基于特征脸识别考勤系统设计
2016-12-12张超逸
张超逸
基于特征脸识别考勤系统设计
张超逸
前言
生物信息识别技术是利用人体本身所固有的物理特征和行为特征,通过数字信号处理和模式识别的方法来鉴别个人身份的技术[1]。而人脸识别作为一种典型生物信息识别技术,以其自然性和可接受性等优点得到了人们的喜欢,可应用于军事及民用的各行各业中[2]。本设计目的是利用人脸生物信息识别技术,实现操作简单、使用信息方便、识别结果准确的人事考勤。本系统基于KL人脸识别技术设计考勤系统,在KL变换人脸识别算法基础上,通过增加或改变不同人脸姿态,改进人脸识别算法[3],大大提高了人脸识别率。用户可通过本系统来采集人脸图像,定义不同姿态数以获得全姿态数据库。使用过程中若有不能识别情况出现,可改变或增加姿态数,重新学习训练以得到正确识别。经过测试,本系统已达到可实际推广使用。
人脸识别系统设计
KL变换原理是以随机向量信号X的协方差矩阵Ф的归一化正交特征向量q所构成的正交矩阵Q,来对该随机向量信号X做正交变换Y=QX。PCA(Principal Component Analysis)是对变换矩阵Q中的特征向量进行主分量提取的分析方法[4]。特征脸的实现方法有两种,一种是特征值分解,另一种是奇异值分解[5]。特征脸方法是从KL导出的一种人脸识别技术[6],是将人脸的图像看作是一种随机向量,根据KL变换原理计算得到其正交KL变换矩阵Q。计算出变换矩阵Q的特征值和特征向量,通过统计分析排序,取出变换矩阵Q中较大特征值所对应的特征向量作为特征脸基底。利用特征脸基底的线性组合可以描述和逼近人脸图像,即可以进行人脸识别与人脸合成。由基底组成的变换矩阵B为图像训练样本的总体散步矩阵。KL变换也是图像压缩中的一种最优正交变换。
1.KL变换[7-10]
式中Cx为N×N对称矩阵。
设从同一随机向量得到M个样本Xi,则其数学期望和协方差矩阵可近似表示为:
协方差矩阵Cx对应特征向量和特征值,其中λ1>λ2>λ3>···>λN,
那么,KL变换核矩阵Ф是由Cx的特征向量构成:Ф=[e1e2···eN],
2.图像特征脸基底的确立[11-17]
假设人脸图像有N个像素,则可以用N维向量r表示。如人脸训练集由M幅人脸图像构成,则可以用矩阵表示人脸训练集。
协方差矩阵Cx的特征向量e为人脸空间的基向量,也称特征脸,由所有特征向量组成的矩阵Ф称为特征脸基底。一般情况下,图像像素N比图像数大得多,其协方差矩阵Cx为N⋆N维矩阵,直接求解它的特征向量是困难的,因此引用奇异值分解定理来求协方差矩阵Cx的特征向量。
奇异值分解定理是,设X为一个n×r维矩阵,秩为r,则X存在两个正交矩阵:
以及对角阵:
公式(11)中的U是X×XT的特征向量矩阵,具有n×n的方阵(U里面的向量是正交的,U里面的向量称为左奇异向量);V是XT×X的特征向量矩阵,具有r×r的方阵(V里面的向量也是正交的,V里面的向量称为右奇异向量);Σ是一个n×r的矩阵(除了对角线的元素都是0,对角线上的元素σi称为奇异值)。特征值与奇异值关系:。上述分解称为矩阵X的奇异值分解。
奇异值分解定理推论:若V向量已求得,则U=XVΣ-1,即
一般情况是,人脸训练集所包含的图像数比图像的像素数要小得多,为了计算简单快速,根据奇异值分解定理,可以转求矩阵Cx=δT×δ的特征向量V(包含M个M维向量,M为人脸训练集图像总数)。
根据特征脸分析法,M个图像中,取L(L<M)个特征脸足够用于人脸识别。所以,仅取V的前L个最大特征值的特征向量计算特征脸。其中L的大小由阈值θ确定,即:
最后,根据奇异值分解定理的推论,由这L个V向量计算出L个U向量,U向量组成的特征向量矩阵Ф作为特征脸的基底。
3.图像的识别
图像识别过程就是将人脸图像映射到由特征脸生成的空间上,比较其与已知训练人脸在特征脸空间中的位置而得到识别确认。具体步骤如下:
(1)初始化,建立人脸图像库以供设计及学习训练用。
(2)根据人脸图像库计算特征脸,建立特征脸空间基底。
(3)用人脸图像库进行学习训练,建立特征脸空间数据库。
(4)输入待识别人脸图像,将其映射到特征脸空间基底,得到一权值向量。
(5)通过匹配,得到待识别图像与特征脸子空间的距离大小,由此判断它是否为特征脸空间数据库中的人脸。
(6)若是特征脸空间数据库中的人脸,根据权值向量识别其身份,得出结论。
系统算法设计及编程实现
1.算法设计
(1)建立训练图像存放文件夹,每人一个子文件夹,每子文件夹存放多种不同姿态的相片。
(2)读入训练图像(图像按列进行扫描,把二维图像数据转换为一维数据)。
(3)建立图像矩阵R(每列数据为一幅图像)。
(4)求图像矩阵平均值向量m。
(5)计算出误差图像δ。
(6)计算协方差矩阵Cx。
(7)计算协方差矩阵Cx的特征值D及特征向量V。
(8)对特征值进行降序排序,得序号。
(9)根据特征值序号对特征向量V进行降序排序。
(10)根据阈值取出特征值较大的特征向量作
为主要特征向量。
(11)由V的主要特征向量计算U特征向量,建立特征脸空间基底Ф。
(12)由训练图像投影到特征脸空间基底Ф,建立人脸子空间库。
(13)读入被识别图像I。
(14)计算I对Ф的投影,并在人脸子空间库中进行匹配。
(15)匹配结果判别是否为人脸,若是则进行身份识别,若不是则发出警示报告。
(16)若识别是错误的,则继续增加姿态相片数,返回步骤(1)重新学习训练。
2.编程实现
(1)图像获取模块:取得的图像经过预处理后存放到各自的文件夹。该模块主要是从红外光或自然光摄像头拍照后捕捉的人脸图片,也可以从图片库中获取。本系统中的图片可以在软件的界面中选择显示以方便用户使用或识别。
(2)建立人脸数据库模块:读入训练图像,建立特征脸空间基底Ф,再由训练图像投影到特征脸空间基底Ф建立人脸子空间库,最后把训练的人脸子空间库存盘。若出现识别错误,可改变或增加姿态,重新学习训练。
(3)导入人脸知识数据库:程序重新运行时,把人脸子空间知识库导入内存。
(4)输入检测图像模块:读入被识别图像,投影到特征脸空间基底Ф。
(5)检测及识别模块:被识别的特征脸与人脸子空间知识库进行特征匹配,得出识别结论。
(6)如果识别错误,则增加姿态,返回步骤(2),重新建立人脸子空间库。
程序运行主要界面如图1所示。
图1 系统主界面
3.软、硬件运行环境及调试运行
硬件要求:PⅢ以上CPU;4G以上内存;100G以上硬盘空间。
软件要求:W indowsXP及以上版本操作系统;采用可视化面向对象程序设计的Matlab2007版本为系统开发平台。
本系统建立100个人的人脸库作为系统调试,结果是:如果用人脸库中人脸进行识别,则正确率达100%;如果不是用人脸库中的相片而是用同个人的不同相片进行识别,则正确率可达90%以上;通过增加同个人的不同姿态相片数,则可不断提高正确识别率,若出现错误识别时,则继续增加不同姿态数以达到正确识别;调试过程中,本系统增加到8个不同姿态数时,正确识别率达到100%。
本系统经过调试修改及实践验证,已能全面满足设计需要,可供人事考勤使用,有着较高的实用价值。
结论
本系统具有如下特点:
1.界面友好,使用方便,操作简单,运行效率高。可选择显示库中图像,方便用户使用。
2.可方便新增图像或改变图像快速建立训练图像人脸知识库。
3.特征脸方法是一种基于K.L变换的人脸识别方法。用于人脸识别可以取得很好的识别效果,其识别率可达到80%~100%不等[7],这取决于人脸库图像的质量或增加或改变不同姿态。
4.识别简单有效,速度快,效率高。K.L变换是图像压缩中的一种最优正交变换。从能量的角度看,K.L变换是最优的,它不仅使降维前后的均方误差最小,通过低维子空间表示对原数据进行有效压缩,使计算简单快速,而且变换后的低维空间有很好的人脸表达能力。
5.图像的原始灰度数据可直接用来学习和识别,不需人脸的几何和反射知识。
6.特征脸识别效率主要取决于尺度、光照及姿态。本系统对图像能进行尺度归一化,光照直方图均衡化,每人存储多幅不同姿态的图像建立全姿态人脸知识库,以提高识别率,可不断增加姿态,直至完全正确识别。通过这些技术改进,并经过测试,本系统已达到设计要求,可供正常使用。
(作者单位:武夷学院海峡成功学院13级机械班)
[1]刘丽娜.基于特征脸和多特征的人脸识别算法研究.山东大学硕士论文,2006-05-22
[2]李江.红外图像人脸识别方法研究.国防科学技术大学博士论文,2005-06-01
[3]李刚.基于特征脸法的正面人脸识别研究.国防科学技术大学硕士论文,2002-11-01
[4]梅健强.基于线性子空间方法的人脸识别技术.天津大学硕士论文,2007-01-01
[5]刘翠响.人脸识别中高维数据特征分析.河北工业大学博士论文,2008-04-01
[6]孙鑫.特征子空间法人脸识别研究.电子科技大学硕士论文,2005-01-01
[7]龙琰.基于K-L变换的人脸检测.四川大学硕士论文,2004-10-20
[8]曹丽.基于Gabor滤波器的人脸特征提取算法研究.东北大学硕士论文,2008-01-20
[9]李琳莉.人脸识别的图像处理算法.内蒙古大学硕士论文,2007-05-18
[10]雷明.基于小波变换与奇异值分解的人脸识别技术研究.沈阳工业大学硕士论文,2007-01-08
[11]王计元.基于肤色特征人脸检测的自动人脸识别系统的研究.华东师范大学硕士论文,2005-05-01
[12]黄轩宇.统计人脸识别系统的研究.东南大学硕士论文,2005-04-01
[13]黄晓丽.基于统计的自动人脸识别系统.西安电子科技大学硕士论文,2005-01-01
[14]李杰.基于小波和Fisher脸的人脸识别算法研究.北京交通大学硕士论文,2008-06-01
[15]董昆.基于加权特征脸和BP神经网络的人脸识别.吉林大学硕士论文,2007-04-23
[16]徐熙君.人脸识别及其遗传算法实现.青岛大学硕士论文,2005-10-10
[17]刘嵩.基于特征融合的人脸识别[J].湖北民族学院学报(自然科学版),2011(2)