人脸识别中特征提取和匹配算法研究

李天向 丁潇潇 西安电子科技大学

引言

随着人脸识别技术的出现以及应用，不仅提高了工作效率和质量，而且节约了更多的资源成本，深受很多用户的信赖。然而在人脸识别技术的发展和应用中，还需要攻克特征提取和匹配算法的两大难题，消除各种影响因素，促使人脸识别技术更加高效准确。

一、人脸识别的基本内容

影响人脸识别系统的因素分为个人用户需求和匹配算法，因此要构成一个比较完整、准确的人脸识别系统，就必须高度重视图像预处理、人脸检测、面部特征提取、分类识别这四个环节，要将每一个子系统的价值与优势都充分发挥出来，才能促进人脸识别研究的高速发展，进而为社会做出更大的贡献，实现双赢的局面。

图像预处理是指人脸图像的采集以及简单处理，要确保图像具有高效率和质量的识别力度。由于每一个人的脸部特征都有所差异，因此在图像采集时就会受到各种因素的影响，进而导致图像分辨率低下。

人脸检测是指判断图像中是否存在人脸，并且判断其所在的位置。人脸检测算法还可以进一步判断出人脸在图像中所占的比例，推测出人脸五官的具体位置。

面部特征提取属于人脸识别过程中的重要环节，特征提取的质量好坏将直接影响到人脸识别的质量好坏。特征提取的主要目的是为了寻找出人脸图像上像素点之间的差异，利用像素点之间的差异性来建立特征向量，为以后的识别奠定基础。

分类识别是指在特征提取完之后，通过特征提取到的算法进行特征的组合，进而寻找合适的分类器进行人脸识别。

二、人脸识别中的特征提取方法

（一）经验规则方法

经验规则方式是指研究人员在拿到人脸图像时，先根据自身的经验进行基本信息的提取和理解，进而根据自身的理解程度制定合适的分类规则。人脸识别主要是根据人面部的五官特征，如眼睛、鼻子、耳朵、嘴。每一个人的五官在面部上的分布规律都会有所不同，因此根据分布规律即可制定合适的特征标准。例如：每一个人的正脸图像，眼睛呈对称形分布，眼睛下方、鼻翼两侧都会有一定比例的阴影存在，因此就会产生灰度差异。这时研究人员可以根据这些分类规则，提前制定出一套关于特征提取方法。

采用这种特征提取的方法，操作比较简单快捷，但是对于研究人员的自身经验与图像预处理能力有一定的要求，因此就会受到很多因素的限制。这种特征提取方法只能当做人脸识别中的初步特征提取，如要获得更加精准的特征，还需要进行不断的深入研究。

（二）色彩特征提取方法

人脸图像上的色彩分为三种主要基色分别为灰、黑、白，因此在特征提取时，也可以根据图像中的色彩分布来提取人脸特征。这种特征提取方法需要对人脸图像上的色彩信息有一个全面的了解，进而通过整理、归纳，建立基本模型，通过色彩比例与模型进行对比，进而提取特征。例如在人脸图像中，眼睛下方、鼻翼两侧颜色为灰，眼睛会有一定的黑白比例，肤色也有所不同。

（三）几何形状方法

几何形状方法主要是借助模型的构建，将人脸图像中所包含的几何形状与模型进行对比分析，进而进行特征的整理归纳，进而找到相似目标。几何形状方法充分利用了图像色彩特征信息的波峰波谷、边缘特征和灰度分布，只要找出这些信息的相关联系，就可以构建合理的模型图。这种方法能够快速检测出人脸图像中色彩信息和全局边缘特征，在目标寻找中更加精确化。

（四）统计方法

统计方法的本质就是利用模式识别的思想，将人脸图像当中所包含的所有信息，都当做有效信息，通过相应的整理与归纳，将这些信息划分为特征信息与非特征信息，进而提取有效信息。常见的算法有结合PCA的特征提取、结合人工神经网络的特征提取、结合支持向量机的特征提取等。

三、尺度不变特征变换算法的特征提取

尺度不变特征变换算法也分为四个环节，分别为构建尺度空间、检测搜索极值点、寻找最佳极值点、生成特征向量。

在应用尺度不变特征变换算法的特征提取时，需要对人脸图像的尺度空间相关内容有一个全面的了解，接下来根据尺度空间来寻找出关键点。在极值点的寻找过程中，需要根据尺度空间图像的坐标（f（x,y））与高斯参数（z）来建立以下搜索公式：

在上述公式中，字母a代表图像中相邻两个尺度之间的比例关系，是常数值。

在关键点找到之后，接下来就需要确定关键点所发展的方向。确定方向时需要通过像素点的构建，然后根据特征向量，这样才能在尺度不变特征变化的算法下提取特征。根据关键点以及发展方向，用字母a来表示相邻两个空间尺度之间的比例关系，然后用关键点作为圆心，用1.5a和3倍的1.5a作为半径，进行圆的勾勒，其计算公式就如下所示：

在发展方向确定之后，然后采用统计方法，进行关键点的提取，并且进行规律统计。其分布示意图如下：

最后一步就是特征的生成。先要将坐标轴按照特征点的分布方向进行依次旋转，每一个方块内的箭头朝向，就是该区域的梯度方向，当特征点接近梯度向量时，表面关键点的信息就越多，特征提取的精准度就越高。

四、SURF算法的特征提取

SURF与尺度不变特征变换的提取流程有着很大的差异，然而这种算法的提取速度非常快。SURF算法选用了海塞矩阵行列式特征值的近似值来生成尺度空间，其公式如下：

将计算得到的特征值，根据特征值的正负判断，进而整合划分为关键点，根据关键点来进行像素点的对比。

接下来就需要进行特征点的候选，特征点的候选也就是上述算法当中的极值点确定，将同一尺度空间内的像素点值进行对比分析，进而筛选出最大值与最小值中的关键点，进而作为候选特征点。

最后一个环节就是特征点的发展方向计算，需要根据关键点所在圆形区域的haar小波进行特征分析，然后采用加权法计算出综合，再将haar小波的长度拉伸为4s，在每一个圆弧区域内分别计算出各自相对应的方向。然后再将提取的扇形按照一定区间进行旋转，选出该区域内所有方向一致的关键点所指方向。其过程如下图所示：

五、结语

综上所述，人脸识别技术涉及到了很多学科领域，更是计算机领域最为热门的研究技术之一。人脸识别技术相比于传统的生物特征识别技术，不仅具有着识别精准、速度迅速、操作简单快捷的优点，而且耗费的成本费用较少，深受很多用户的青睐。因此在今后的发展中，就可以大力推广和应用人脸识别技术，进而提高精准度。