基于PCA人臉識(shí)別算法的智能考勤系統(tǒng)的研究

蔡婷婷　錢鵬江

摘要：近幾年一些新穎學(xué)習(xí)算法的運(yùn)用，使得計(jì)算機(jī)的人臉識(shí)別效率接近甚至趕超人類肉眼辨別物質(zhì)的能力。但是這些新穎的學(xué)習(xí)算法都是以大數(shù)據(jù)分析為基礎(chǔ)的，在有限運(yùn)算能力的嵌入式平臺(tái)上并不適用。鑒于現(xiàn)有嵌入式中央處理器較為薄弱的計(jì)算能力，該課題討論的智能考勤系統(tǒng)并沒(méi)有采用新式的智能學(xué)習(xí)算法，只是在經(jīng)典的主成分分析（Principal Component Analysis， PCA）算法的基礎(chǔ)上加以完善，提出了基于全局與局部特征加權(quán)的人臉識(shí)別算法。

關(guān)鍵詞：人臉識(shí)別;智能考勤;PCA;嵌入式系統(tǒng)

中圖分類號(hào)：TP391? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2019）25-0191-02

1 主成分分析簡(jiǎn)介

主成分分析是所有特征提取方法中比較著名的。Kirby和Sirovich兩位學(xué)者率先提出把Karhunen-Loeve（K-L）變換運(yùn)用在人臉?lè)治鲱I(lǐng)域，而且給出主成分的概念，用于描述和替換人臉圖像，Turk和Pentland則在前人的基礎(chǔ)上給出“特征臉”的定義，所以這個(gè)方法還被叫作“特征臉?lè)ā薄Ｖ鞒煞址治龇ǖ年P(guān)鍵作用是把維度較高的空間向量映射到低維向量空間，換而言之就是通過(guò)減小向量空間維度達(dá)到剔除數(shù)據(jù)關(guān)聯(lián)性的意義。

2 基于全局與局部特征加權(quán)的人臉識(shí)別算法

2.1 局部特征PCA人臉識(shí)別算法

大部分人臉識(shí)別算法還是基于人臉圖像的全局特征，很大程度上是鑒于很難精確找準(zhǔn)人臉的局部特征以及是否能成功獲取這兩方面的考慮。然而局部特征相對(duì)于全局特征而言，更具代表性，可以提高人臉識(shí)別的正確率。假若待檢測(cè)個(gè)體的局部特征更為顯著，那么它在人臉識(shí)別中所占的比重就更高所以，本文提出獲取人臉的局部特征并形成對(duì)應(yīng)的集合。在主成分分析的基礎(chǔ)上，建立局部特征子空間，加上全[3]局和局部特征組成的權(quán)重系統(tǒng)，完成對(duì)人臉圖像的識(shí)別[4]。

（1） 獲得局部特征

局部特征的獲得對(duì)于本文提出人臉識(shí)別算法的正確率很關(guān)鍵，所以本文采用代碼開源的opencv庫(kù)以實(shí)現(xiàn)對(duì)人臉局部特征如眼睛、鼻子、嘴巴的獲取。

（2） Haar-like型特征算法

Haar-like型特征算法并不是指的某一種算法，而是一類算法的統(tǒng)稱，比如Viola-Jones算法、眼睛特征識(shí)別算法、鼻子檢測(cè)算法等[5]。

2.2 融合全局和局部特征的人臉識(shí)別

按照上文的流程，已經(jīng)成功獲得人臉圖像的全局和局部特征的子空間，然后根據(jù)最近鄰法則求得的歐式距離進(jìn)行識(shí)別。根據(jù)現(xiàn)有文獻(xiàn)以及實(shí)驗(yàn)仿真，獨(dú)立的基于全局特征的人臉識(shí)別或者基于局部特征的人臉識(shí)別均無(wú)法提高正確率，效果不佳。而且，假如某個(gè)人的嘴型特征顯著，但采用全局特征對(duì)圖像加以識(shí)別會(huì)造成較低的信任度造成錯(cuò)誤識(shí)別現(xiàn)象的發(fā)生。因此，本文提出兼顧全局和局部特征的人臉識(shí)別算法，即分開算出全局特征的離散度[Sta]與局部特征的平均離散度[Stii=1，2，3，4]，這里提到的離散度表示全局和每個(gè)局部特征集合的權(quán)重，最后得到綜合信任度。

3 人臉識(shí)別流程

首先采用攝像頭獲取每個(gè)員工的人臉圖像，平均每個(gè)員工取五張，建立每個(gè)員工的初始學(xué)習(xí)集合。把學(xué)習(xí)集合的協(xié)方差矩陣看作生成矩陣，求解生成矩陣的特征值及對(duì)應(yīng)的特征向量，然后按照進(jìn)獻(xiàn)度進(jìn)行降維操作，算出且生成相應(yīng)的人臉特征子空間。把待檢測(cè)的圖像和平均臉的差值臉映射至人臉特征子空間，得到待檢測(cè)圖像在人臉特征子空間的位置。根據(jù)位置坐標(biāo)，采用最近鄰法則運(yùn)算得到待檢測(cè)圖像和每張預(yù)處理過(guò)的圖像之間的歐氏距離并以此作為識(shí)別依據(jù)。人臉識(shí)別的流程圖具體步驟由以下四步完成。

（1） 采用攝像頭獲得人臉圖像并建立相應(yīng)的數(shù)據(jù)庫(kù)，構(gòu)建原始學(xué)習(xí)集合。

（2） 把協(xié)方差矩陣[C]看作生成矩陣，算出相應(yīng)的特征值及特征向量，挑選最高進(jìn)獻(xiàn)度的特征向量建立特征子空間，即人臉特征子空間[Wj]。

（3） 根據(jù)式（5）對(duì)檢測(cè)圖像預(yù)處理，得到它在人臉特征子空間[Wj]上的映射向量。

（4） 根據(jù)歐氏距離公式計(jì)算待檢測(cè)圖像跟每張人臉的距離，然后判斷它歸屬的類別。

4 實(shí)驗(yàn)仿真結(jié)果

為了檢驗(yàn)提出算法的性能，確保系統(tǒng)集成選比較具有代表性的且適合仿真實(shí)驗(yàn)的ORL庫(kù)、Yale庫(kù)和AR庫(kù)進(jìn)行測(cè)試驗(yàn)證。其中ORL庫(kù)是英國(guó)劍橋大學(xué)Olivetti實(shí)驗(yàn)室研究建立的，有40個(gè)人臉對(duì)象，而每個(gè)對(duì)象有10張，總共400張人臉灰度圖像[7]，而圖像的尺寸是112×92且背景都是黑色。Yale庫(kù)中的人臉對(duì)象略多于ORL庫(kù)，總共有15個(gè)對(duì)象，每個(gè)對(duì)象11張，涵蓋不同光照強(qiáng)度、表情各異和遮蓋角度不同的正臉圖像[8]。AR庫(kù)出自西班牙計(jì)算機(jī)視覺(jué)中心，整個(gè)庫(kù)中有116人，共計(jì)3288張圖像，是實(shí)驗(yàn)三個(gè)庫(kù)中樣本最多的一個(gè)庫(kù)。而且圖像獲取的流程十分嚴(yán)格，影響圖像的關(guān)鍵因素，如攝像頭的參數(shù)、與人臉的距離和光照強(qiáng)度都經(jīng)過(guò)調(diào)節(jié)。ORL人臉庫(kù)和Yale人臉庫(kù)的局部樣本如圖2所示。

第一種情景是對(duì)ORL庫(kù)中的樣本進(jìn)行人臉識(shí)別測(cè)試。設(shè)置系統(tǒng)學(xué)習(xí)的人臉圖像數(shù)目在[2，8]內(nèi)遞增，提出算法、全局PCA算法和局部PCA算法的識(shí)別率。

第二種情景是對(duì)Yale庫(kù)中的樣本進(jìn)行人臉識(shí)別測(cè)試。設(shè)置系統(tǒng)學(xué)習(xí)的人臉圖像數(shù)目在[2，8]內(nèi)遞增，提出算法、全局PCA算法和局部PCA算法的識(shí)別率。

5 結(jié)束語(yǔ)

本文在闡述常用PCA人臉識(shí)別算法的基礎(chǔ)上，鑒于考勤系統(tǒng)的現(xiàn)實(shí)需求，設(shè)計(jì)改進(jìn)了一種兼顧全局特征和局部特征的人臉識(shí)別算法，設(shè)置分別在ORL庫(kù)、Yale庫(kù)和AR庫(kù)上進(jìn)行檢驗(yàn)，提出算法與已有算法相比，人臉識(shí)別正確率更高，為后期系統(tǒng)集成測(cè)試打下了基礎(chǔ)，同時(shí)對(duì)提出算法的便捷性進(jìn)行簡(jiǎn)單介紹。

參考文獻(xiàn)：

[1] Wang D， Li D， Lin Y. A new method of face recognition with data field and PCA[C]//GrC. 2013： 320-325.

[2] Miziolek W， Sawicki D. Face recognition： PCA or ICA [J]. Przeglad Elektrotechniczny， 2012， 88（7 A）： 286-288.

[3] 陸軼秋.基于人臉識(shí)別的智能門禁系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D].江蘇科技大學(xué)，2018.

[4] 池立盈.移動(dòng)平臺(tái)上的人臉識(shí)別系統(tǒng)研究[D].浙江大學(xué)，2018.

【通聯(lián)編輯：代影】