基于机器视觉的人脸生物特征改进识别技术

温宏愿 刘小军 刘增元

摘  要： 传统识别方法主要通过谱回归和矩阵完整性约束，从带噪声的原始数据中得到干净的输入数据，达到提高识别人脸生物特征的目的，但忽略了低秩投影矩阵对识别带来的干扰，导致识别精度低、效率差的问题，故提出基于机器视觉的人脸生物特征改进识别技术。通过摄像机代替机器视觉对人脸图像进行采集，构建人脸图像双色反射模型，对人脸图像进行预处理，并以机器视觉为基础，结合局部差分二值模型（LDBP），实现对人脸生物特征识别的改进。实验结果表明，相比于传统识别技术，采用改进识别技术在进行人脸生物特征识别方面的识别精度较高，实用性较强，具有一定的优势。

关键词： 机器视觉; 人脸; 生物特征识别; 摄像机; 双色反射; 局部差分二值模型

中图分类号： TN912.34?34; TP391                 文献标识码： A                 文章编号： 1004?373X（2018）10?0161?03

Abstract： In the traditional identification method， the recognition rate of human face biological features is improved by means of spectral regression， matrix integrity constraint， and obtaining clean input data from the original data with noise， but the recognition interference brought by low rank projection matrix is ignored， which causes the problems of low recognition precision and poor recognition efficiency. Therefore， a human face biological feature improved recognition technology based on machine vision is proposed. Cameras are used as machine vision to collect human face images. The human face image dichromatic reflection model is constructed to perform preprocessing of human face images. On the basis of machine vision， the improvement of human face biological feature recognition is realized by combining with the LDBP model. The experimental results show that in comparison with the traditional identification technology， the improved recognition technology for human face biological feature recognition has high recognition precision and strong practicability， which has certain advantages.

Keywords： machine vision; human face; biological feature recognition; camera; dichromatic reflection; LDBP

0  引  言

人類自身身份的识别需要更高的精准性、实用性与安全性，主要是由于人类物理与虚拟活动空间的增大，网络与通信技术不断提高，增加了识别难度。常用识别方法一直存在一些问题，例如人在面前，却由于身份信息的缺失，无法进行身份的有效确定。为了解决这一难题，生物特征识别技术应运而生，其原理为通过收集和采用人的生物特征样本，再经过计算机技术，识别人的身份。生物特征按特点被分为生理和行为特征，由于生物识别技术不易丢掉，具有更高的安全性，确认也更为方便，在身份认证领域有很好的发展前景[1]。但生物识别技术也会因采集技术的不完善、采集条件复杂等造成干扰，导致识别结果出现识别效率低、误差大的问题。对此提出基于机器视觉的人脸生物特征改进识别技术，即人脸从几个角度被不用的两台摄像机拍摄、以及空间点在图像中的生物特征位置被确定是经过选择特征和特征被提取，结合LDBP模式，识别人脸生物特征，并进行实验对比分析。

1  人脸图像采集

在进行人脸生物特征识别时，需要对人脸图像进行采集，将两台摄像机对同一人脸从不同角度进行拍摄，标定出摄像机坐标系描述空间中某点的位置[2]，用[PcXc，Yc，Zc]来代表空间中点，光心[Oc]代表原点，光轴用[Zc]代替，并且垂直于成像平面，成像平面水平轴与垂直轴则为[Xc]轴与[Yc]轴。摄像机坐标系图如图1所示。

2  人脸图像双色反射模型

在进行最初的脸图像双色反射模型时，不需要建立对角模型的随机路径算法，对人脸生物特征进行双反射处理，其因经过独立处理人脸图像的三个色彩通道后[5?6]，可直接计算像素点[i]校对后的值，即从此点启程的任意N条路径相邻点的相对亮度均值[7]，N越多效果越好，其相对亮度均值为：

3  生物特征识别方法的改进

人脸生物特征识别过程中，在采用机器视觉获取人脸图像并进行预处理的基础上，采用LDBP模式进行生物特征识别。LDBP是人脸生物特征识别中的经典判断准则，但由于LDBP能有效地获取人脸图像里的二阶方向局部构造的有效性及复杂度[11]，所以采用LDBP形式对人脸生物特征进行直方图统计，获取适合识别的模式，组成新的特征，用于识别。具体过程如下：

1） 为了获取统一规格的人脸图像，对采集的人脸图像进行检测、归一化处理等预处理。

2） 为了保存人脸的空间位置数据，加强人脸生物特征，增加特征获取的有效性，使用LBP方法对预处理的人脸图像进行分块[12];对每一分块实行LDBP水平及垂直方向的编码处理，获取相应的均衡模式水平直方图、垂直直方图，并将水平直方图、垂直直方图实行衔接，组成LDBP模式直方图。

3） 对全部分块的LDBP形式直方图进行可分值大小降维并连接起来，组成新直方图，最后获取整体特征为H。

4） 经过计算测试样本及训练库样本里的整体直方图相似度，获取和测试样本相似度最相似的类别，诊断显著人脸生物特征，即为最后识别结果。

4  實验结果分析

为了验证本文所提出的有效性及可行性，实验测试程序的PC机配置为Intel Core 2 3.2 GHz 处理器，32 GB内存，Windows 7操作系统，使用Visual Studio 2005和OpenCV编程环境，1 024×768为摄像头的原始分辨率，实验采用传统识别方法对比，以识别准确度为指标进行实验对比，结果如图3、图4所示。

图中，红色部分为需要识别的人脸生物特征，蓝色部分为人脸全部特征。

由图3、图4可知，在时间一定的情况下，采用传统方法进行人脸特征识别时，其识别区域一定的情况下，特定区域识别结果存在杂质，选中的区域中掺杂有其余特征，导致识别准确度较低;采用改进方法进行人脸生物特征识别时，其对识别区域内的生物特征识别较准，且在选定区域中，无其余杂质特征掺杂，识别准确度较高。

5  结 论

针对传统识别方法一直存在识别误差大的问题，提出基于机器视觉的人脸生物特征识别技术，引入机器视觉对人脸图像进行采集，再进行生物特征识别。实验结果表明，采用改进识别技术，在进行人脸生物特征识别方面，识别精度较高，实用性较强，具有一定的优势。

参考文献

[1] 肖建力，张静.联合人脸与指纹的多模态生物特征识别方法综述[J].上海理工大学学报，2017，39（1）：51?57.

XIAO Jianli， ZHANG Jing. Survey on the multimodal biometric identification by fusing faces and fingerprints [J]. Journal of University of Shanghai for Science and Technology， 2017， 39（1）： 51?57.

[2] 李艳萍，姜颖，胡金明，等.基于曲波变换和余弦测度的人脸识别方法[J].计算机科学，2016，43（5）：294?297.

LI Yanping， JIANG Ying， HU Jinming， et al. Face recognition method based on curvelet transform and cosine rules [J]. Computer science， 2016， 43（5）： 294?297.

[3] 杨培德，黄仁裕，尤俊生.基于生物特征识别的终端安全管理系统的算法研究[J].计算机科学，2016，43（12）：225?227.

YANG Peide， HUANG Renyu， YOU Junsheng. Study on algorithms for terminal security management system based on biometrics recognition [J]. Computer science， 2016， 43（12）： 225?227.

[4] 栗科峰，骆继明.基于局部结构分解的人脸图像特征提取方法[J].激光杂志，2015，36（11）：71?74.

LI Kefeng， LUO Jiming. Face feature extraction method based on local structure image decomposition [J]. Laser journal， 2015， 36（11）： 71?74.

[5] 吴从中，刘渠芬，詹曙.基于稀疏表达的人脸遮挡物去除[J].合肥工业大学学报（自然科学版），2015（5）：615?617.

WU Congzhong， LIU Qufen， ZHAN Shu. A face occlusion removal method based on sparse representation [J]. Journal of Hefei University of Technology （Natural science）， 2015（5）： 615?617.

[6] 唐守军.基于人脸识别和密码认证的文件夹加密方法[J].现代电子技术，2016，39（3）：80?83.

TANG Shoujun. Method of folder encryption based on face recognition and password authentication [J]. Modern electronics technique， 2016， 39（3）： 80?83.

[7] 韩涛.基于比率图的表情映射机器视觉[J].科学技术与工程，2017，17（14）：239?242.

HAN Tao. Expressive expression mapping with ratio images of machine vision [J]. Science technology and engineering， 2017， 17（14）： 239?242.

[8] 杨巨成，刘娜，房珊珊，等.基于深度学习的人脸识别方法研究综述[J].天津科技大学学报，2016，31（6）：1?10.

YANG Jucheng， LIU Na， FANG Shanshan， et al. Review of face recognition methods based on deep learning [J]. Journal of Tianjing University of Science & Technology， 2016， 31（6）： 1?10.

[9] 马晓，张番栋，封举富.基于深度学习特征的稀疏表示的人脸识别方法[J].智能系统学报，2016，11（3）：279?286.

MA Xiao， ZHANG Fandong， FENG Jufu. Sparse representation via deep learning features based face recognition method [J]. CAAI transactions on intelligent systems， 2016， 11（3）： 279?286.

[10] 赵喜玲.步态与人脸融合的身份识别方法[J].信阳师范学院学报（自然科学版），2017，30（3）：460?463.

ZHAO Xiling. Research on human identification based on gait and face [J]. Journal of Xinyang Normal University （Natural science edition）， 2017， 30（3）： 460?463.

[11] 李明夏，陈斌.基于监控视频的稳定实时人脸跟踪系统构建[J].计算机应用，2015（z2）：250?253.

LI Mingxia， CHEN Bin. Robust and real?time face tracking system construction based on surveillance video [J]. Journal of computer applications， 2015（S2）： 250?253.