梁飞翔

(娄底职业技术学院 湖南娄底 417000)

引 言

为了提升多姿态人脸识别中的人脸生成精度，本文提出了局部加权的人脸生成算法，并且利用人脸特征进行总结和分析。现有的人脸识别系统，在人脸和人脸姿态类似的情况下，人脸识别率相当高。但是当人脸姿态发生多种变化时，人脸识别系统的识别率也在不断地降低。因此，改善这一问题的最有效的方式就是通过采集多姿态人脸来处理。同时，由于实际环境和条件的约束，大部分情况下都无法采集到足够的姿态人脸。由于以上的情况，基于单视图的多姿态人脸识别已经成为了人脸识别领域研究的重点，研究具有重要的指导意义和价值。

一、人脸识别技术的内涵

人脸识别技术是利用计算机技术对人脸进行分析，有效的采取人脸的主要特征进行人脸的鉴别技术，在多媒体、身份验证等方面具有重要的作用和价值，受到了各行业领域的广泛应用和重视。随着社会经济的快速发展，人脸识别领取也取得了突破性的进展，但是这些发展成果无法满足现代化发展的要求。现阶段，人脸识别的识别率也逐步地提升了，但是个别因素影响下，多样化姿态的不断变化，导致降低了人脸识别率。人脸和人体都具有独一无二的特征，为身份的识别奠定了基础保障，同时，人脸识别技术又具有以下的优势：人脸采集是一种友好的方式，具有非接触性质，操作简单方便，和指纹以及虹膜对比而言，一般情况下，人类不需要具备知识的储备，只需要专家认定即可。人脸识别设备简单，且生产成本较低，采用移动设备采集即可，而指纹、虹膜则需要专业的采集仪器，且费用十分的昂贵，因此不建议推广和应用。[1]

二、单视图人脸识别的重要作用

在单视图人脸识别样本中，实际上每个都只有一张人脸图像。比如：学生证、身份证、驾驶证等。但在公安系统应用中，却存在着多种姿态的人脸识别，导致各种不确定的因素和问题发生。单视图的多姿态人脸识别在人脸识别领域面临着巨大的挑战和困难，如何突破这个难题，对于我国各行业领域的发展具有重要的应用价值和意义。基于单视图的人脸识别具有诸多的优势，不仅可以降低多姿态人脸识别的成本，还可以减轻人脸采集工作量。对于人脸识别来说，多姿态人脸识别的生成阶段为离线状态，识别过程为在线转态，人脸的相应特征控制点，可以通过全自动的方式采集，也可以利用半自动的方式采集。例如，很多的证件在办理阶段都已经完成了用户的电子图像采集，包括工作证、身份证、驾驶证等。因此，我们可以使用以往用过的人脸库建立新的人脸库，其中包含了单视图的，也包含了正面的，有效地降低了成本的和劳动力。单视图的人脸样本有效地缩小了储存空间，可以在有限的空间内放更多的单个人脸图像，提升了系统的扩展性。[2]

三、基于单视图人脸识别的算法

(一)多姿态人脸生成算法基本原理

由于人脸的器官分布的相似性，以及明显的结构特征和局部特征特点，我们可以完全利用类似点和结构特征去创建多种姿态下的人脸几何形变函数，从而形成多姿态的人脸图像。基于此，本文提出了局部加权多姿态人脸生成算法，其主要是通过人脸的局部特征，得到人不同姿态下的相同的特征之间的映射函数。随着姿态变化不断增加，同一个体的人脸图像之间相关性降低。因此，我们将单视图和人脸图像作为样本，并且对人脸的候选姿态样本进行识别和确定，从而不需要对整个样本库进行对比，不仅减少了计算量，还降低了搜索空间。

(二)多姿态人脸支持分类识别

对于N种类的多姿态人脸，笔者构建了一个N(N-1)/2个SVM分类器，将主要提取的人脸特征作为分类的输入量，完成SVM的学习训练，然后根据人脸识别的特征量G，采用一对一的算法进行投票决定，最终以得票最多的来判定G的属类。分类器本质是一个超平面集，所有人脸的G均能被该平面集进行划分，促使不同的人脸之间分类距离变大。

(三)实验计算结果

笔者采用局部加权的平均算法来拟合姿态人脸，使得每个像素的形变函数与相邻的特征点函数与其距离加权所决定。这样不仅保证了形变函数的局部特征，还有效地避免了局部差异扩大到整个图像当中，从而进一步提升了人脸图像的局部特征的精确度。采用正脸多姿态的人脸生成方法，我们只需要得到正面人脸图像，就能获取多姿态人脸，不断扩大人脸训练样本集，提升人脸识别率，展示了良好的人脸识别效果，在人脸姿态变化更多、更大时，效果会更加显著。

四、结束语

总而言之，人脸识别率的高低和每个人脸的训练样本数之间有着很大的关系。本文提出的人脸生成算法，通过对个体样本的人脸识别问题，转化为每个人有多个样本的情况下，面临的人脸识别问题，从而有效地实现多姿态人脸的识别，提升人脸识别率和效果。同时，本人脸识别算法只要在拥有正面人脸样本的情况下，就能进行多姿态人脸识别，在具体的应用中具有良好的效果和适应性。