基于ORL数据库的快速人脸认证技术的研究

高海阔，马盛楠

1.光电工程系滨州学院，山东滨州 256600 2.外语系滨州学院，山东滨州 256600

近年来，由于反恐、国土安全和社会安全的需要，世界上各个国家都对安防领域加大了投入，而身份识别正是安防的一个核心问题。人脸识别技术为人类身份识别提供了一个简单、易行、可靠性高的方法，受到越来越多的重视。

人脸识别技术基本上可以归结为以下三类:基于几何特征的方法、基于模板的方法[1-5]（基于相关的方法、特征脸方法、线性判别分析方法、神经网络方法、动态连接匹配方法等）和基于模型的方法[6-8]（基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法）。由于基于模板的方法较好的利用了人脸的结构和灰度分布信息，而且还具有自动精确定位面部特征点的功能，因而具有良好的识别效果，适应性强识别率较高，该技术在FERET 测试中若干指标名列前茅，但其缺点也是相对明显：时间复杂度高，速度较慢，实现复杂。

由于基于模板算法中的诸多优点，它在人脸识别中得到了广泛的应用。如Debotosh Bhattacharjee 和Dipak K.Basu[9]基于加入外界图像的ORL 数据库对变形的多层感知器算法进行了研究，获得97.9%的准确率。Fan Ou 和Zhaocui Han[10]通过CCA(Canonical Correlation Analysis，典型相关分析)+LDA 的方法把FRR100 和FAR1000 指标降低了30%以上。

对于认证问题，可以看做识别问题的简化，问题可以归为两类:是本人或者不是本人。解决认证问题目的是找一个分界，尽可能好的区分这两类。在这种情况下，可以使用运算速度相对较快的线性判别方法。用一个两维的数组分类来说明问题。

1 人脸认证的线性区分的可能性分析

图1 (a)当样本种类够多时，很难用一条线(或平面)来区分；(b)而当样本数量足够小时，线形区分可行

从图1 中可以看出，当样品类的数量相对于维度足够大时，很难用一条线（或者一个平面）把一个指定的类同其他类区分开来；而当样本类的数量变小时，线性区分变的可行。[11]

考虑到研究的问题是认证问题(只有两个样本类)，且一个照片中的信息量是巨大的（维度足够大），线性区分是可行的。

2 感知器算法

我们假设训练样本集

来自两个样本(ω1,ω2)，其中l 是样本的数量

如果这两个类中的样本是线性可分的，存在一个平面

如果样本可以被正确分类，必然满足

其中

对于经典的感知器算法，代价函数被定义为如下形式:

其中，Γ 是所有被错分类的样品集

感知器算法是基于梯度下降和单样品修正的方法[12-13]，伪代码如下：

2)t=0 ;

3)重复

3 基于ORL 人脸数据库的仿真

基于以上理论，本文在Inter Core 2 Duo CPU(2.93GHz)、2G 内存容量的硬件环境下，利用Matlab 对无陌生人脸的ORL人脸数据库、含有训练样本外人脸的情况的数据库和基于ORL数据库和来自摄像头的新样本类组成的数据库进行了仿真测试。

3.1 无陌生人脸的仿真测试

1）ORL 人脸数据库

由剑桥大学的Olivetti 实验室建立的ORL 人脸数据库由400 张照片组成(分辨率：92x112，40 个人，每人10 张照片)，近几年来已成为最流行的人脸数据库之一，数据库的部分照片如图2 所示：

图2 ORL 人脸数据库（部分）

2）特征提取

目前提取人脸照片的特征有很多方法，如Fisher face 方法等。这些算法都需要大量的运算，这对实时性的要求造成了障碍，也难以移植到其他硬件平台。为了解决这一问题，本文尝试一种最简单的方法去提取特征：仅仅把图像矩阵按列相连作为特征向量。对于大多数的分类器来说，这将会产生“维数灾难”，但对于感知器算法不存在这个问题，因为在感知器算法中只有向量的加法和乘法运算。

3）实验结果

从每个人的10 张照片中选出9 张作为训练样本，而把剩余的1 张作为测试样本，可以得到表1 中的结果。考虑到目标是认证（是本人或不是本人），而不是识别（他/她是谁），对于无法认证的情况可以忽略。因为这个时候通常要求被测试者转动头部产生另外的样品，直至认证成功。

表1 实验结果

图3 是一种错误认证的情况。

图3 错误匹配的情况

无法认证的情况又可以分为两类:找不到匹配的人或者匹配了多个人。

2 含有训练样本外人脸的情况

许多情况下，可能有陌生脸孔会试图进入安全系统，这个人脸不属于训练集中的任何一个人。考虑到这种情况，设计如下仿真实验：

1）从样本中挑出一个人的所有照片作为测试样本；

2）为了更好的同表格1 中的结果进行对比，同样只训练每个人的9 张照片。

实验结果如表2 所示。

表2 含有训练样本外人脸情况下的人脸认证结果

3 基于ORL 数据库和来自摄像头的新样本类进行的仿真

为了进一步测试该算法在现实中的应用，利用摄像头采集一组新的数据进行测试。测试结果显示该算法的分类表现良好。

表3 加入摄像头采集新类后的认证结果

4 运算速度的比较

在运算过程中，同时用分类方法中经典的最近邻法[14]和人脸识别中经典的Fisherface 方法采用上述同样的训练样本进行认证计算，与本文所用简化特征提取的感知器算法比较，得到如表4 所示的计算结果。

表4 运算速度的比较

从结果可以看出简化特征提取的感知器算法明显优于最近邻法和Fisherface 方法。这是由于最近邻算法中含有距离运算过程，Fisherface 也要完成投影和距离运算过程，而感知器算法仅有运算较快的向量的加法和乘法。

5 结论和展望

本文用简化特征提取过程感知器算法在ORL 数据库中去进行人脸认证。结果显示：当没有陌生面孔的情况下，识别的准确率达到99.7%；当引进陌生面孔时，准确率将至98.1%。随后通过摄像头采集新的数据来验证该算法在现实中的表现能力，结果10 张人脸照片中的7 张被正确认证，另外3 张照片无法认证（没有错误认证的情况发生）。在运算速度方面，成功认证一个样品的平均时间为50ms，优于最近邻算法和Fisherface 方法。

从上述结果来看，在中等数量样本的人脸认证的过程中，采用简化提取过程的感知器算法是完全可行的，而这个简化过程无疑会对计算速度和硬件的移植过程大有帮助，在接下来的工作中，需要对大样本数量的情况进一步验证，测试该方法的实际应用能力。

[1]PHILLIPS P，FLYNN P，SCRUGGS T.Overview of the face recognition grand challenge[J].Computer Vision Pattern Recognition，2005，1：947-954.

[2]WU JINYI.Survey of face recognition[J].Application Research of Computers.2009，26(9)，3205-3208.（吴巾一，周德龙.人脸识别方法综述[J].计算机应用研究，2009，26(9)：3205-3208.）

[3]ZHANG J，YAN Y，Lades M(1997)Face recognition：eigenface，elastic matching，and neural nets[C].Proc IEEE 85(9)：1423-1435.

[4]TAO Q，VELDHUIS R.Threshold-optimized decisionlevel fusion and its application to biometrics[J].Pattern Recognit，2009，42：823-830.

[5]QI ZHU，CHENGLI SUN.Image-based face verification and experiments.Neural Comput&Applic，2013，23：947-956.

[6]VIIOLA P，JONES M.Robust real-time face detection[J].Int J Comput Vision(2004)57(2)：137-154

[7]AHONEN T，HADID A，PIETIKAINEN M.Face description with local binary patterns：application to face recognition[C].IEEE Trans Pattern Anal Mach Intell，2006，28(12)：2037-2041

[8]XU JIANHUA.A Non linear Perceptron AlgorithmBased on Kernel Functions[J].Chinese Computers（2012），Vo l.25，No.7：238-342.

[9]DEBOTOSH BHATTACHARJEE，DIPAK K BASU.Human face recognition using fuzzy multilayer perceptron[J].Soft Comput，2010，14：559-570.

[10]FAN OU，ZHAOCUI HAN，CHONG LIU.Face verification with feature fusion of Gabor based and curvelet based representations[J].Multimed Tools Appl，2012，57：549-563.

[11]CHEN JIANGFENG，YUAN BAOZONG，PEI BINGNAN.Face recognition using twp dimensional laplacian eigenmap[J].Journal of electronics，2008，Vol.25 No.5：616-618.

[12]ZHNAG W，SHAN S，GAO W.Information fusion in face identification[C].Proceeding of International Conference on Pattern Recognition(ICPR2004).Cambridge，2004，Vol.1：950-953.

[13]SUN QS，ZENG SG，LIU Y.A new method of feature fusion and its application in image recognition[J].Pattern Recognit 38(12)：2437-2448.

[14]Bremner D，Demaine E，Erickson J.Outputsensitive algorithms for computing nearest-neighbor decision boundaries[J].Discrete and Computational Geometry，2005，Vol.33(4)：593-604.