1、基于高斯模型的人脸识别系统研究 周玮 董全德 陈国龙 宿州学院信息工程学院 摘 要： 为了解决计算机信息技术发展带来的商业贸易方面的安全问题, 生物识别 (特别是人脸识别技术) 在商业贸易中起了重要的应用.本文通过设计基于高斯模型的人脸识别系统, 采用图像转换计算相似度, 采用 A (CB, CR) 计算颜色空间, 肤色模型使用高斯模型进行人脸识别, 基于先验知识进行二值化采用阈值分割法, 采用水平方向, 垂直方向投影等进行人脸定位, 利用几何特征提取信息进行人脸检测.基于高斯模型的人脸识别系统能够满足用户对面部特征识别的需求, 为移动支付、系统安全等场合提供良好的解决方法.关键词： 高斯模型
2、; 人脸识别; 人脸定位; 作者简介：周玮 (1985) , 女, 助教, 硕士, 研究方向:计算机网络.收稿日期：2017-06-18基金：2016 宿州学院重点科研项目 (2016yzd10) Research on Face Recognition System Based on Gauss ModelZHOU Wei DONG Quan-de CHEN Guo-long Suzhou University, College of Information Engineening; Abstract： In order to solve the security problems due
3、to the development of computer information technology, the biometric face recognition has important applications in commercial trade. This paper mainly focuses on the design of face recognition system based on Gauss model, the calculation of similarity is calculated by the image conversion, color sp
4、ace, skin color model with Gauss model for face recognition, a priori knowledge of the value of two using threshold segmentation method based on the horizontal direction, vertical direction projection of face location, the geometric feature recognition facial feature extraction for face recognition.
5、 The face recognition system based on Gauss model can meet the needs of users facial feature recognition, and provide a good solution for mobile payment and system security.Keyword： Gauss model; face recognition; face location; Received： 2017-06-18当今社会, 随着我国信息管理技术的迅速发展, 在计算机专业里, 出现了新的识别技术生物识别技术, 受到很
6、多人的重视, 特别在信息安全、商业、贸易、金融有着广泛需求.最近几年, 该项技术在人脸识别方面, 使用的越来越广泛, 但人们对这项新技术知之甚少.人脸识别是利用算法分析比较两张人脸对其提取特征信息, 然后进行身份鉴别的一项技术.人脸图像与其他人体生物特征识别方法 (如遥感图像, 数字图像水印, 指纹, 虹膜, 等) 相比更容易获取, 而且人脸识别的优越性远远超过其他识别技术, 例如在不被人知道的情况下就能容易捕捉到人脸, 在移动支付、系统安全等领域有重要的使用价值.在国内从 20 世纪 90 年代开始, 人脸识别技术主要用在网络安全、金融、物业管理、公众安全和贸易领域.在国外, 在重要的国家机
7、关和武装力量, 如公安局和其他安全部门, 这项技术已经被用来进行大规模的使用.本文主要研究了基于高斯模型的人脸识别系统, 能够为用户提供实际环境中的人脸检测.1 人脸识别系统设计1.1 系统结构基于高斯模型的人脸识别系统是通过图片投影获取定位点信息, 将高维度的图片信息投影到低维度的权值信息后进行特征比对, 从而识别人脸结构, 包括人脸检测模块、人脸定位模块、人脸特征点提取模块和人脸匹配模块, 其系统结构如图 1 所示.人脸检测模块:包含计算相似度和进行二值化灰度处理两个小模块.得出相似灰度图时, 使用函数 Cal Parameter 训练选择好参数进行计算, 最后将相似灰度值记录在 m_p
8、Likeli Hood Arrayij.二值化时, 主要是通过相似度进行阈值分割, 相似度越大, 该区域成为肤色的可能性就会越大, 在程序中使用参数k 来控制循环计算的次数, 当人物的肤色区域增量突然增多时候, 说明达到肤色区域的边界, 可以找到最佳的阈值.图 1 人脸识别系统结构图 下载原图人脸定位模块:包括水平投影模块和垂直投影模块, 主要负责从人脸图片中获取特征定位点信息.从水平方向扫描图片像素信息、灰度信息、色度和亮度信息.再进一步进行二值化运算.垂直投影也能获取到图片的投影信息, 本系统为了包含整个特征脸信息, 设计时将两个模块系数结合使用.人脸特征点提取模块:结合人体脸部结构, 根
9、据人脸中眼睛间距, 眼睛和鼻子之间的距离, 眼睛和眉毛的间距采用最近邻分类法自动获取人脸眼睛、鼻子等信息, 经过奇异值运算和数学变换计算人脸的上述信息.人脸匹配模块:结合人脸检测模块、人脸定位模块和人脸特征点提取模块输出信息进行模式匹配.每一组要匹配的人脸都通过一组权值进行表示, 将高维度向量压缩到低维度向量, 得到重建的权值数据进行比对.建立阈值, 如果相似度超过阈值则比对成功, 人脸匹配正确.1.2 高斯模型为了保证从原始图片获取特征信息, 尽可能保留图片特征参数, 本系统采用基于高斯模型的图像识别技术.对于二维的高斯函数, 特征空间 A (CB, CR) 的值取决于图片像素 d 值和人脸
10、颜色值 c.其中像素 d 为图片亮度分量 CB 和色度分量 CR 的数学平均值, 人脸颜色值 c 为特征空间 A (CB, CR) 的样本均值 c=e (d) .对于特征提取的二维高斯模型如公式 (1) 所示:求人脸图片的特征均值, 带入图片像素 d 和人脸颜色值 c 的值带入二维高斯函数求得各图片 A (CB, CR) 值, 并进行归一化计算.将第 i 个 Ai (CB, CR) 特征空间值除以最大特征空间 Amax (CB, CR) , 取特征方差扩大 255 倍, 可将向量空间0, 1转化为0, 255, 三维高斯模型如公式 (1) , (2) 所示:在二维高斯模型中增加样本空间 x,
11、像素 d 为图片亮度分量 CB 和色度分量 CR的数学平均值, 人脸颜色值 c 为特征空间 A (CB, CR) 的样本均值 c=e (d) .从以上颜色空间和肤色模型中可以看出, 选择在 A (CB, CR) 颜色空间下结合高斯模型的肤色模型对人脸肤色区域进行分割效果最佳.目前有很多阈值选取方法, 如直方图阈值分割法, 最大方差阈值分割法和自适应阈值分割法等.本系统采用自适应阈值分割法.2 详细功能设计2.1 人物图像检测人物图像检测主要为人脸检测算法, 本系统采用基于先导模式下的人脸检测技术:采集人脸的知识信息、肤色信息和器官分布信息等数据进行三维高斯建模并将数据投影在低维度的元组中, 对
12、人脸特征的亮度分量和色度分量取值分割, 根据人脸的色度数据进行二值处理和灰度处理, 并选择相似值高的区域自动组合, 检测到人脸的特征信息.基于高斯模型的人脸识别系统采用特征空间, 由颜色系统 RGB 线性转换得到.对得到的颜色特征空间进行聚类转换, 提取亮度分量 CB 和色度分量 CR, 为了排除由分量选取不完整带来的不稳定问题, 在图片脸部检测前先对图片进行水平和垂直颜色转化.由于 RGB 颜色系统由三原色构成, 在构建人脸图片灰度图时需要对 RGB 的三原色建模.在本系统中, 灰度模型 Pi, j=0.25*Ri, j+0.63*Gi, j+0.12*Bi, j, 其中 Pi, j表示人脸
13、图片中的像素点, Ri, j、Gi, j、Bi, j分别表示三种颜色通道.因为人眼对 RGB 三原色识别的重点不同, 因此对色彩通道采用不同的加权值.灰度化处理后得到图 2 (a) 的灰度图像.图 2 人脸检测灰度图 下载原图对灰度图像二值化.由于以上步骤计算的灰度图像包含 2 个维度通道, 每个通道有 128 个灰度等级, 在后续进行人脸特征提取和比对时需要分配大量的空间进行数据处理, 因此需要将多通道的数据转换成只包含 1 和 0 两个值的矩阵.设置像素点灰度值阈值, 将原来 128 个色度信息和亮度信息转换成二值图像.本文采用全局阈值 T 计算人脸灰度值信息, 如果图片灰度大于阈值则图片
14、转换为 0, 否则图片像素点取值 1, 整张图片只保留黑白两种颜色, 最后计算得到的二值化灰度如图 2 (b) 所示.2.2 人脸特征提取人脸特征提取首先定位人脸边界然后提取五官信息.根据以上步骤得到的人脸灰度值和一些先验知识后确定人脸区域的上下左右边界, 形成的外接矩形确定人脸区域, 进行标记.接着对图像进行垂直投影和水平投影, 从而定位人脸.五官是人脸重要的特征点, 五官特征提取是指在图像的给定区域内搜索五官的位置、关键点和轮廓线.提取眼睛特征, 要确定颜色和眼睛位置两个特征.首先对人脸区域进行 canny 模式识别.通过嘴唇边缘和位置点信息提取嘴唇位置信息, 由于唇色与肤色差别较大, 根
15、据嘴巴与眼睛的位置关系和先验知识, 确定嘴角和嘴唇的位置.通过垂直方向和水平方向的投影形成的区域, 技术在这区域上的肤色和非肤色点的个数, 形成的两个矩形区域, 得到眼睛区域的定位, 如图 3所示:图 3 人脸特征提取 下载原图根据鼻子与眼睛的位置关系和特点.以两眼瞳孔间距 1, 计算从鼻尖到两眼中间的距离为 0.6 到 1.由于鼻孔在人脸中属于非肤色区域, 而且颜色为深色, 需要在眼睛下面 0.51.1 的邻近区域外, 搜索比较深的颜色, 再进行膨胀的方法处理, 由于人脸中鼻孔像素比周边像素亮度饱和, 因此可以此作为判断依据, 得到左右两个鼻孔的位置.2.3 人脸特征匹配得到了人脸五官的特征
16、数据后, 可以对人脸特征进行匹配从而进行面部识别.人脸特征的识别方法有基于模板匹配的识别方法、基于统计的识别方法和基于几何特征的识别方法等多种方法.本系统采用基于几何特征识别的人脸匹配算法, 由以下步骤实现:(1) 首先构造要进行匹配的特征向量.将训练集中人脸特征信息构成识别矩阵 A.获取特征信息如眼间距、眉毛与眼睛距离、嘴唇与鼻子距离等特征向量, 对矩阵A 向量进行归一化计算, 得到五官分布比值.(2) 计算人脸的特征相似度.根据最近邻分类算法, 计算人脸对应特征库中的位置信息.相似度采用欧式距离计算, 在结果中选取邻近距离最近的节点作为搜索结果, 对人脸特征的 n 个特征分量计算加权均值.
17、(3) 将得到的特征图像和矩阵库的图像投射到要匹配的特征向量上, 再对测试集中的每个图像找到 k 近邻进行比对, 如果比对相似度大于识别门限, 则判断为同一人, 否则判断为不同人.为了判断检测系统的识别率和识别速度, 最后从 ORL 人脸库中选择 100 张图片完成人脸检测测试, 结果表明实验结果受人脸表情、眼镜等因素影响, 进行了人脸检测训练的检测模式有较高的识别率.3 结论针对信息社会中越来越重要的生物特征识别问题, 本文设计了基于高斯模型的人脸识别系统.该系统将要检测的图片计算颜色空间、色度和亮度信息, 采用高斯模型计算出人脸灰度图信息.为了区别有用信息计算人脸的二值化灰度值.从水平和垂
18、直方向结合进行信息投影, 提取人脸特征信息.最后采用几何特征识别的人脸匹配.该系统能够进行人脸面部检测有一定的市场应用价值.参考文献1李伟生, 王立逗, 周丽芳.一种基于 LTP 自适应阈值的人脸识别方法J.小型微型计算机系统, 2014, 35 (9) :2099-2103. 2万源, 李欢欢, 童恒庆, 等.分层 CS-LBP 和 HOG 特征融合的人脸识别研究J.武汉理工大学学报 (交通科学与工程版) , 2014 (4) :801-805. 3唐雨佳, 周李威, 陈耿, 等.一种自适应加权 Sp PCA 单样本人脸识别算法J.计算机应用研究, 2014, 31 (9) :2856-2858. 4郭金鑫, 陈玮.基于 HOG 多特征融合与随机森林的人脸识别J.计算机科学, 2013, 40 (10) :279-282. 5孙锐, 陈军, 高隽.基于显著性检测与 HOG-NMF 特征的快速行人检测方法J.电子与信息学报, 2013, 35 (8) :1921-1926. 6向征, 谭恒良, 马争鸣.改进的 HOG 和 Gabor, LBP 性能比较J.计算机辅助设计与图形学学报, 2012, 24 (6) :787-792.
