陈思依+郭万里

摘 要：针对现行人脸识别算法的识别安全问题，文中提出了一种人脸三维特征信息的融合方法，用于身份认证。该方法采用经典的Gabor小波变换产生人脸正面与两侧面纹理特征矩阵，然后对正面与两侧的纹理特征分别建立共有特征矩阵，该方法产生的特征矩阵建立在人脸正面及双侧面视角可融合的基础上，可一定程度规避单一视角的可仿冒性、环境弱鲁棒性等问题，从而可用改进的最近邻分类器对特征矩阵进行识别。测试结果表明，该方法可实现较高的识别安全性，可用于安全级别较高的场合。

关键词：人脸识别；Gabor小波变换；纹理特征；最近邻；信息融合

中图分类号：TP391 文献标识码：A 文章编号：2095-1302（2017）06-00-04

0 引 言

在高度信息化的当今和未来社会，信息安全问题与每个人的切身利益相关，甚至涉及国家安全。传统的身份认证方法已不能满足当今社会发展的需求。以生物特征为基础的身份识别技术如人脸、指纹、声音、虹膜、笔迹和步态等，由于其固有的可靠性、便捷性和高效性，已成为一种发展趋势[1-3]。其中，人脸识别技术，尤因其无侵害性和采用用户最自然、直观的特性，在生物特征识别中应用广泛[4]。

传统的二维人脸识别技术采用提取人脸正面特征的方法通过分类器进行识别[5]。但二维人脸图像容易受到光照、遮挡等因素的影响[6]，或假照片的仿冒使得身份认证系统的识别安全性下降。而目前已有的三维人脸识别技术中的第三维往往局限于单张图像的灰度值[7，8]，虽然准确性不高，但拿照片仿冒的可能性仍然存在。

基于上述情况，可以将人脸识别与三维特征融合等技术相结合，设计安全的身份认证技术。此技术由人脸图像采集及预處理模块，人脸特征提取模块，人脸库和人脸立体匹配等模块组成，核心是人脸立体视觉拟合模块中的特征信息融合方法。三维人脸识别身份认证系统流程图如图1所示。

1 人脸主区域提取与优化

人脸识别过程主要包含两个基本步骤[9]：

（1）人脸检测和定位，即从输入图像中精准定位人脸并反馈人脸所在位置，将人脸从背景中分离出来；

（2）对优化的人脸图像进行特征提取与识别认证。

本方法首先采用Viola-Jones算法对拍摄图片进行实时人脸检测，根据人脸检测获取的人脸图像部分坐标，提取图像人脸主要信息，在空域对提取图像进行去噪、补光、图像增强等操作，突出处理部分图像信息，为以后的特征提取建立良好的信息源[10]。

系统采用拉普拉斯滤波器对图像进行增强[11]，图像I（x，y）的拉普拉斯算子定义为：

通过将图像与下列空间模板卷积，该表达式可在图像中所有点实现：

若用对角线元素替换空间二阶导数，可使用以下模板：

使用拉普拉斯算子对图片进行增强的公式为：

其中，I（x，y）为输入图像，g（x，y）为增强后的图像。C为常数系数，若模板的中心系数为正，则C取1；否则，C取-1。

图2所示为图像优化前后对比图。

2 人脸特征提取与匹配

2.1 Gabor小波变换提取特征

Gabor小波变换是窗函数为高斯函数的短时距傅立叶变换，它在提取目标的局部空间和频率域信息方面具有良好的特性如分辨力强、多尺度和多方向性[12]。其2D核函数定义如下：

其中，（x，y）为像素坐标点，u指Gabor小波的方向，k代表总方向的个数， v代表Gabor小波的尺度因子，exp（-[k2（x2+y2）]/（2σ2））为高斯函数，可以看成Gabor小波，用高斯窗口来限制振荡函数的范围，控制其局部有效，k/σ表示高斯窗口大小，在本方法中取σ=2π。

值得一提的是，为了减少光照等环境因素对人脸特征提取造成影响，式（8）中的exp（-σ2/2）可以使滤波器不受直流分量大小影响，从而增强环境鲁棒性。接上式（8），对人脸图像I（x，y）和Gabor小波核函数Ψu，v（x，y）进行卷积：

本方法首先需要在采集图像中选取5个尺度和8个方向，即提取每张采集图像的40个复系数的Gabor小波纹理特征，再对它们取模值、向量化，最后将其顺序排成矩阵形式。按照Gabor小波变换方法对试验测试中的一幅图像进行纹理特征提取，结果如图3所示。

用上述方法对人脸正面的n个样本进行特征提取，将各特征向量联合建立正面特征矩阵FF，作为正面识别的特征样本库。再以同样的方式建立人脸双侧面特征样本矩阵FSL，FSR，保存该样本矩阵。

2.2 建立正面与双侧面相似度矩阵

对每一个需要录入的人员采集 n个样本信息，每个角度可得到n个特征向量，对这n个特征向量两两之间求欧氏距离Fi（i=1，2，3，…，n×（n-1）/2）。二维空间欧氏距离计算如下：

式中A、B分别表示欧氏距离的两个特征向量。

本方法采用Fi表示任意两个样本之间的相似度，将Fi按序存入相似度矩阵FA即可得到M×1的相似度矩阵，其中M=n×（n-1）/2。

由此可以获得三个角度的三个相似度矩阵，用于之后认证功能中的样本匹配。

2.3 改进最近邻分类器进行特征匹配

人脸识别是高维小样本问题的一种。为了解决对高维小样本数据的特征提取问题，主成分分析PCA、fisherface、独立成分分析ICA等经典算法[13]被相继发明。为了提高方法的可行性、降低复杂度，也可以先将高维人脸图像向量转换到低维特征子空间中，再进行特征的提取并用分类器进行分类与识别认证。本方法运用降维后的小样本数据，所以选取传统的分类器方法对小样本数据进行识别，如贝叶斯分类器[14]、最近邻分类器与最小距离分类器等，其中，最近邻分类器在人脸识别中的应用尤为广泛。

最近邻分类器选取所有类中的所有样本做代表点，将样本X判别为最相近的样本类，其性能与子空间中各类模式的分布特征密切相关。因此，最近邻分类器可在很大程度上克服样本均值向量因偏差造成影响等各类问题[15]。设ωi类有判别函数：

经典的最近邻分类器总能成功匹配到与测试样本最相近的样本，所以对不在库中的测试值的识别能力很弱，因此本方法采用欧氏距离作为判别距离，设定距离最大值，对不在库中的样本给出较准确的判别。

首先获取样本相似度矩阵，如人脸正面的相似度矩阵FA，建立测试值与样本数据库的欧氏距离矩阵，矩阵维度取决于样本库，若样本库中某一类具有n个样本，那么欧氏距离矩阵具有n个距离值，建立n×1距离矩阵。对比距离矩阵中最大值maxD与相似度矩阵中距离最大值maxA，同时设定判决器阈值N为测试成功时maxD与maxA之差，即有定义如下：

至此，三个判决条件分别为正面特征是否匹配，左侧面特征是否匹配以及右侧面特征是否匹配。正面及双侧面的检测流程如图4、图5所示。

3 三维特征信息融合认证算法

利用人脸正面和双侧脸特征矩阵，经过计算合成融合特征矩阵，作为更为安全的认证密钥，对测试目标进行识别。

建立融合特征矩阵的前提是，待测试目标必须提供立体视角的可观测脸部，并且正面与侧面的图像必须在同一条件下采集[16]。

正面特征矩阵和双侧面特征矩阵皆为同一条件下获取的N×M特征矩阵，故三个不同视角的图像中存在三角形经相似变换可以两两重叠。特征矩阵两两作差得：

式中，FF为正面特征矩阵，FSL，FSR为双侧面特征矩阵，FDL，FDR分别为左右侧面矩阵差。

由于立体视角下拍摄的正面和侧面图像必然在某处重合，理想条件下，矩阵FDL，FDR中必有值为0的元素，所以遍历两个矩阵：

式中，FDL为左侧面矩阵差，aij为FDL中的元素，λ为人脸库中数据经过统计分析得到的由于角度导致的人脸正侧面偏差均值，ε为算法的绝对误差，FFL为左侧面融合特征矩阵，FF为正面特征矩阵，FSL为左侧面特征矩阵。

同理，建立右侧面融合特征矩阵FFusionR。经上述方法得到唯一的融合特征矩阵，可作为识别的重要依据输入改进的最近邻分类器。由于认证装置的三个摄像头角度固定且快门时间并发，在相同情况下同时伪造三个视角的图片概率很小，所以此融合特征具有独一性与不可伪造性。

至此，设立的判决条件有正面特征，左侧面特征，右侧面特征，左侧面融合特征及右侧面融合特征，认证流程如图6所示。开始认证后将经过这五层精密筛选，缺一不可。

4 方法验证

为验证上述方法的可行性，对20名人员进行脸部图像采集与人脸识别检验。其中20个人的编号为1～20，为了方便日后认证，记录20个人的姓名缩写（无重名）。

20个人的录入现场照片和系统处理后的正面人脸图像如图7所示。

每个人在三个摄像头前变换不同表情，录入5组共15张照片，库中共存信息图片300幅。录入结束后，将20人随机排列进行认证，测试错误拒绝率为FRR；再请10位非法用户，即库中不存在样本的人来进行认证，测试错误接受率为FAR。测试结果为：

经过多次抽取20人的现场认证，本方法能较好地识别授权人的立体视觉信息并成功判断，实际准确率达92.5%。

5 结 语

本文提出的一种人脸三维特征信息融合方法，作为重要判别条件从三个视角对人脸进行识别认证。同时改进最近邻分类器，引入对样本内欧氏距离的计算，可有效提高对假冒者的排除率。相比于传统单一视角和双目视觉人脸识别系统，在算法上提高了识别速度；在硬件设备上降低了采集系统的复杂度，无需人们刻意配合，易于应用在各种场合如机场、门禁、奥运安检等场合，具有广阔的应用前景。

参考文献

[1]郑方，艾斯卡尔·肉孜，王仁宇，等.生物特征识别技术综述[J].信息安全研究，2016，2（1）： 12-16.

[2] Haghighat M， Zonouz S， Abdel-Mottaleb M. CloudID： Trustworthy cloud-based and cross-enterprise biometric identification[J].Expert Systems with Applications，2015， 42（21）：7905-7916.

[3] Perronnin F， Dugelay J L. an Introduction to biometrics and face recognition[C].IMAGE： ELearning Understanding Information Retrieval and Medical The First International Workshop， 2014.

[4]曹凯.基于特征描述子的人臉识别方法研究[D].西安：西安电子科技大学，2014.

[5] Yan-Ning Zhang， Zhe Guo， Yong Xia. 2D representation of facial surfaces for multi-pose 3D face recognition[J].Pattern Recognition Letters， 2011，33 （5）： 530-536.

[6]汪济民， 陆建峰.基于卷积神经网络的人脸性别识别[J]. 现代电子技术， 2015，38 （7）：81-84.

[7] Ioannis A， Kakadiaris IA. A third dimension in face recognition[J].SPIE Newsroom，2012（1）： 1-2.

[8]邹国锋，傅桂霞，李海涛，等.多姿态人脸识别综述[J].模式识别与人工智能，2015，28（7）：613-625.

[9]杨万振.人脸识别技术概述[J].计算机光盘软件与应用， 2012（5）：49.

[10]贾海鹏，张云泉，袁良，等.基于OpenCL的Viola-Jones人脸检测算法性能优化研究[J].计算机学报，2016，39（9）： 1775-1789.

[11]王奕权.图像去雾与图像增强算法研究[D].南京： 南京邮电大学， 2015.

[12]王宪， 陆友桃，宋书林，等.基于Gabor小波变换与分块PCA的人脸识别[J].计算机工程与应用， 2012， 48（3）：176-178.

[13]刘丛山，李祥宝，杨煜普.一种基于近邻元分析的文本分类算法[J].计算机工程， 2012， 38（15）：139-141.

[14]邸鹏，段利国.一种新型朴素贝叶斯文本分类算法[J].数据采集与处理， 2014， 29（1）：71-75.

[15]刘洋.基于CT影像的肺裂计算机辅助检测方法研究[D]. 沈阳：沈阳大学， 2012.

[16] Abhishek Sharma， Murad Al Haj， Jonghyun Choi.？Robust pose invariant face recognition using coupled latent space discriminant analysis[J].Computer Vision and Image Understanding， 2012，116 （11）： 1095-1110.