人脸识别系统的优化研究

段君玮

摘要：由于基因和后天因素影响，人脸特征具有唯一性，是良好的身份信息认证依据。随着科学技术的进一步发展，人脸识别技术在公共安全、刑事侦查、电子商务等领域应用越来越广泛。为了进一步提高人脸识别技术的泛用性和准确性，该文主要对人脸识别系统的问题和优化方法进行浅析。

关键词：人脸识别；光线因素；人脸库；聚类算法

中图分类号：TP311 文献标识码：A

文章编号：1009-3044（2019）08-0133-02

随着计算机技术和多媒体网络技术的加速发展，我国各个领域逐渐与数字网络技术实现接轨，身份验证与识别工作更加隐蔽，如何快速、高效地实现身份识别是保证生产效率、财产安全、智能监控的重要技术因素。相较于其他身份认证手段，账号密码、身份证等身份等方式容易发生丢失、盗用、冒用，而人脸识别是基于人的生理特性为基础的身份验证和识别技术，具有不易丢失、难以伪造、无须携带的优势，其为更有效的实现数人身信息认证提供了一种较完美的思路。

1人脸识别的概念

人脸识别技术是基于脸部特征认知的身份识别技术的一种类型，其是一种跨学科的身份认证技术，涉及计算机图像学、计算机视觉、比对鉴定识别等多学科技术，有些时候还需要夜间红外侦测技术、自动调整曝光技术、影像方法技术等作支持。

人脸识别技术是一种生物特征识别技术，其实根据人的面部特征，对输入的人脸图像信息进行处理和比对后进行“是否存在人脸”“人脸大小、特征如何”“是否与比对图像相符”等判断和处理。然后提取图像中有用信息，与已知的人脸信息进行比对并做符合度判断，从而实现准确的身份特征认定。狭义的人脸识别指的就是将人脸信息与图像信息进行比对，而广义的人脸识别则包括了人脸采集、人脸检测、人脸信息预处理、特征提取与比对的综合性身份认证技术。

2人脸识别技术的发展和应用

随着现代通信技术的发展，我国逐渐进入“大数据时代”，3G、4G以及广域WIFI的覆盖，智能设备的类型的增多、应用范围的普遍，很多设备都具备搭载摄像、录像功能的条件，同时移动设备也是人们保存与自身相关信息的重要设备，尤其是在移动支付、网上银行、电子商务规模扩大之后，关于移动设备身份信息验证的研究成为社会上的热门。

传统的身份认证多为账号密码的形式，但是账号和密码很容易被丢失、遗忘或盗用，这就使设备使用的安全性受到影响，甚至会对当事人的财产和私人信息安全产生不利影响。如今，大部分电子设备都搭在了图像捕捉功能，使得这些设备具备光线捕捉、图像追踪的功能，这就具备了人脸识别的硬件基础。如果搭载上相应的算法或软件，便可完成基本的人脸识别。

从人脸识别概念的提出到现在，人脸识别技术的研究已有约五十年的历史，已相对成熟。现如今大部分设备都可进行简单的人脸识别，手机信息安全、网络安全、电子商务等活动中人脸识别技术都有良好表现。

3现阶段人脸识别技术的不足

3.1光照环境对识别率的影响

当前人脸识别技术能够发挥其作用需要在特定的环境、地点以特定设备进行人脸图像采集。在特定条件下，光照条件较良好，采集到的人脸图像较清晰，面部特征较明确，因此可以有效识别和认定。但是随着移动设备的普及，移动设备的使用并不局限于特定条件下，根据实际外部环境的改变，人脸图像的采集條件也会发生改变，如果光线条件较恶劣，则可能出现曝光不足或过度曝光的情况，这时人脸识别的性能将急剧下降。

3.2人脸识别算法问题

现今是全网联通的大数据时代，在网络空间内有大量的人脸信息库，而较常用的人脸识别算法是最近邻检索发，通过顺序比较或穷尽式比对采集到的人脸和人脸库中人脸的相似度，由于数据网络的存在，人脸库的规模也因此扩大，人脸识别传统算法的效率也因此降低。

3.3存储问题

人脸识别的泛用性受到人脸库容量的限制，只有当人脸库规模足够大时，人脸识别才具有安全意义、社会效益，但是上面提到了，当人脸库过于庞大时，人脸识别的效率就会降低，同时设备可能会面临处理信息量超过荷载而崩溃的问题。

4人脸识别系统的优化设计

4.1光线预处理方法

光线是人脸识别的必要条件，也是对人脸识别影响最显著的环境条件，如果无法保证每次捕捉人脸图像时都具备相同的光照条件，那么就需要通过系统优化尽可能地降低光线对人脸识别的影响，那么就需要对人脸识别的光线进行预处理。根据相关光学理论，可以采用三种方法对人脸识别光线进行预处理。

第一种法就是利用直方图均衡化来加强图像全局上的对比度，也可利用对数变换进行处理。将图像中人脸部分密度值较大的部门进行压缩，密度值较小的部分进行扩展，使整个图像的密度值达到相对均衡的状态，从而实现对比度的均衡化。当然也可以采用较烦琐的流程将图像全局对比度均衡化，通过灰度矫正、高斯差分、对比度均衡等一系列处理。通过改变对比的方法虽然可以在一定程度上克服光照影响，但在实际复杂的光照条件下能够发挥的效用仍较为有限。

第二种方法则是通过构建光照模型来模拟不同光线条件下的人脸图像，这种方法是基于表象的人脸识别模型，利用光照凸锥代表人脸图像，然后在低维空间内再构建出人脸模型，这种方法基本上可以避免光线强弱对人脸特征的定位和捕捉的影响，但是需要大量的计算量，对设备的要求较高，操作成本也较高，因此并非所有场合都可适用。

另外一种方法则是根据郎伯反射模型的光线预处理方法，通过扩展SSR输出为MSR。MSR对灰度人脸图的处理效果较好，因此可以弱化光线因素影响，但是经MSR处理后，图像颜色可能失真，不能准确呈现人脸图像的原本颜色效果。但是如果仅仅作为身份信息验证，这种光线预处理方法的效果则较为可靠。

4.2云数据时代人脸库的利用

大数据时代，由于广域万维网络的普及，各地区人脸库实现数据上的联通，这就使得人脸识别的比对人脸库的规模爆炸性增加，但是传统的计算机算法是基于小容量人脸库的穷尽式或相邻式比对规则。如果无法在短时间内将人脸特征与人脸库内图像比对完毕，那么就会导致人脸比对的准确性和识别效率降低。

通过系统优化设计可以大大提高人脸识别效率，实现大规模人脸库的比对。比如可以通过基于Intel的多媒体拓展技术来实现扩展基本的加速，从而提高人脸识别速度，有学者进行过相关实验研究，该种方法可将人脸识别速率提高14倍左右，但该法需要专用设备进行Intel多媒体扩展，因此居于较大的局限性，不能广泛应用在工作和生活中。

近期有学者提出可以根据主量分析的多模式局部人脸识别的算法，通过压缩感知技术来降低大规模人脸库中人脸特征的维度，来降低计算量，从而在不调整设备的基础上实现识别效率的提高。但是该法的准确率相对较低，准确率在40%左右。

在前述两种方法的基础上提出了一种分级检索识别方法，以人脸某一特征的相关数值参数为关键词进行初步检索，然后在对应子集中将图像进行编号和排序，然后在进行深度比对实现身份信息认证。这种检索比对方法实际上经过了两个算法，分别是人脸特征提取和子集寻找，然后是子集内人脸图像和获得人脸比对。但是当人脸库规模极为庞大时，该法的检索识别时间仍较长。

4.3聚类算法

聚类算法是专门针对大规模人脸库提出的一种检索比对方法，整体思路上是将数据对象的集合分为若干个子集，其中每一个子集代表一个类别。比如人脸上有基本的五官特征，那么可将人脸的构成分为“眼睛”“耳朵”“鼻子”“嘴巴”等多个集合，识别时先进行初始划分，然后利用迭代技术，通过移动不同聚类中的对象来改变划分依據，从某一划分标准中找到相似度较高的样本，再进行基本的人脸识别。但是该算法只是一种思路，对其进一步优化和设计可以进一步提高人脸比对的准确率和效率。

在聚类算法的基础之上，可以结合光线预处理的思路进行系统优化上的叠加，比如聚类算法与模型方法结合，聚类算法和层次方法结合，聚类算法与图像密度法结合等。这样可以同时发挥聚类算法效率性和图像预处理法的准确性。

5面向移动设备的人脸识别系统构建

5.1注册模块设计

首先要明白注册模块在人脸识别系统中的意义，其是用户将自身身份信息与人脸信息进行绑定的主要操作，因此就意味着注册模块必然包含两部分功能，人身信息的录入和人脸图像的录入，那么就需要配备相应的软体。

具体工作流程大体如下：1）用户输入姓名等一般人身信息后，获得独立的ID和登录密码，用户可通过账号、密码的形式登入系统。2）用户通过设备搭载的摄像设备，将个人面部信息录入。3）用户确认面部信息和身份信息无误后，同意相关条款，将身份信息和人脸信息绑定。4）用户注册完成，以后可通过人脸识别登入系统，同时保留账号密码登录通道，当人脸识别无效时作为应急登录手段使用。

5.2人脸识别流程的

人脸识别的本质是验证人脸信息与已保存人脸信息是否相符的核查过程。这个环节中主要有两个环节，人脸图像或信息的获取、信息是否相符的比对。那么移动设备待在的人脸识别软体应当具备这两项功能，录入和识别确认。

录入可以通过获取摄像设备权限来实现。为了方便人脸图像的获取，可以在程式中搭载辅助系统，比如在启动摄像后，窗口内以绿色或红色标记取景范围，用户自觉调整焦距或取景距离，尽可能保证人脸图像获取的分辨率和精细度，以促进识别效率。在获取人脸图像后，软体根据固有算法在WIFI、3G、4G等通讯网络的支持下连接人脸库实现比对工作，和对无误后，用户登入系统，获取相应权限并进行财产处分、安全管理等操作。

参考文献：

[1] 高青，向南刚.大数据环境之下基于人脸识别的安全系统分析[J].科技传播，2015，7（13）：108，95.

[2] 周军，吴旻中，陈鑫等.大数据环境下的视频智能分析技术应用研究[J].广东公安科技，2017，25（1）：15-17.

[3] 柴晓丽.大数据环境下人脸识别技术在智能监控系统中的运用分析[J].电视技术，2018，42（7）：38-42.

【通联编辑：代影】