张志强

(顺德职业技术学院，广东 顺德 528333)

0 引言

人脸识别是一种基于人的脸部特征信息进行身份认证的生物特征识别技术，广泛应用于公安监控、司法认证、民航安检、身份验证、银行密押、社会保险等领域中，近年来成为图像学研究的热点。目前，主流的人脸识别方法包括基于自适应算法的特征人脸匹配方法、基于遗传算法的特征人脸匹配方法和基于图像阈值化算法的特征人脸匹配方法[1]。其中，最常用的是基于图像阈值化算法的特征人脸匹配方法。传统的人脸识别过程一般是先输入需要匹配的人脸图像，获取其特征信息，然后和存储在库中的人脸数据逐一对比，最后按相似度排序，排在最上面数据即为匹配的人脸图像，当数据库规模增大时，匹配时间将成正比例增加，严重影响匹配效率[2]。

国内外相关文献对解决海量人脸匹配时间过长的问题作了相关研究。文献[3]利用降维法把数据库中的人脸特征数据和待匹配的人脸图像信息运用主成分分析(Principal Component Analysis，PCA)降维法归结到一个低维数的空间，以减少特征匹配时间，加快匹配速度。但该方法需要计算出数据库中的所有特征矩阵，海量数据库在转化成大矩阵时会出现“维数灾难”(Curse of Dimensionality)的问题，难以应用到大规模人脸识别系统中。文献[4]中提出的CLARANS法，要求待聚类的信息必须事先放进计算机内存中，这对海量数据库显然不合适;文献[5]中提出的BIRCH法，通过一个聚类特征的三元数组来表示一簇对象的数据信息，但计算阈值相对困难;文献[6]中提出的CLIQUE法，利用自顶向下的思想计算每个子空间的聚类单元来实现降维，但在计算k维空间的聚类时，需要组合出所有k－1维子空间的聚类、运算的时间和空间效率较低。

本文提出一种基于云的海量人脸特征匹配算法，通过云计算的强大运算能力来克服传统算法的弊端。首先通过广域云网络模型来提取人脸特征权值参数，然后对特征参数矩阵转换处理，最后应用转化后的矩阵匹配人脸特征，应用该方法构建的云平台，结合改进的ASM算法预判模型特征，可以更有效提高匹配程度。在对海量人脸图像匹配的实验中，采用超过100 000张人脸图像库来匹配特定的1张特征人脸，分别采用传统的车轮式匹配算法和本文算法来实现，实验数据表明，本文算法较传统算法匹配精度相当的情况下，耗时减少一半，从而验证了本文算法的优势。

1 建立图像匹配云模型

云计算是基于互联网的相关服务的增加、使用和交付模式，通常涉及通过互联网来提供动态易扩展且经常是虚拟化的资源，可以应用到人脸匹配系统中进行海量运算。其基本思想是利用各个地区的数据库对相关人脸信息参数进行运算，从而构建海量人脸图像运算平台。该平台通常包含基础云、平台云和应用云3大部分[7]。相应的匹配云模型也包括基础结构层、平台结构层和应用结构层3个层次。在海量人脸特征匹配平台的架构中，人脸信息参数的匹配步骤是核心，总体来说按下述5个步骤进行:

1)初始化特征人脸数据。

2)计算人脸图像特征权值参数。

3)比较特征权值参数。

4)对比较结果进行矩阵转换。

5)重复步骤2)，直到完成全部人脸图像匹配。其流程图如图1所示。

图1 云平台中人脸信息参数匹配流程图

在上述的人脸信息参数的匹配步骤中，步骤2)、3)、4)是关键步骤，本文重点研究其算法的实现过程。

1.1 计算人脸图像特征权值参数

首先要获取待匹配人脸图像的坐标，其公式如下:

公式(1)中，z为人脸特征的空间参数，Xm为人脸图像的特征参数，U为人脸图像像素数，σk为人脸图像第k个像素点的灰度值，h为人脸图像的序号。于是，按公式(2)计算出人脸图像特征参数的逆向变换量:

公式(2)中，FG(m，p，n)为逆向变换值，G 为人脸图像特征的提取系数，i为人脸图像特征的分类系数，n为人脸图像的数值分量。令Q(r2)作为人脸图像特征点的坐标关系系数，Q(r2log r)作为算法的耗时系数。则应用逆向变换算法对人脸图像的特征向量进行逆向变换的过程如下:

对人脸图像空间参数进行FR变换，设人脸图像轮廓区域中点坐标为(s1，s2)，其中则根据下述公式计算人脸图像中的特征点，从而得出人脸图像的特征分类参数:

同理，根据下述公式计算出人脸图像的特征数值分量方差值:

通过上述方式得到的人脸图像特征数值分量方差，构建人脸图像特征数据集合 Z －[z1，z2，…，zs]。根据下述公式计算人脸图像的特征权值参数:

1.2 特征参数矩阵转换

设人脸图像特征维数为p，人脸图像中所有特征构成向量为y，y=(y1，y2，…，yp)T，且=F[y]，人脸图像中特征点的参数矩阵为Sy，Sy=F[yyT]，均值矩阵为利用下述公式对人脸图像的特征参数进行矩阵转换:

对人脸图像的特征数值分量y的子集进行矩阵转换，其公式表示为:

计算人脸图像匹配过程中的误差，公式表示为:

根据上述算法，可以实现人脸图像特征参数矩阵的转换处理，得到与待匹配特征人脸的特征点在空间位置上一致的图像，从而完成人脸图像的对比分析。下面论述如何应用以上算法搭建的云模型平台来实现特征人脸图像的匹配。

2 海量人脸图像匹配云平台的构建

2.1 云平台的设计思路

在应用本文算法设计海量人脸图像匹配云平台前，需要先通过建立特征点对待匹配的人脸图像特征数据进行初始化处理，以保证被匹配特征具有全能型，方便后面对其进行统计分析。由于在应用平台进行人脸图像特征匹配时需要对人脸特征点位置作初次对准，该操作较为耗时，解决的方法是对待匹配的人脸图像的初始唯一特征进行预判，以保证准确定位。其算法如下:

设2个相似的形状分别为x1和x2，为把x2转化为M(x2)+t时，E取值最小，则需要计算旋转角度θ、缩放因子s，以及平移矢量的值。E取最小值，即:

其中:

公式(10)中，W为某个人脸特征图像数据的相似对角矩阵，该矩阵中元素wk分别为对应各个点的权值，且:

设Distance(k，l)为2个特征点之间的有效距离，Variance(k，l)为人脸匹配过程中计算得到的方差结果，可以进行假设，得到:

设N为已对准的形状数量，n为每个形状的手工标定点个数，则对准的中值形状量为:

由于在人脸特征预判时可能包含少量误差，因此需要进行误差消除操作，算法如下:

其中Explained－rate是一个定值。

根据对准集合中特征点位置互相关联的特性，可以只用特定的几个变量来表示对准集中的大部分形状，算法如下:

2.2 云平台的构建框架

根据以上的云平台的设计思路，结合本文的人脸匹配算法，可以构建海量人脸图像匹配云平台框架。云计算的本质是通过网络进行运算，因此其体系结构应以服务为核心[8]。基于这个本质，海量人脸图像匹配云平台的体系结构应由5部分组成:应用层、平台层、资源层、访问层以及管理层，其结构图如图2所示。

图2 海量人脸图像匹配云平台的框架图

从图2可以看出，本文算法主要应用在应用层、平台层和访问层中。其中应用层是整个云计算系统中最重要的组成部分，负责提供软件服务，也是系统完成复杂人脸特征匹配的基础，在该层中，结合优化的算法可以实现较好的匹配功能[9];平台层提供了对资源和服务的封装，该层包括中间件服务和数据库服务2部分，中间件服务为系统提供可扩展的消息中间件、事务处理中间件等服务，由于人脸信息量巨大，系统匹配时需要具备较高的处理能力，因此需要数据库服务模块来支持[10];访问层作为人脸图像匹配系统与外界的访问接口，其功能是完成海量人脸数据的有效识别，以方便用户使用云计算所需的各种支撑服务，该层应具备有效的身份验证功能[11]。

3 实验结果与分析

为验证本文算法的有效性，设定实验环境为:戴尔PowerEdge R710，48 GB DDR3内存，2个4核CPU的服务器型计算机，Windows Server 2008 64位操作系统以及相关的实验运行软件。实验过程中采用云计算仿真器，实验的对象为某个较小规模的人脸图像数据库，在该数据库中，约存储了100 000幅人脸图像，图像的大小附合本次实验的要求。首先应用云计算仿真器构建整个云计算模型，然后结合本文提出的人脸特征图像匹配算法，搭建人脸特征匹配云平台的整体架构，最后与传统的车轮式匹配算法作比较，通过结果数据的分析比较，验证本文算法的优越性。

实验中采用100 000幅人脸图像建立数据集合，对某张指定的特征人脸进行匹配(如图3所示)，分别运用本文算法生成的云计算仿真器和传统的车轮式匹配进行仿真实验，实验结果如图4所示。

图3 表明人脸特征匹配实验图

图4 不同方法匹配时间对比图

通过图4的数据比较可以看出，在匹配相同数量人脸图像的情况下，本文算法的匹配曲线斜率明显比传统算法的小，这证明了利用本文算法进行人脸特征图像的匹配的耗时远远少于传统算法，并且随着匹配的人脸图像数目越多，本文算法的优势越明显。如果把待匹配的特征人脸图像增加到10幅，与数据库中的10 000幅人脸图像作匹配(如图5所示)，分别运用云计算仿真器和传统的车轮式匹配进行对比，则其对比结果如表1所示。

图5 10幅人脸图像特征匹配

表1 户籍图像对比数据表

从表1的对比数据可以看出，同样比较10 000幅人脸图像，当待匹配的人脸特征图像增加到10幅时，传统算法耗时41 s，本文算法只耗时23 s，约为传统算法的一半时间，因此，本文算法在人脸图像数目较多的情况下进行匹配具有较明显的优越性。由于软硬件环境的限制，本次实验采用的人脸图像数据库虽然还没有达到真正的海量规模，但也能说明本文算法在人脸图像匹配中的优势。

4 结束语

为解决大规模数据库人脸特征匹配时间过长、效率较低的问题，本文提出了基于云计算的大规模人脸特征图像匹配方法，通过云计算的强大运算能力来克服传统算法的弊端。首先通过广域云网络模型来提取人脸特征权值参数，然后对特征参数矩阵转换处理，最后应用转化后的矩阵匹配人脸特征，应用该方法构建的云平台，结合改进的ASM算法预判模型特征，可以更有效提高匹配程度。在上述的实验与传统的匹配算法作比较，取得较为满意的效果。本文算法还未对硬磁盘空间的占用率作详细研究，今后的工作将对本文算法与传统方法在硬磁盘空间利用率上作进一步分析，以进一步验证本文算法的实用意义。

[1] 李朝友，孙济洲.基于区域收缩的大规模数据库人脸识别[J].计算机应用，2012，32(7):2049-2052.

[2] 张智斌，赖剑煌，谢晓华，等.基于高低频分量融合的人脸识别方法[J].中山大学学报(自然科学版)，2013，52(4):1-6.

[3] 郝静静，李莉.一种基于KPCA与LDA的人脸识别改进算法[J].电子技术应用，2013，39(12):132-134.

[4] 徐国庆.在线模板的人脸特征点对齐[J].计算机工程与设计，2013，34(11):4021-4026.

[5] 赵成芳，李兆延.基于缩放因子的人脸直方图特征距离度量方法[J].西华大学学报(自然科学版)，2013，32(5):8-10.

[6] 王金云，周晖杰，纪政.复杂背景中的人脸识别技术研究[J].计算机工程，2013，39(8):196-199.

[7] 赵建勋，王兆东.软硬件协同设计算法的嵌入式人脸识别系统[J].计算机仿真，2013，30(7):371-374.

[8] 许新.人脸识别系统的设计与实现[J].辽宁师专学报(自然科学版)，2013，15(2):29-34.

[9] 朱洲，王飞，付中涛.基于人脸检测的云台智能控制系统设计[J].安防科技，2011(1):10-13.

[10] 夏振杰.基于人脸识别技术的身份认证系统实现简介[J].科技信息，2010(5):44.

[11] 刘彦伯，韩家新.iOS平台下人脸识别系统实现研究[J].计算机工程与应用，2013，49(22):204-207.