胡从川 刘广东 韦古强
鲁能集团有限公司
摘要：针对公共安全需要，提出了一种基于Eigenface算法和K近邻算法的人脸识别技术，具备无模型N:N人脸识别能力，该方法可以满足在开发环境进行人脸信息的自动采集的需求。实验数据表明其人像的有效采集率达到75%，识别率达到85%，满足了工程采集的要求。
关键词：人脸识别,N:N,开放环境,无模型
1.识别逻辑结构
为实现快速检索和去重，本方法分为四个步骤：(1)在全域进行人脸检测与定位；(2)对检测的人脸进行归一化处理；(3)人脸特征提取和识别；(4)采用K近邻方式识别相似人脸，并进行去重。
2.人脸检测和定位
在全域检测人脸，主要通过肤色纹理来检测人脸所在区域，并检测人脸特定器官的阴影度进行人脸的确定和边缘裁剪。
按公式(1)对肤色像素所集聚的RGB与RCBCR颜色空间进行人脸区域进行检索和分割：
(R>95)AND(G>40)AND(B>20)AND(max{R,G,B}-min{R,G,}>15)AND(R-G)>15)AND(R>G)AND(R>B) (1)
3.人脸图像的归一化
灰度归一化主要减少由于光照带来的人脸图像的差异。采用对采集的全局人像进行直方图矫正，使得全局采集的图像具备统一的均值和方差。假设灰度图像I的大小为W×H，在对其进行归一化处理前，对应的均值为μ，方差为σ；而经过归一化处理的图像定义为G，所对应的平均值与方差则为μ0和σ0。这样，经过归一化处理后的矩阵G就可以表示为：
(2)
其中，。
4.人脸特征值提取和识别
假设用x表示维度为m的随机向量，该向量的均值为0，即：；同时，用W表示维度为m的单位向量，则向量x在单位向量W上的投影可以通过内积的方式来表示：
(5)
Eigenface算法[5,6]是基于PCA分析的经典人脸识别算法。基本思想为：将人脸图像作为一种随机矩阵；在K-L变换下获得相对应的正交基，矩阵特征值中较大值所对应的正交值存储了人脸图像矩阵的主要信息，其正交值可以作为特征脸使用。人脸特征提取步骤如下：
特征脸空间构造。人脸图像为尺寸为的灰度图像，用向量R表示。全局人像库中存在M个人脸图像，这些图像均一化后大小均为的灰度图像。人像库中的平均值人脸向量为：，所有人脸图像与平均人脸之间的差值向量为：，构成差值矩阵，矩阵A所构成的协方差阵为：。由协方差阵C所构成的特征向量，就构成一个特征脸空间。
5.基于K近邻的人像识别和去重
K最近邻(k-Nearest Neighbor，KNN)分类算法，是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最邻近的K个实例， 这K个实例的多数属于某个类，就把该输入实例分类到这个类中。
6.实验测试
实验环境，长途车站入口，平均人流量为20人/分钟，采集频率30帧/分钟，传输周期为1分钟，采用无模型N:N识别。即将1分钟采集的人像特征值和人像照片回传到中央数据库，实现对人员信息的自动采集。
实验数据如下
对表中的数据进行分析，计算如下：
(1) 有效采集率 = 目测人数/采集数。该数据为在视频中目测到的人脸数和通过算法可以检测到的人脸数的比值，描述了算法对人脸的检测能力。
(2) 重复率 = (回传数-目测人数)/目测人数。该数据描述了算法对人脸的去重能力。
(3) 识别率 =有效数/采集数。该数据描述了人像特征值构建的能力，即从检测到的人脸图像中可以构建出有效的特征值的数量。
7.小结
公共安全领域需要实现在开发环境进行人脸信息的自动采集，针对此需求设计了一种基于Eigenface算法和K近邻算法的人脸识别技术，可以嵌入到前端设备，实现采用无模型N:N人脸识别。通过测试，该方法可以满足工程需求。并且通过对传输和比对策略的优化，提高相关的性能指标。
参考文献
[1]Chen T H, Shang W, Hassan A E, et al. Cache Optimizer: helping developers configure caching frameworks for hibernate-based database-centric web applications[C]. ACM Sigsoft International Symposium. ACM, 2016:666-677.
[2]董韶华, 刘焱, 李军祥. 互联网金融虹膜识别防伪技术的应用[J]. 中国集体经济, 2016(36):149-150.
论文作者:胡从川,刘广东,韦古强
论文发表刊物:《建筑学研究前沿》2018年第7期
论文发表时间:2018/7/23
标签：的人论文; 算法论文; 图像论文; 向量论文; 特征值论文; 近邻论文; 人像论文; 《建筑学研究前沿》2018年第7期论文;