邓鑫 朱为刚 李斌
深圳市公安局视频警察支队二大队 518000
摘要：随着社会科技的不断发展，人脸识别算法不断革新，传统的人脸识别算法提取特征偏差较大，容易受姿态、表情、光照等干扰。本文分析了子空间应用与人脸识别的算法，阐述了子空间应用语人脸识别算法的重要性，针对传统识别算法中存在的问题进行分析研究。笔者通过自身多年的从业经验，提出一些突破传统的限制识别对人脸特征提取的算法。希望通过本文的分析能帮助相关单位提供人脸识别的提取水平和质量，能更好地应对其运用中存在的问题。
关键词：子空间；人脸识别；算法；提取
在以大数据时代为背景的当下，随着犯罪分子反侦查意识日益增强，作案手段日趋多样化，配套法律法规日趋完善，现场遗留的有价值的痕迹物证越来越少，公安机关传统侦查模式面临前所未有的挑战。人脸识别是一项十分复杂且重要的工作，识别方法有很多，但有不少方式在对人脸进行识别时会受到光照情况、人脸的变化等影响，子空间内线性方法应用于人脸识别非常关键，关系着追踪到人脸是否与图像上的人为同一个人。因此，探讨、分析子空间应用与人脸的识别算法具有重要的作用和意义，只有找出识别方法中存在的问题，才能认清其存在问题的根本原因，并积极寻找更好的识别系统对人脸进行识别。
一、研究背景
随着科学技术的不断发展，社会治安视频监控工程不断深入，分布在社会面各个位置的视频监控设备越来越多。结合案发中心现场的外扩视频可以采集到大量的违法犯罪嫌疑人的面部、行为举止等多种视频信息。同时，伴随着人像比对技术的日趋成熟，从大量的人像数据库（如逃犯照片库、失踪人口照片库、常住人口照片库等）中查找检索违法犯罪人员的准确身份信息也已经应用于公安各项实战工作中。
然而，人脸的图像提取较为复杂，在视频中对人脸的特征进行描述困难较大，在日常案件视频研判过程中获得的违法犯罪嫌疑人的图片很难满足人像比对的需求，因此虽掌握了大量的违法犯罪嫌疑人的面部视频，仍无法通过人像比对落实其身份。例如2014年4月15日，在罗湖区都市名园的“4.15”特大入室抢劫杀人案的侦破过程中，视频研判工作人员掌握了大量的犯罪嫌疑人的正面图像，但无法还原成具备视频比对条件的照片。公安机关相关多视频条件下人像重组领域的研究凤毛麟角，仍未有技术能满足公安机关实战需要。
因此，笔者结合实战中遇到的各类违法犯罪嫌疑人的视频图像，开展多视频条件下的人像重组方面的研究工作，将子空间领域的人像识别算法作为改进的方式之一，以期达到服务实战的效果。
二、应用子空间的人脸识别算法
近几年，人们越来越注重对建于传统分析法上对子空间应用于人脸识别的算法进行分析，这种算法成为了现在的主流人脸识别法。子空间的运行主要寻找经过优化后目标图像的线性或是非线性特征，而后对其进行空间转换，将接受到的原始信号数据进行压缩，传送至低维度的子空间内，可提高图像在子空间内的紧凑程度，使相关信息能够被更好的描述提供有效数据，大大降低了计算难度。
（一）主成分分析
图二（从左至右依次为一、二、三、四）光照条件对人脸的识图像
由于光照、表情、姿态或是人脸部分被遮挡而使人脸的识别受到影响，这比解决高斯分布问题更加繁杂，且识别率较低。为了解决这一识别问题，研究员们对样本图像的局部信息进行提取，经过研究可获取最的影像投影矩阵。如对局部辨别时保持投影、利用Fisher对图像便捷进行分析等，虽然此等方法的结果比传统现行辨别方式要好很多，但是其对比的结果过于简洁，需要对样品矩形阵中呈现的特征进行分解。若样品显示的信息数据维度较高或是样品数量较大，在提取信息是不仅会消耗大量的时间且数据结果并不稳定，由此可见此方式并不适合对数量过大的样本集进行实验。因此局部线性判别法被开发运用。
模糊局部线性人脸辨别法与传统的方法相同，它同样在面对小样本时存在问题。因此，在对最佳的投影矩阵进行求解时需先对样品的PCA进行降维度处理，主要算法环节骤如下：
该训练中，图像的维度皆为38，邻近样品有20个。从表一中可以看出，这两种算法的识别率随着样品数的增加而增加。在样本相同的情况下，FLLDA法明显高于LLDA法。也验证了模糊局部线性人脸辨别算法有效这一设想。
2、FERET数据库进行实验分析。该数据库内人脸图像的表情、关照等都不同，其中共有8个人的脸，共有120张图像，将所有图像皆压缩成为80*80的维度。在实验中选取1、2、4进行训练，其余图像皆用于测试。对选取的图像进行十次以上的，其结果均为十次训练的平均值。其中因训练样本的个数为7时，随机种类应为 ，因为样品中只有八个人供其进行挑选，因此，当i=7时，只需要将实验进行8次，就可得出其平均值。LLDA和FLLDA算法中，20为邻近样品数，99为人脸特征的维数。从表二中可以看出，两种算法的识别率随着样品数的增加而增加。在样本相同的情况下，FLLDA法明显高于LLDA法。
表二 FERET人脸库中不同样本训练状态下两种算法的识别效率比（%）
根据以上两种实验可以看出，FLLDA识别率超于LLDA识别率，使用了模糊线性隶属程度后，有效缩减了样品最原始的类别间距，其在投影时分散明显，而类别内部的分散类别较大的进行投影后图像更加集中。FLLDA法相对稳定，主要是因为邻近样本的个数波动较小。
三、贝叶斯应用于人脸进行识别算法
根据视频放映的内容对人脸进行追踪识别，从统计学角度看来，对木匾人脸的追踪实际上就是对给吕进行推算的过程，主要是为了利用该观测值对系统的未知状态进行估算，也就是对其状态进行求解，得出概率的范围。可利用该公式利用先通过实验的范围、关联以及观察到的似然函数确定后验公式。给计算方法中的状态先验范围可以使用机器学习或是专家知识等方式获取，而似然函数是由系统内部的观测方程计算出来的。
（一）视频中的人脸追踪
给计算方式对视频中的目标脸的状态进行求解，并将其转变称为贝叶斯推理，而后对其后验的概率进行求解，将得出的后验概率的范围滞后，利用准则对其进行估计。如最大后验估计、最小方差估计以及得出状态等。但须注意，利用贝叶斯对其进行估算需运用积分法。根据与视频监控中相同类别的场合、目标人脸的表情变化等简化为类似线性的运动。在图像的空间汇总，可以利用视频前后帧的测验结果也就是人脸中心距离以及面积的变化等对人脸进行追踪。
视频中的第N帧人脸可用Rect矩形来表示，为了对目标人脸进行追踪，可将对人脸的追踪情况设置为S，因此，在第N帧时，人脸的检测结果为
Face={Rect，S，N}
综上所述，可对多个人脸进行追踪，可设置另一个列表，将其命名为TraceList，主要的追踪方式如下所示：
1、清空追踪列表，对目标人脸进行追踪。
2、对视频中的第N帧图像之中的人脸进行检测，可将获取的人脸设置为。
3、对列表，也就是TraceList中需要追踪的所有人脸和，利用其中的相关性对其进行判断，如并未在视频中获取到和R有关的目标人脸，需重新建立一项，将R进行保存，并将S设为零，将其初始化。
4、如视频中存在与列表中的R相关的人脸，可将R脸更新到Rect矩形中，并将出现该脸的帧数在Rect矩形中进行更新。如果人脸的追踪情况为零，可将其数值设置为一，以求得目标的稳定性。
5、如需对下一个目标进行追踪，可从第二步可是追踪。目标人脸的位置以及面积变化程度和图像的匹配程度可利用公式进行计算，具体计算如下所示：
4、对于可能存在的每个条件符合的人，如果要更新该人脸的历史识别的结果，只需要进行相应的公式计算，就可以将最终的识别结果分数进行存储就可以更新结果。
5、如果历史识别参考历史识别结果达到临界值，可以在最终的识别分数中找出分数最高的，作为最终的识别结果。
结束语
综上所述，人脸识别中存在一些问题，如容易受人脸的姿态、表情以及光照程度等干扰。这些问题影响到对人脸的识别，必须要解决这些问题，才能提高识别质量。笔者提出，首先应该利用线性子空间识别法，将子元分析法作为基础利用模糊局部线性发对人脸辨别进行计算，经过试验得出FLLDA的识别率超于LLDA识别率；其次，可利用贝叶斯对视频中的人脸进行识别，可提高视频中对人脸的识别精准程度，确保识别的稳定。
参考文献：
[1]陈皓，霍星.基于视频相关性的人脸识别算法改进[A].中国仪器仪表学会（CIS）、国系统仿真学会（CSSS）、中国仪器仪表学会微型计算机应用学会（CACIS）、中国系统仿真学会复杂系统建模与仿真计算专业委员会筹备处（CSSC）.全国第20届计算机技术与应用学术会议（CACIS?2009）暨全国第1届安全关键技术与应用学术会议论文集（上册）[C].中国仪器仪表学会（CIS）、中国系统仿真学会（CSSS）、中国仪器仪表学会微型计算机应用学会（CACIS）、中国系统仿真学会复杂系统建模与仿真计算专业委员会筹备处（CSSC）：2009.
[2]张玉华.基于子空间及变换域的人脸识别算法研究[D].山东大学，2009.
[3]潇莹.基于子空间的多姿态人脸识别方法研究[D].重庆大学，2009.
[4]李姝.基于局部保持投影的人脸识别算法的研究[D].2012.
[5]温浩，孙蕾.基于张量局部和全局信息的人脸识别算法[J].西安电子科技大学学报（自然科学版），2010，37（3）
[6]范燕，於东军，宋晓宁.镜像基函数下过渡投影子空间人脸特征抽取算法[J].南京理工大学学报（自然科学版），2012，36（6）
[7]曾婧.基于子空间特征提取的人脸识别[D].2013.
[8]锐.基于子空间的人脸识别算法的研究[D].吉林大学，2013.
[9]文彪.子空间算法在人脸识别中的应用[D].电子科技大学，2013.
[10]明旱，李树涛，叶华.基于子空间稀疏系数的表情识别方法[J].计算机工程与应用，2014，（2）
论文作者:邓鑫,朱为刚,李斌
论文发表刊物:《基层建设》2015年20期供稿
论文发表时间:2016/3/17
标签：的人论文; 算法论文; 图像论文; 视频论文; 空间论文; 对人论文; 识别率论文; 《基层建设》2015年20期供稿论文;