基于face的人脸识别研究与实现(编辑修改稿)

基于face的人脸识别研究与实现(编辑修改稿)内容摘要：

脸照片来实现的。 因为岁数、形态、表情、光照、妆容等等原因，人脸不是一成不变的，他是千变万化的，是以使得人脸识别技术显得难以控制，大大提高了人脸识别的挑战性。 人脸识别技术的发展现状 当今社会，研究人脸识别技术的组织及个人很多很多，比如说美国的 MIT(Media lab)、 CMU 和耶鲁大学，还有日本的少许研究机构。 与国外相比，中国关于人脸识别技术的研究开展的就相比晚许多，国内研究的机构主要集中在国内著名的几所重点高效，其中就有：清华大学、哈尔滨工业大学、北京工业大学等。 基于 Face++的人脸识别研究与实现 3 人脸检测便是从人脸的原始照片中提取部分特征。 人脸检测使用最早的第一个算法是基于模板匹配，子空间方法的。 这种方法是相对刚性的，受环境和姿态变化的影响比较明显。 这些年来，计算机技术越发成熟，与之紧密相关的技术也随之快速发展，使得人脸检测技术一直都是科研学者心中及手中的重要科研课题 ，比如说基于 haar 特征匹配的算法、以及神经网络的算法等等已经被应用到人脸检测技术上。 2020 年， 提出 了 HaarLike 方法，阐述了如何迅速精准的完成对整张照片进行人脸检测 运用 AdoBoost 和 Cascade 方法。 随后的几年里 Voila 也提出了优化 HaarLike 算法的方法，这个人脸检测方法已经算是当前领域相对成熟并相对完善的方法了，识别效率高，在现实实践中已经获得了普遍宽泛的应用。 最近五年来已经有愈来愈多的学者对关于人脸检测和人脸表情检测技术的算法做了深入的钻研，并且获 得了一定的研究成果，然而在现实实践中却存在着许许多多的技术困难，还亟需解决处理。 相对于单张图像的人脸检测，影响检测结果的因素是比较多的，图像尺寸、光照条件和表情等不确定因素，因此在往后的研究实现中，人脸检测依旧是热点话题，不会被时代淘汰走下坡路。 人脸识别技术在中国起步很晚，比国外要晚上好几年，但随着不断完善和改进的人脸识别算法和日益增长的市场需求 ,还有独特的脸部识别，已经有不少商业人脸识别系统研发投入到到市场。 比如清华大学苏光大教授负责的《人脸识别系统》，当然还有一些产品也比较成熟：上海银晨人脸识别考勤系 统、北京时代杰诚门禁管理系统等。 尽管人脸识别技术的发展是更好的，已经获得了学术界的广泛关注，但关于人脸识别技术在实际应用中存在的问题，和实际应用方法，却还需要愈来愈多的学者对其进行更深入的研究，使之愈发成熟。 主要应用 人脸检测 人脸检测，简单说来，便是看图像是否清晰明了，是否能精确快速的被处理分析得到数据。 当下，许多城市地区开始逐步施行网络工程进行城市监控、银行监控，造成大量的监控数据需要进行处理。 所以，当下亟需解决的问题就是如何快速精准的查询这些监控数据并加之处理。 为此现状，市面上 已经开发出了一套综合应用系统用以处理银行大联网高速图像搜索系统产生的大量的视频监控数据的问题。 该系统主要是由前端采集模块，图像处理模块，数据管理查询模块来组成的。 人脸识别查询 基于 Face++的人脸识别研究与实现 4 人脸识别查询是建立在从已建立的人脸数据库中搜索与人脸图像相似度较高的人脸图片比对的基础上进行人脸识别的。 人脸识别大多都是用在与安保密切相关的部门及行业，比如出入境时进行的护照比对、对罪犯的身份验证、以及公民的身份是否合法。 人脸识别查询的大致操作步骤是首先建一个人脸数据库，通过在客户端或者 web 浏览器上打开人脸照片，使之与 库中的人脸图片进行相似度比较，并将与之相似度较高的人脸图片输出，这样就完成了人脸识别查询。 其实，简单看人脸识别，他就是一个人脸相似度的对比。 人脸识别身份认证 人脸识别身份认证主要是对那些参加的活动私密性重要性比较苛刻的人来进行的。 而今相对成功的应用主要是大型活动身份认证，比如实名制票证系统认证。 使用这种系统的目的就是安全系数高。 此系统一般是要利用射频识别来实现的。 这个方法的主旨其实就是一对一比对，从速度或认证的准确度上看，他已经是相当成熟的技术，在上述的场合广泛使用。 越来越多的关注，已经被投于 人脸识别身份验证之上，并有许多的组织也已开始应用此技术。 人脸识别比对 “人脸识别比对，目前主要是被用于门禁管理系统。 比如说银行金库、军队弹药库等重要地方的进出口掌控对该种场地的人身经济安全都有着不可估量的作用。 它通常是一个组合的多种识别方法，它是由多种识别控制完成进出口控制。 该项产品和技术已成功地应用于许多银行金库。 在门禁控制系统的另一个值得关注的是，接口标准的统一。 而今市场上大部分的控制器接口都是韦根接口，然则因为它没有遵循一贯的接口格式，导致我们遇到了一些限制，在控制器的选择，所以这就必须 靠生产这类产品的企业厂家的通力合作，一同制定统一的行业标准，使行业应用标准一致，生产的产品适用性颇高，如此才会促进整个行业的良性成长与发展。 ”(6) 论文内容与安排 本文的目标为实现基于 Face++的人脸识别研究与实现。 该课题使用 Eclipse 开发环境实现，利用 Face++接口和安卓操作系统实现人脸识别。 本文全部包括五章内容，内容大概分为如下所示： 第一章 介绍人脸识别技术的现状与背景，并简单介绍了人脸识别的主要应用；其后对本文的内容进行了具体介绍。 第二章 简要说明人脸识别的主流方法 ，并阐述了基于 PCA 的人脸识别算基于 Face++的人脸识别研究与实现 5 法。 第三章 首先对 Face++平台进行了简单介绍，其次介绍了安卓操作系统，并且简要说明了 Face++的重要接口，最后重点说明了基于 Face++的人脸识别的实现。 第四章 说明实验结果，并且对实验结果进行分析。 第五章 对本文进行总结概括，并展望人脸识别技术将来的发展。 基于 Face++的人脸识别研究与实现 6 2 主要人脸识别算法介绍 人脸识别是利用获取得到的待检测图像中的人脸特征，与人脸样本库中的人脸来对比，识别和确认待检测图像中人物的身份。 表 21 列出了人脸识别中 主要的方法，本节将目前主流的方法进行详细介绍。 表 21 人脸识别方法 基于 PCA的人脸识别算法 在二十世纪九十年代初，由 Turk 和 Pentland 提出的比较简单且有效的一种人脸识别方法，就是尽人皆知的特征脸方法。 “他是基于主成分分析 (Principal Component Analysis ,PCA )的人脸识别技术，因此也常常称为 PCA” （ 14）。 对于每一个人脸样本图像依照从左到右，从上到下的每个像素点的灰度值构成一个高维向量， PCA 的主要思想是在原始人脸空间中经过 KL 变换后，由原来的高维向量转换为低维向量子空间，提取一套包含离散程度最大的特征向量来表示原始样本，相应的特征向量，就为主特征向量。 由于该分量拥有人脸相像的外形，被称作“特征脸”。 “在对待检测人脸图片进行识别时，将待检测人脸投影到这组特征向量组成的子空间上，通过比较待检测图像的投影位置与已知人脸基于 Face++的人脸识别研究与实现 7 样本的投影位置，从而完成人脸识别” (18)。 特征脸方法经过 KL 变换后由原来的高维度的向量转换为低维度的向量子空间，达到很好的降维效果，简单有效，因其运算复杂度低是以识别速度较快，同时易于实现，“识别率虽高 ，但却存在一些缺陷，当光线照射不一致时、人脸的方位也不是固定不变的时候，识别率就会快速降低，同时当训练样本数目的增加时，计算复杂度也相应的增加” （ 14）。 接下来本文将详细介绍 PCA 算法。 KL 变换 KL 变换（ KauhunenLoeve 变换）是一种经常使用的正交变换，具体的变换过程如下所示： 设有 n 维随机变量 ini i 1X (21) 其中 i 为加权系数， i 为基向量， X 还可以使用另一个比较直观的表达式来表示：      TnnX , . . ., . . . , 321321 (22) 其中，  n ,..., 321 ,  Tn ,..., 321 基向量通常为正交向量，而正交向量可以通过一个表达式表示：   ji jijTi 01 (23) 因为  由多个正交向量组成，所以它是一个正交的矩阵，用表达式表示为： IjTi  (24) 将公式 22 的两边都向左乘以 T ，得到 XT (25) 通过正交向量表示即为： XTii  (26) 正交向量集合 j 的取值直接决定向量集合  的各个向量之间是否互相不相关，因此设  XXER T (27) 将公式 22 代入公式 27 中，得到       TTTTT EEXXER   (28) 基于 Face++的人脸识别研究与实现 8 令 (29) 换成另一种表达方式即为： ，那么 TR (210) 右乘 (210),  得：  TR (211)  是正交矩阵，因此 (211)可简化为： R (212) 那么能够得到：  njR jjj ,...2,1  (213) 可见，对于 j 这个特征向量来讲， R 是其对应的特征值，并且 R 是 j 的自相关实对称矩阵，因此，不同的特征向量之间应该要正交。 由此可见，求取 KL 系数的步骤如下所示： 1) 对于向量 X，首先应该求取它的自相关矩阵  XXER T ， KL 的产生矩阵也可以是数据的协方差矩阵      TxxE  ，其中  为均值向量。 2) 在 这一部分需要求出特征值 j 和特征向量 j ，而矩阵 n ,..., 321。 3) 系数 XT。 “整个变换过程是在原来的向量空间的基础上将其进行变换，使得原来向量之间的相关性发生了改变，使得一些带有较少信 息的向量被去掉，因此达到降低向量空间维度的目的” （ 19）。 PCA 技术 PCA 技术是将人脸的特征空间降维的技术，构造新的人脸特征空间时，需要在原来的人脸中求一组正交的向量，而新的人脸特征空间就是由这组正交向量nj0......01    kj kjjji 0E 基于 Face++的人脸识别研究与实现 9 中的部分组成的。 这些重要部分组成了特征脸，因其保留了人脸的形状，因此能够表征人脸的基本信息。 具体的人脸识别步骤如下所示： 步骤一：将人脸数据库输入到算法中。 在这一部分需要将人脸数据库中的数据进行归一化，并将数据库中的人脸数据分成训练集和测试集用于后续的人脸识别，将 nn 的人脸空间转换成 2n 的形式进行表示。 步骤二：进行 KL 变换，得到相应的产生矩阵。 生 成 矩 阵 可 以 使 用 训 练 集 的 整 体 散 落 矩 阵 ， 可 以 写 为 ：     TxxE  ，除此之外   TiMi i xxM   101 也是一种表示方式。 其中，  是均值， M 是训练集的个数，而 ix 是第 i 个样本。 在求取本征值和本征向量的过程中，为了减少运算量，将使用 SVD 定理来进行降维。 步骤三：对图像的本征值和本征向量进行运算。 SVD 定理：设 X 为一个随机矩阵，且矩阵维数为 rn ，那么在这个基础上得到： 正交矩阵：   rnruuuu   1210 ,...,U ，其中 IUT U 正交矩阵：   rnrvvvv   1210 , . . . ,V ，其中 IVT V 对角阵：   rn n210 , . . .,d ia g  ，其中 1r210 ...   以上三个式子满足下式： TVU 21A  那么我们能够得到： 21AVU  能 够 通 过 一 种 方 式 来 表 达 ：   TiMi i xxM   101 ，其中     121。