一种基于单视图的多姿态人脸识别算法浅述

宋进 欧海宁

湄洲湾职业技术学院 福建莆田 351100

随着科学技术的进步，越来越多的高新技术被应用在了人们的生产生活当中，这在推动现代社会发展的同时，也让人们的生产、生活方式发生了很大的改变。作为最成功的生物识别方法之一，人脸识别应用最为广泛[1]。识别人脸的计算机可以用于各种问题，包括犯罪识别，安全系统，静止图像，视频处理和人机交互等。因此，文章主要该部分进行讨论，对人脸识别以及相应的处理技术的发展现状与具体应用进行了解，并对简单探讨和描述一种基于单视图的识别算法。

1 人脸识别技术的内涵

人脸识别和视频处理技术是根据人类脸部信息进行身份识别的一种现代化生物识别技术，其主要是通过对人的图像信息进行采集，以此来完成人脸的自动检测与跟踪。当前人脸识别的常见方式有：几何光学结构、子空间局部特征识别以及大数据人脸库深度学习。

对现有的人脸识别系统，在人脸和人脸姿态类似的情况下，人脸识别率相当高。然而现实中更常见的是需要去识别来自不受控制状态下的人脸图形。但是当人脸姿态发生多种变化时，人脸识别系统的识别率也会相应地降低。因姿态不匹配引发的问题相当复杂，因为局部特征信息已经从常规特征向量分量中被更改。改善这一问题的最有效的方式就是通过采集多姿态人脸来处理。

2 单视图人脸识别的重要作用

在单视图人脸识别样本中，大部分情况下，样本库中实际上只能和一张图像做对比，只有极少数情况中会存在着多种姿态的人脸识别。

单视图的多姿态人脸识别在应用中面临着巨大的挑战和困难，如何完美地解决这个难题，对于社会现实具有重要的应用价值和意义。因为基于单视图的人脸识别具有诸多的优势，不仅可以降低多姿态人脸识别的成本，还可以减轻人脸采集工作量。甚至可以在已有的数据库基础上，拓展和建立新的人脸库，以有效降低资源消耗。从而在特征选取时需从减少计算量与存储量、保留贡献率较高的信息两个方面出发予以实践，确保人脸识别系统运转高效。

单视图的人脸样本有效地缩小了储存空间，可以在有限的空间内放更多的单个人脸图像，提升了系统的扩展性。在优化了算法的情况下，如果运用信息技术针对图像进行归一、去噪、平滑等处理，规避外部环境、成像因素、光照等条件对图像识别造成的干扰，为图像后续分析处理铺平道路。

3 基于单视图人脸识别的算法

3.1 多姿态人脸生成算法基本原理

由于人脸的器官分布的相似性，以及明显的结构特征和局部特征特点，本文可以完全利用类似点和结构特征去创建多种姿态下的人脸几何形变函数，从而形成多姿态的人脸图像。当人的年龄或者面部表情，甚至光照角度和遮挡部位发生改变，都会导致人脸产生一些变化，对生成结果产生干扰。但是，人面部一些主要的局部特点却不会因为这些细微的变化而发生变化。把人的面部图像分成多个局部的特点，再把这些面部的特点加以分散，让干扰的因素仅仅可以对局部的面部特征产生影响，从而可用采取没有干扰因素影响的面部特点来描绘人脸的细节特征。为了提升多姿态人脸识别中的人脸生成精度，本文考虑采用局部加权的人脸分析算法，并且利用人脸特征进行数据化取值和对比[2]。

3.2 多姿态人脸支持分类识别

在这种基础上，本文研究了五种拟合方法：对数法、指数法、最小二乘法、线性法和多项式法。结果表明，多项式拟合方法比其他四种算法具有更好的识别效率。通过分析累积趋势和范数距离本文来提高人脸识别系统的拟合度。其阶多项式的一般公式为

二阶多项式足以解释和区分哪一个是异常的。 的导数可由式求得：

该函数的导数取决于的值。从该表达式可知，如果p1为正，则图像的斜率增加。若发现p1为正，则意味着异常的不断累积，最终导致决策错误。

由此，本文提出的局部加权多姿态人脸生成算法，其主要是通过单张人脸的局部识别特征，得到人不同姿态下的相同的特征之间的映射函数。种方法借鉴了自然识别人脸的过程，先对人脸的整体加以识别，之后对面部重要的局部特征加以分析。这一过程会有可能会导致面部细节的部分丢失，故需加强并突出人像中的面部姿态及各图像边缘的关键点特征。随着姿态变化不断增加，同一个体的人脸图像之间相关性降低。因此，本文将单视图和人脸图像作为样本，并且对人脸的候选姿态样本进行识别和确定，从而不需要对整个样本库进行对比，不仅减少了计算量，还降低了搜索空间。

4 结语

从结果上看，识别率的高低和每个人脸的训练样本数之间有着很大的关系。基于以上的情况，单视图的多姿态人脸识别已经成为了人脸识别领域研究的重点，其研究具有重要的指导意义和价值。由于实际环境和条件的约束，大部分情况下设备都不能采集到足够的人脸姿态[3]。而本文提出的人脸识别算法，能通过对多种个体样本的人脸识别，从而有效地实现多姿态人脸的识别，提升识别率。同时，本文的人脸识别算法可以在只拥有正面人脸样本的情况下，就能进行多姿态人脸识别，在具体的应用中具有良好的效果和适应性。