基于特征脸法的人脸识别算法

陈淑玲

(闽西职业技术学院计算机系，福建 龙岩 364021)

基于特征脸法的人脸识别算法

陈淑玲

(闽西职业技术学院计算机系，福建 龙岩 364021)

人脸识别是机器视觉和模式识别领域中一个相当困难而又有理论意义和实际价值的研究课题。人脸识别技术通过分析人脸图像,并从人脸图像中提取有效的识别信息,来辨认人的身份。基于特征脸的方法是人脸识别的常用方法。阐述了基于特征脸法的人脸识别的具体步骤算法，再利用ORL人脸库对其进行了测试。试验结果表明，特征脸法一定条件下可以较为准确的识别人脸；而在脸部表情变化较大以及光照条件变化较大的情况下，可以使用加权特征脸法，用人脸原始图像与重构图像的差值来代替原人脸图像而建立新的人脸图像库，取适当的加权系数，能够收到更好的识别效果。

人脸识别；模式识别；特征脸；ORL

人脸识别是人工智能和模式识别一个非常活跃的研究领域，其覆盖了数字图像处理、模式识别、计算机视觉、神经网络、心理学、生理学、数学等学科的内容，可以用于身份认证、公共场合对人的监视、图像数据的检索以及提高人机交互的能力。如今，虽然在这方面的研究已取得了一些可喜的成果，但是人脸识别技术在实际应用中仍面临着很多问题。因为人脸五官的分布是非常相似的，而且人脸本身又是一个柔性物体，表情、姿态或发型、化妆的千变万化都为正确识别带来了相当大的麻烦。如何能正确识别大量的人并满足实时性要求是迫切需要解决的问题。

1 特征脸法

图1 特征法人脸识别过程

特征脸法是从主成成分分析导出的一种人脸描述和识别技术。特征脸法认为包含人脸的图像的全局结构信息对于识别最重要，将图像看作一个随机向量，对应其中较大特征值的基具有与人脸相似的形状，即为特征脸。利用这些基的线性组合可以描述人脸图像，识别过程中将图像映射到特征脸组成的子空间上，再比较其在空间中的位置，然后利用对图像投影间的距离度量图像间的相似度，从而实现人脸识别。识别过程如图1所示。

所有人脸识别算法都由人脸定位与标准化和人脸识别2部分组成。而预处理的主要任务是人脸检测和人脸定位与标准化，笔者研究的人脸识别采用ORL人脸库中的人脸图像，即人脸定位与标准化工作已完成。人脸识别主要完成添加特征脸训练集、特征提取及特征对比，以得到最终识别结果。

2 人脸空间

人脸识别过程中选择ORL人脸库中的M(M=60)幅人脸作为训练集，其中训练人数N=15，每个人的训练图像为4张，这些图像分别在不同时间、不同光照、不同头部角度、不同表情条件下得到。该训练集的图像均为256级灰度图，尺寸大小为112×92像素的人脸图片，训练集的图像向量为Γ1,Γ2,…,ΓM(M=60)，人脸空间维度为D=N-1=14。

构造矩阵A=[Φ1,Φ2,Φ3,…,ΦM]，得到训练集的协方差矩阵：

C的正交特征向量就是组成人脸空间的基向量，即特征脸，但是C的维数过大，计算不便，所以引入了辅助矩阵L=ATA，C和L具有相同的特征值，L的大小为60×60， 的特征向量为vd，C单位正交化后的特征向量为ud(即特征脸)，则ud=Avd(d=1,…,D)。

测试图像到人脸空间之间的距离[4]：

测试图像与训练集中某已知个体之间的距离[4]：

3 特征脸法进行人脸识别的具体步骤

特征脸法进行人脸识别的具体步骤如下：

步1 获取一个尺寸一致(W×H=92×112)的人脸图像训练集，训练集图像来自ORL库中的15个人，每个人有10张图像(都是正面图像，光照、姿态和表情都有差异)，取4张作训练图像，剩下的6张作测试图像，所以共有60张训练图像，90张测试图像。

步2 先将这60张训练图像都转化为灰度图，从而弱化了脸色在识别过程中的影响；再以每张图像像素点的灰度值为元素，组成60条列向量Γ1,Γ2,…,ΓM(M=60),每条向量的长度为W×H。

步3 先计算平均脸Ψ，然后计算出每个人脸与平均脸之差(差脸)Φm。接着引入构造矩阵A，最后构造协方差矩阵C=AAT和辅助矩阵L=ATA。

步4 求出矩阵L的特征值μm(m=1,…,M)，对μm进行降序排列，挑出D=14个中较大的特征值，并求出与它们对应的特征向量vd(d=1,…,D)，可以把最大的几个特征值所对应的特征向量去除，因为它们包含的是图像集共有的信息。

步5 根据ud=Avd(d=1,…,D)，计算出D个C的特征向量ud，然后把这些ud归一化为单位正交向量。单位正交化后的ud就是“特征脸”。最后由这14个特征脸构成一个人脸空间。

步6 把一张图像 投影到人脸空间上，并计算出模式向量(pattern vector)Ω。在计算Ω之前，需要先计算一套权值ωd(d=1,…,D)，然后根据这套权值组合成Ω：ΩT=[ω1,ω2,…,ωD]。

步8 当遇到一副测试图像Γ时，根据步6计算出它的模式向量ΩT。

步9 计算测试图像Γ到人脸空间之间的距离ε，若ε<θ1，则表明这是一张人脸图像。

步10 如果输入图像为人脸图像，则计算它与训练集中各个个体之间的距离εn(n=1,…,N)，如果距离εn<θ2，则它属于这个已知个体，否则输入图像为未知个体。

4 测试试验

图2 人脸识别系统

人脸识别系统功能如图2所示。在系统中将人脸图像加入训练集：加入同一个人6张不同的人脸照片，标记为number1，同理加入另一个人6张不同的人脸照片，标记为number2，如图3所示。

从剩下未加入到以上训练集中的人脸照片中选一张进行测试，如图4所示，测试结果如图5所示， 通过多次测试，统计正确识别率大致为93.1%。

上述结果表明，特征脸法一定条件下可以较为准确的识别人脸。虽然在脸部表情变化较大以及光照条件变化较大的情况下其效果不尽人意，但可以使用加权特征脸法，用人脸原始图像与重构图像的差值来代替原人脸图像而建立新的人脸图像库，取适当的加权系数，识别率能够达到96%～97%，这样能够收到更好的识别效果。

图3 人脸照片number2 图4 未加入训练集中的人脸照片 图5 测试结果

5 结 语

介绍了一种常用的人脸识别方法，即特征脸法。该方法为每个个体人脸建立一个该个体对象私有的人脸空间，从而更好的描述不同个体人脸之间的差异性，而且最大可能地摈弃了对识别不利的类内差异性和噪声，该方法简单易于实现，而且效果不错，得到广泛应用，还可以通过不断改进来提高识别率。

[1]Heng Fui Liau.A Multiview Face Recognition System Based on Eigenface Method[J].Information Technology,2008,2:1-5.

[2]Zhi Zhang,Tulyakov S,Govindaraju V.Combining Facial Skin Mark and Eigenfaces for Face Recognition[J].Advances in Biometrics，2009:424-433.

[3]Sharkas M,Elenien M A.Eigenfaces vs.Fisherfaces vs.ICA for Face Recognition; A Comparative Study[J].Signal Processing,2008:914-919.

[4]Jun Zhang,Yong Yan,Lades M.Face recognition: eigenface,elastic matching,and neural nets[J].Proceedings of the IEEE，1997,85(9):1423-1435.

[5]邢志恒.崔连延基于特征脸的人脸识别系统的研究[J].电脑知识与技术，2007(9)：1431-1431.

[编辑] 洪云飞

10.3969/j.issn.1673-1409(N).2012.12.036

TP391.4

A

1673-1409(2012)12-N110-03