基于眉眼子区域和零均值预处理的特征脸识别方法

李咏豪

(南京理工大学计算机科学与工程学院，江苏南京 210094)

0 引言

由于新冠疫情的影响，为防止疾病传播，在公共场合要求戴上口罩。人们戴上口罩后，对原有的人脸识别技术[1]形成了新的挑战，为保证识别准确率，不少已有的人脸识别门禁系统要求摘下口罩进行识别，而这对人民健康又会带来安全隐患。因此，需要对现有的人脸识别技术作进一步改进，允许不摘口罩的情况下进行识别，并能够保证其识别准确率。特征脸识别方法[2-3]是常用的人脸识别技术之一，但是该方法在有口罩遮挡的情况下，识别准确率较低。本文在特征脸识别基础上，提出了基于眉眼子区域和零均值预处理的特征脸识别方法，获得了较高的识别准确率。

1 改进的特征脸识别方法

1.1 眉眼子区域的选取

在训练图像无遮挡，而测试图像有遮挡的情况下，如果将整幅图像作为训练或测试使用，在缺少嘴巴、鼻子等五官信息的情况下，识别率一定会受到较大的影响。在人脸有口罩遮挡的情况下，只有眉毛和眼睛的子区域未被遮挡，对训练图像截取眉、眼子区域，同样，对测试图像也截取眉、眼子区域，这样，可进一步降低遮挡对五官信息的影响，从而保证人脸识别率。如图1所示，图1(a)为人脸原图，图1(b)为有遮挡的人脸图，图1(c)为截取眉眼后的人脸图。

假设图像用m*n大小的矩阵I来表示：

本文选取包含眉毛、眼睛部位的前k行以提取图像眉眼子区域I’：

图1 眉眼子区域的选取

1.2 零均值预处理

人脸识别的精度较易受到外界光照的影响，这主要是由于当光照发生变化之后，人脸图像的整体像素分布将会发生较大影响，从而影响基于特征脸识别方法的准确率。为降低该因素的影响，我们通过对图像数据进行预处理，去除亮度差异带来的干扰。如图2所示，测试人脸偏亮时，特征脸方法中的前三个主分量受光照最为严重，对识别结果产生一定的影响。所以，考虑光照这一影响识别结果的重要因素，本文通过对图像数据进行预处理，去除亮度差异带来的干扰，从而优化改进了模型。

图2 基于PCA的特征脸识别方法受到光照影响

图3 当k为不同数值时的人脸识别准确率

本文对特征脸方法添加了一个自身图像零均值的预处理。预处理具体步骤如下：首先，求出训练图像中每一幅图像的灰度平均值，然后，将图像中每一点像素(x,y)的灰度值I(x,y)减去该图像自身灰度平均值生成向量放入数据库中，即

1.3 特征脸识别方法

以主成分分析算法[4-5]为基础的特征脸识别算法步骤如下：

步骤一：生成训练样本

对于经上述预处理后的人脸训练库，我们从中为每人随机选择一定数量的图像用来构成人脸训练集，而剩下的人脸图像则构成测试集。设人脸训练库中共有M幅图像。假定人脸图像矩阵为并将其每幅人脸图像矩阵按列连接，构成m*n大小的列向量，得到训练样本集表示长度为m*n的列向量。

步骤二：执行K-L变换

首先，计算所有训练样本的均值，即平均脸，再将M幅图像分别减去平均脸，得到M幅差图像向量，减去平均脸后构成的矩阵

步骤三：求特征值和特征向量

步骤四：求特征空间

选择前t个特征脸进行识别，若其对应的特征值越大，则其对应的特征向量上的投影对方差的贡献也越大，这里，定义方差贡献率：

步骤五：提取特征

我们将每幅人脸图像向特征脸子空间进行投影，将投影系数作为特征空间中的一个点。根据这组系数，即可将其作为人脸识别的依据。

步骤六：识别分类

我们利用特征向量，计算人脸测试图像和人脸构造图像间的距离：

表1 识别准确率与同一个人的训练图像数目之间的关系

2 实验结果

本文的人脸数据集中，训练集和测试集中的图像均为32×32大小，分别包括100个人。训练图像中每个类有6张图，口罩遮挡图像是每个类3张图，每张人脸图片都已经对齐。

我们利用本文算法，计算k取不同数值时得到的人脸识别准确率。从图3可见，当k为9-14，人脸识别率达到峰值，接近22%，而当k在14-32之间时，人脸识别率呈递减趋势，该结果进一步证明了本文提出的模型的准确性。当k为9-14时，所截取的图像中仅包括眉、眼子区域，当训练人脸与测试人脸都只包含眉、眼子区域，而被口罩所遮挡的五官均不作考虑，这时，识别率可达到最大值。当k为32时，相当于不作任何截取，取整幅图像进行训练与测试，因受口罩等遮挡，因此识别率较低。

另外，本文还测试了识别准确率与同一个人的训练图像数目之间的关系，如表1所示。从表1可见，本文算法识别率达到60%(人脸图像训练数据只有一张图像)，随着训练图像数目的增加，识别准确率也相应提升。因此，利用本文算法可以有效提高有遮挡情况下的人脸识别准确率。