3. 3 人脸动态采集与人脸库的构建
系统采集每人的10 幅有一定差别的正面人脸图像,保存到训练库, 图3 是动态采集某个人员10副照片的图例. 在对同一个人脸采集10 个样本的过程中,如果后面采集的人脸与前面采集的相似度很高,则认为此次采集的人脸已经在训练库中存在,不保存结果并继续采集, 直到采集相似度较高的图像为止,然后保存到训练库中. 相似度的计算如式(2)所示,式中f i 和f j 分别表示第i 和j 个人脸,其中f i= ( ui1 , ui2 , ?, uip) . 最后在训练库中, 同一个人的不同样本归为相同的类, 不同的受考勤人员的样本属于不同的类。
3. 4 维数约减与特征提取
人脸图像是高维的数据,并且在高维空间分布很不紧凑,计算复杂度高,为此,需要对高维的人脸数据进行维数约减. 常见的维数约减方法有主成分分析( PCA) 、独立成分分析( ICA) 、线性判别分析(LDA/ FDA) 、非负矩阵因子(NMF) 、多维尺度分析(MDS) 、核主成分分析( KPCA) 、核Fisher 判决分析(KFDA) 、流形学习(ML) 等方法. 考虑到本系统在考勤时人脸图像基本上是正面人脸,因此采用PCA方法对人脸图像进行降维、特征提取并最终识别出人脸。Kirby 和Sirovich[6 ]首先把PCA 思想引入到人脸识别; Turk 和Pentland[7 ] 进一步发展为特征脸(Eigenface) 方法,用于正面的人脸识别,并取得很大成功. PCA 是基于DKL T (离散K - L 变换) 的人脸识别方法,DKL T 变换是图像压缩的一种最优正交变换,其生成矩阵一般为训练样本的总体散布矩阵.高维的图像空间经过DKL T 变换后得到一组新的正交基,保留其中重要的正交基,由这些基可以组成低维线性空间. PCA 是一种简单、快速、实用的基于代数特征的多元分析技术,保留了人脸部件之间的拓扑关系,也保留了各器官部件的信息,目前得到广泛的应用。
PCA 的目的是通过线性变换找一组最优的单位正交向量基(即主成分) , 用它们的线性组合来重建原样本,并使重建后的样本和原来样本的均方误差(MSE) 最小. 假定有N 个样本x k ( k = 1 ,2 , ?,
N) ,所有样本的均值为E( x) , 则x 的协方差矩阵
令u1 , u2 , ?, un 和λ1 ,λ2 , ?,λn 分别是S 的特征向量和特征值,并且λ1 ≥λ2 ≥ ?λn . 然后将协方差矩阵S 分解成:
式中, U = [ u1 , u2 , ?, un ] ,Ω = diag (λ1 ,λ2 , ?,λn) 选择最优的m ( m < n) 个非零特征值作为主成分,并使得均方误差(MSE) 最小. 令Wopt = [ u1 ,u2 , ?, um ] , 则原空间的样本就可以在低维主成分子空间上的投影系数用来描述:
3. 5 相似度匹配及阈值确定
对人脸图像进行特征提取后,接着进行相似度度量. 常见的相似性度量有基于距离的方法、基于概率的方法和基于熵函数的方法,其中基于距离的方法中,有Euclidean 距离、Manhattan 距离、Hamming距离、Chebychev、s 阶Minkowski 等方法. 在基于几何特征的识别方法中,通常利用特征矢量之间的距离函数进行度量. 针对本系统得到的特征矢量信息,采用Euclidean 距离的方法来计算待识别人脸与训练样本的距离. 根据相似度计算的结果,如果相似度大于给定的阈值δ,则系统判定现场采集的人脸与事先采集的人脸图像为同一个人,并在数据库中记录考勤的日期、上班时间等信息. 考勤时人脸相似度阈值δ确定的依据来源于人脸采集时的样本相似度值,以克服人为因素设定阈值的随意性,确保阈值取值的合理性.
4 实验结果及分析
动态人脸考勤系统采集了天思智能系统研究所50 位博硕士生的各10 幅图像进行识别实验,结果表明系统一次性识别率达到为96 % ,主要原因在于: (1) 人脸训练库比较小、人员固定; (2) 要求考勤时人脸正面或近似正面对准摄像头; (3) 通常情况下用户在考勤时候姿态、表情都是正常情况,没有太大变化,也没有复杂背景及夸张性的化妆等情况,所以识别率很高。
5 结束语
文中设计并实现了基于Adaboost 和主元分析法(PCA) 的动态人脸识别考勤系统. AdaBoost 算法选择多个弱分类器构成强分类器,提高人脸的检测速度;PCA 算法实现从高维特征空间到低维特征空间的降维压缩处理,提取出高维人脸图像在低维空间的特征描述,实现人脸识别,最终实现考勤管理.系统运行结果表明,动态人脸识别考勤系统具有人脸识别动态性、识别率高、实用性好、可靠性强等特点. 下一步的工作是进一步优化人脸特征的选择和提取算法,提高识别的速度和系统的性能。
