摘要：針對單對象人臉識別的特點，提出了一種基于DWT-DCT平均臉和自適應閾值的單對象人臉識別算法，該算法首先利用膚色模型和人臉幾何特征檢測、定位、歸一化內臉，然后對人臉進行DWT變換和DCT變換提取人臉特征，并計算DWT-DCT平均臉，最后利用自適應閾值進行人臉識別。實驗證明，該方法具有識別有效性和認證可靠性。
1 引言
隨著計算機網絡和通信技術的發展，信息安全、知識產權保護和身份認證等問題成了一個重要而緊迫的研究課題。身份認證是保證系統安全的必要前提，在多種不同的安全領域都需要準確的身份認證。傳統的身份證、智能卡、密碼等身份認證方法存在攜帶不便、容易遺失、不可讀或密碼易被破解等諸多問題。基于人臉識別技術的身份認證方法與傳統的方法相比，具有更好的安全性、可靠性和有效性，因此正越來越受到人們的重視，并逐漸進入社會生活的各個領域。
人臉識別技術具有廣泛的應用前景，可以應用到多種不同的安全領域，因其識別特征的獨特性、惟一性和相對穩定性，逐漸成為一非常熱門的研究課題。許多典型的人臉識別算法和應用系統都是針對標準或特定的人臉數據庫，利用庫內人臉進行訓練，并在相同的庫中實現人臉識別。但在軟件保護、計算機安全等特殊應用中，身份認證僅針對單個對象進行人臉識別，現有的人臉識別方法并不能勝任這樣的識別任務。為此，本文針對單對象人臉識別的特點，討論了單對象人臉檢測和識別的關鍵技術，在此基礎上提出了一種單對象人臉識別算法，實驗結果證明了該方法的有效性。
2 單對象人臉識別的特點
與典型的人臉識別相比，單對象人臉識別有以下4個方面的特點：
應用領域 人臉識別的應用領域很廣，如刑偵破案、證件核對、保安監控等，而單對象人臉識別主要應用在軟件保護、計算機安全鎖、特定對象追蹤等領域。
識別系統的目標 單對象人臉識別的最終目標是系統必須具有高度的安全性和可靠性，即識別錯誤率趨于0。雖然降低識別錯誤率的同時識別率也會降低，但可以通過提示用戶調整姿態(如注視攝像頭等)加以改善。
膚色模型 由于單對象人臉識別僅針對特定的對象，所以人臉檢測的膚色模型可采用自適應的方法調整膚色范圍。
分類方法 單對象人臉識別不存在人臉數據庫，常用的最小距離分類法不能夠正確識別特定的對象，只能用閾值作為判據。因此，閾值的選取十分重要，閾值過大則容易出現錯判，存在安全隱患；而閾值過小又會影響識別效率。
3 人臉的檢測和歸一化
人臉檢測是人臉識別的前提。對于給定的圖像，人臉檢測的目的在于判斷圖像中是否存在人臉，如果存在，則返回其位置和空間分布。利用人臉膚色和面部特征，將人臉檢測分為兩個階段：外臉檢測和內臉定位。外臉檢測主要利用人臉膚色進行初步的臉區檢測，分割出膚色區域；內臉檢測是在外臉區域中利用面部幾何特征進行驗證和定位。
3.1 外臉檢測
外臉檢測的任務是將待檢圖像中可能的人臉區域找出來并加以標記，其步驟如下：
(1)根據人類膚色在色彩空間中存在區域性的特點，將可能為人臉的像素檢測出來。為更好地利用膚色特征，同時選用HSI和YcbCr兩種色彩空間對圖像進行二值化處理，膚色范圍限定在H∈[0，46]，S∈[0.10，0.72]，Cb∈[98，130]，Cr∈[128，170]內。將滿足條件的像素標記為膚色像素，其余的均為非膚色像素。
(2)去噪處理。在以每一個膚色點為中心的5×5鄰域內統計膚色像素的個數，超過半數時中心點保留為膚色，否則認為是非膚色。
(3)將二值圖像中的膚色塊作區域歸并，并對目標區域進行比例、結構分析，過濾掉不可能的人臉區域。目標區域的高度/寬度比例限定在0.8～2.0。
3.2 內臉檢測和定位
將包含眼、眉、鼻和嘴的區域稱為內臉區域。內臉區域能夠很好地表達人臉特征，且不易受背景、頭發等因素的干擾，因此內臉區域的檢測和定位對后續的特征提取和識別至關重要。
在外臉區域的上半部，對二值圖像進行水平方向和垂直方向的投影，確定兩個包含黑點的矩形區域作為雙眼的大致區域。在確定的兩個區域中，對黑點進行區域膨脹，可以得到眼睛的基本輪廓和左石眼角，黑點坐標的平均值作為瞳孔的位置。
設左右瞳孔的坐標分別為(Lx，Ly)和(Rx，Ry)，兩個瞳孔之間的距離為d，根據人臉的幾何特征，我們將內臉區域定義為：寬度=-d×1.6，高度=-d×1.8，左上角坐標為(Lx-d×0.3，(Ly+Ry)/2-(-d)× 0.3)。實驗表明，該區域能夠很好地表達人臉特征。
3.3 內臉區域的歸一化
由于各待測圖像中的人臉大小具有很大的隨機性，因此，有必要對內臉區域進行歸一化操作。人臉歸一化是指對內臉區域的圖像進行縮放變換，得到統一大小的標準圖像，實驗中，我們規定標準圖像的大小為128×128。歸一化處理，保證了人臉大小的一致性，體現了人臉在圖像平面內的尺寸不變性。
圖1是一個人臉檢測和歸一化的例子，其中的原始圖像來自實驗室現場拍攝。
4 人臉特征提取及DWT-DCT平均臉
對歸一化的人臉圖像，采用小波變換與DCT相結合的方法提取人臉特征。首先對人臉圖像進行3層小波分解，取低頻子圖像LL3作為人臉特征提取的對象，從而獲得每幅訓練樣本或測試樣本的低頻子圖像；然后對低頻子圖像進行離散余弦變換(DCT)，DCT系數個數與子圖像的大小相等(即256)，由于圖像DCT變換，能量集中在低頻部分，因此只取其中的136個低頻系數作為特征向量。
為了使測試樣本與訓練樣本具有可比性，提取全部訓練樣本的特征向量，計算所有訓練樣本的平均特征，構成DWT-DCT平均臉，即：
其中N為訓練樣本數，xk，i表示第i個樣本的第k個特征向量，mk為平均臉的第k個特征向量，k=1，2，…，136。
5 人臉的識別
完成訓練過程并獲得待測樣本的特征后，即可進行人臉識別，本文采用歐氏距離進行分類。
5.1 計算樣本與平均臉的歐氏距離
用m和x表示平均臉和樣本的特征向量，則樣本與平均臉的歐氏距離為：
其中mk表示平均臉的第k個特征向量，xk表示待測樣本的第k個特征向量。身份認證時，計算待測樣本與平均臉的歐氏距離，并與特定對象的自適應閾值進行比較，將小于閾值的樣本判為該對象的人臉，即認證通過。
5.2 自適應閾值的選取
與典型的人臉識別方法不同，單對象人臉認識沒有人臉數據庫，不能用距離最小作為判據，只能用閾值作為判別依據。閾值的選取應兼顧識別率和識別的準確性，實驗中我們取訓練樣本與平均臉的歐氏距離平均值作為分類閾值，即：
其中，N為訓練樣本數，此值不宜太小；di為第i個樣本與平均臉之間的歐氏距離。
6 實驗結果及分析
本文選用西安交通大學人工智能與機器人研究所東方人臉庫(AI&R)的視點子庫進行實驗，該數據庫包括每位被拍攝人在19個不同視點角度下(10°為一個單位)拍攝的中性表情圖像。實驗包括類內測試和類間測試。類內測試用于考查單對象人臉識別的識別率，而類間測試則用于考查誤識率。隨機選取5個人，每人用7幅圖像(-30°～+30°)作為訓練樣本，分別計算平均臉和自適應閾值、類內識別率和類內距離，另外再選取50個人，每人一幅正面圖像作為類間測試樣本，分別對5個對象進行類間測試，實驗結果如表1所示。從實驗數據可以得出如下結果：
(1)類內識別率不高，原因是自適應閾值為訓練樣本與平均臉的歐氏距離平均值，訓練樣本中的部分圖像不能被識別。在實驗室中，我們通過提示被試注視攝像頭、適當調整姿態等措施提高圖像的拍攝質量，使識別率得到了顯著的改善。
(2)在50人的類間測試中，最小距離均大于閾值，即錯誤識別率為0。實驗室的現場測試中也得到了相同的結果。
(3)文中提出的單對象人臉識別方法能夠成功地識別特定對象，并能準確地排除其他對象，可用于軟件保護、計算機安全等系統的身份驗證。
7 結語
本文提出的單對象人臉識別方法，針對單對象人臉識別的特點，綜合考慮了識別率和認證的準確性，運用平均臉方法有效地縮小類內距離，同時擴大類間距離，取訓練樣本與平均臉的歐氏距離平均值作為分類閾值。實驗結果表明，該方法具有識別有效性和認證可靠性，在單對象人臉識別的實際應用中是一種可行的方法。
