71-86. 4Bradski G.The Opencv LibraryJ.Doctor Dobbs Journal, 2000, 25 (11) :120-126. 5Lui Y M, Bolme D, Phillips P J, et al.Preliminary studies on the good, the bad, and the ugly face recognition challenge proble
26、mC.Computer Vision and Pattern Recognition Workshops.IEEE, 2012:9-16. 6Viola P, Jones M J.Robust real-time face detectionJ.International Journal of Computer Vision, 2004, 57 (2) :137-154. 7Bolme D S, Draper B A, Beveridge J R.Average of synthetic exact filtersC.IEEE Conf.on Computer Vision and Patte
27、rn Recognition, 2009:2105-2112. 8Klare B.Spectrally sampled structural subspace features (4SF) R.In Michigan State University Technical Report, 2011. 10Lowe D G.Distinctive image features from scaleinvariant keypointsJ.International Journal of Computer Vision, 2004, 60 (2) :91-110. 12Cao Z, Yin Q, Tang X, et al.Face recognition with learning-based descriptorC.Computer Vision and Pattern Recognition.IEEE, 2010:2707-2714. 13秦雪, 王欢, 严晔, 等.基于图像边缘检测的图像识别算法J.长春理工大学学报:自然科学版, 2015, 38 (4) :127-131.
