基于提高人脸识别效率的方法研究

孙抒雨+韩冰

摘 要：作为最重要的一种模式识别分类，根据人的脸面部特征进行辨识对比进而判断是否相同，人脸识别逐步在现实生活中起到重要的作用。但当前绝大多数对比方法，耗时较长，达不到满意效果，本论文探讨一种基于小波权位的能快速提高辨识效率的方法。

关键词：人脸识别 权位 小波

中图分类号：TU201 文献标识码：A 文章编号：1672-3791（2014）04（c）-0030-01

1 人脸识别研究现状简介

伴随着计算机技术的发展，在识别技术领域里从简单的痕迹识别包括我们熟知的脚印、指纹、行为等逐步衍生出来虹膜既眼球识别、人的面部识别再到更高级的通过血液、皮毛的DNA识别。

信息技术的提升大大促进了识别技术的发展，并为其广泛应用提供了技术保障。但DNA等识别技术还达不到实时性。所以人脸识别作为现在主流的识别应用技术之一，它的应用的还是非常广泛的，在机场、住宅、会议等安检设施，到一些大公司企业上班签到、银行等行政部门自主服务、服务公安安全信息等都被广泛的实用。

2 人脸识别的主要方法及面临的问题

当下的人脸识别流行的算法主要是对人脸的面部特征进行数据量化，在进一步对量化后的矩阵进行计算，然后与数据库的信息通过类比方式比对，相同数量达到一定阈值是判断相同或不同。但是有一个无法回避的问题就是对人脸特征提取后为了追求高比较识别的精确度会造成很大的数据量，进而给后续的计算带来很大的负担，大到不能支持或延时实时识别。因此，识别精确度和对比时间成为一组不可调和的矛盾，怎样来选合适的点，既能保证识别精度又不太增加识别时间，成为当今主要的课题研究。

3 一种能快速提高人脸识别效率的算法

在这里主要介绍一下提高识别效率的方法，在人的面部特征通过数据量化分析之后，通常有进行小波变换、离散分析、及近年来广泛应用的PCA、2DPCA/LDA等不同的方法。这里我们通过一组数据说明一下，在一个静态图像如128×128个点，为了提高辨识精度经过小波变换或离散变换后，我们就拿最常用的40组小波函数窗口为例矩阵的为数可达到655360位，如果直接进行比对的话很显然计算量很大，严重的影响速度。但是我们经过反复的实验得知在这655360个点中，其中有很少个点但集中了整幅图像的绝大部分能量，因为在一整副图像中脸颊、额头、毛发等都占了大部分篇幅，但绝大部分人来说都没有什么特征，对于辨识来说没有什么影响或者说作用非常小。因此我们提出找出其中集中了主要能量的点，把他们集中并且重新组成一个新的矩阵向量，直接用他们进行下一步的对比，这样会很少消耗资源。

根据我们前面提及的所谓小波变换，其实就是参考它具有的多窗口特性，能使原先的一幅平面图形立体化。其对最终的识别精度提效明显，这也是我们把128×128转化为655360的一个主要原因，但是怎样去寻找那部分高作用点呢？这里我们引入一个权位概念，如大家熟知的个十百千万，其中万的权最高大于其它，1个万要远远大于99个十等等。因此，我们去求权最高的点像素。在655360个点中权越大对比其它人脸来说效果就越明显差别大，对于自己的人脸图像点来说越不明显差别小。因此，我们可以把它定义为一种数学模型中极间方差和极内方差来求。步骤如下：

Step 1把我们刚才得到的655360个点的坐标从新组成系数矩阵C。

Step 2 推导出C的平均值：

Q为训练类，P为样本，x，y为点的位置。

Step 3 推导出C的方差：

Step 4 推导出均值：

Step 5 推导出均值：

Step 6 推导出方差：

Step 7 推导出点的贡献值（H）：

1≤c≤M，1≤y≤N

在第七步之后我们就能够找到一些对于用来对比贡献值不同的点，我们按照需要挑选一些贡献大的点，在把这些点重新集合在一起，用这些点来进行计算对比。而选取点的个数我们可以经过试验反复验证。以上算法通过ORL和YALE人脸识别集合库，验证得到贡献值集中在绝少部分点上（60～70个）（如图1）。

通过上面试验我们能够看出对于不同人脸库即人脸表情、姿态等影响对于点的贡献是不同的。我们在把这些点对应的位置坐标记录下来，用来与人脸库中人脸进行计算速度要快很多提高20%左右，而精度下降较少3%左右。

参考文献

[1] Shen Cong， Xiao-Gang R， Tian -Lu M.Writer IdentificatiGabor Wavelet. Proceedings of the 4th World CoIntelligent Control and Automation[Z].2002，3：2061-2064.

[2] 李铭.自动人脸检测与识别系统的研究[D].北京交通大学，2006.

[3] 孙抒雨.基于Gabor特征的人脸识别算法研究[D].辽宁科技大学，2012.

[4] 李晓东.人脸识别算法研究[D].南京：东南大学，2009.endprint

摘 要：作为最重要的一种模式识别分类，根据人的脸面部特征进行辨识对比进而判断是否相同，人脸识别逐步在现实生活中起到重要的作用。但当前绝大多数对比方法，耗时较长，达不到满意效果，本论文探讨一种基于小波权位的能快速提高辨识效率的方法。

关键词：人脸识别 权位 小波

中图分类号：TU201 文献标识码：A 文章编号：1672-3791（2014）04（c）-0030-01

1 人脸识别研究现状简介

伴随着计算机技术的发展，在识别技术领域里从简单的痕迹识别包括我们熟知的脚印、指纹、行为等逐步衍生出来虹膜既眼球识别、人的面部识别再到更高级的通过血液、皮毛的DNA识别。

信息技术的提升大大促进了识别技术的发展，并为其广泛应用提供了技术保障。但DNA等识别技术还达不到实时性。所以人脸识别作为现在主流的识别应用技术之一，它的应用的还是非常广泛的，在机场、住宅、会议等安检设施，到一些大公司企业上班签到、银行等行政部门自主服务、服务公安安全信息等都被广泛的实用。

2 人脸识别的主要方法及面临的问题

当下的人脸识别流行的算法主要是对人脸的面部特征进行数据量化，在进一步对量化后的矩阵进行计算，然后与数据库的信息通过类比方式比对，相同数量达到一定阈值是判断相同或不同。但是有一个无法回避的问题就是对人脸特征提取后为了追求高比较识别的精确度会造成很大的数据量，进而给后续的计算带来很大的负担，大到不能支持或延时实时识别。因此，识别精确度和对比时间成为一组不可调和的矛盾，怎样来选合适的点，既能保证识别精度又不太增加识别时间，成为当今主要的课题研究。

3 一种能快速提高人脸识别效率的算法

在这里主要介绍一下提高识别效率的方法，在人的面部特征通过数据量化分析之后，通常有进行小波变换、离散分析、及近年来广泛应用的PCA、2DPCA/LDA等不同的方法。这里我们通过一组数据说明一下，在一个静态图像如128×128个点，为了提高辨识精度经过小波变换或离散变换后，我们就拿最常用的40组小波函数窗口为例矩阵的为数可达到655360位，如果直接进行比对的话很显然计算量很大，严重的影响速度。但是我们经过反复的实验得知在这655360个点中，其中有很少个点但集中了整幅图像的绝大部分能量，因为在一整副图像中脸颊、额头、毛发等都占了大部分篇幅，但绝大部分人来说都没有什么特征，对于辨识来说没有什么影响或者说作用非常小。因此我们提出找出其中集中了主要能量的点，把他们集中并且重新组成一个新的矩阵向量，直接用他们进行下一步的对比，这样会很少消耗资源。

根据我们前面提及的所谓小波变换，其实就是参考它具有的多窗口特性，能使原先的一幅平面图形立体化。其对最终的识别精度提效明显，这也是我们把128×128转化为655360的一个主要原因，但是怎样去寻找那部分高作用点呢？这里我们引入一个权位概念，如大家熟知的个十百千万，其中万的权最高大于其它，1个万要远远大于99个十等等。因此，我们去求权最高的点像素。在655360个点中权越大对比其它人脸来说效果就越明显差别大，对于自己的人脸图像点来说越不明显差别小。因此，我们可以把它定义为一种数学模型中极间方差和极内方差来求。步骤如下：

Step 1把我们刚才得到的655360个点的坐标从新组成系数矩阵C。

Step 2 推导出C的平均值：

Q为训练类，P为样本，x，y为点的位置。

Step 3 推导出C的方差：

Step 4 推导出均值：

Step 5 推导出均值：

Step 6 推导出方差：

Step 7 推导出点的贡献值（H）：

1≤c≤M，1≤y≤N

在第七步之后我们就能够找到一些对于用来对比贡献值不同的点，我们按照需要挑选一些贡献大的点，在把这些点重新集合在一起，用这些点来进行计算对比。而选取点的个数我们可以经过试验反复验证。以上算法通过ORL和YALE人脸识别集合库，验证得到贡献值集中在绝少部分点上（60～70个）（如图1）。

通过上面试验我们能够看出对于不同人脸库即人脸表情、姿态等影响对于点的贡献是不同的。我们在把这些点对应的位置坐标记录下来，用来与人脸库中人脸进行计算速度要快很多提高20%左右，而精度下降较少3%左右。

参考文献

[1] Shen Cong， Xiao-Gang R， Tian -Lu M.Writer IdentificatiGabor Wavelet. Proceedings of the 4th World CoIntelligent Control and Automation[Z].2002，3：2061-2064.

[2] 李铭.自动人脸检测与识别系统的研究[D].北京交通大学，2006.

[3] 孙抒雨.基于Gabor特征的人脸识别算法研究[D].辽宁科技大学，2012.

[4] 李晓东.人脸识别算法研究[D].南京：东南大学，2009.endprint

摘 要：作为最重要的一种模式识别分类，根据人的脸面部特征进行辨识对比进而判断是否相同，人脸识别逐步在现实生活中起到重要的作用。但当前绝大多数对比方法，耗时较长，达不到满意效果，本论文探讨一种基于小波权位的能快速提高辨识效率的方法。

关键词：人脸识别 权位 小波

中图分类号：TU201 文献标识码：A 文章编号：1672-3791（2014）04（c）-0030-01

1 人脸识别研究现状简介

伴随着计算机技术的发展，在识别技术领域里从简单的痕迹识别包括我们熟知的脚印、指纹、行为等逐步衍生出来虹膜既眼球识别、人的面部识别再到更高级的通过血液、皮毛的DNA识别。

信息技术的提升大大促进了识别技术的发展，并为其广泛应用提供了技术保障。但DNA等识别技术还达不到实时性。所以人脸识别作为现在主流的识别应用技术之一，它的应用的还是非常广泛的，在机场、住宅、会议等安检设施，到一些大公司企业上班签到、银行等行政部门自主服务、服务公安安全信息等都被广泛的实用。

2 人脸识别的主要方法及面临的问题

当下的人脸识别流行的算法主要是对人脸的面部特征进行数据量化，在进一步对量化后的矩阵进行计算，然后与数据库的信息通过类比方式比对，相同数量达到一定阈值是判断相同或不同。但是有一个无法回避的问题就是对人脸特征提取后为了追求高比较识别的精确度会造成很大的数据量，进而给后续的计算带来很大的负担，大到不能支持或延时实时识别。因此，识别精确度和对比时间成为一组不可调和的矛盾，怎样来选合适的点，既能保证识别精度又不太增加识别时间，成为当今主要的课题研究。

3 一种能快速提高人脸识别效率的算法

在这里主要介绍一下提高识别效率的方法，在人的面部特征通过数据量化分析之后，通常有进行小波变换、离散分析、及近年来广泛应用的PCA、2DPCA/LDA等不同的方法。这里我们通过一组数据说明一下，在一个静态图像如128×128个点，为了提高辨识精度经过小波变换或离散变换后，我们就拿最常用的40组小波函数窗口为例矩阵的为数可达到655360位，如果直接进行比对的话很显然计算量很大，严重的影响速度。但是我们经过反复的实验得知在这655360个点中，其中有很少个点但集中了整幅图像的绝大部分能量，因为在一整副图像中脸颊、额头、毛发等都占了大部分篇幅，但绝大部分人来说都没有什么特征，对于辨识来说没有什么影响或者说作用非常小。因此我们提出找出其中集中了主要能量的点，把他们集中并且重新组成一个新的矩阵向量，直接用他们进行下一步的对比，这样会很少消耗资源。

根据我们前面提及的所谓小波变换，其实就是参考它具有的多窗口特性，能使原先的一幅平面图形立体化。其对最终的识别精度提效明显，这也是我们把128×128转化为655360的一个主要原因，但是怎样去寻找那部分高作用点呢？这里我们引入一个权位概念，如大家熟知的个十百千万，其中万的权最高大于其它，1个万要远远大于99个十等等。因此，我们去求权最高的点像素。在655360个点中权越大对比其它人脸来说效果就越明显差别大，对于自己的人脸图像点来说越不明显差别小。因此，我们可以把它定义为一种数学模型中极间方差和极内方差来求。步骤如下：

Step 1把我们刚才得到的655360个点的坐标从新组成系数矩阵C。

Step 2 推导出C的平均值：

Q为训练类，P为样本，x，y为点的位置。

Step 3 推导出C的方差：

Step 4 推导出均值：

Step 5 推导出均值：

Step 6 推导出方差：

Step 7 推导出点的贡献值（H）：

1≤c≤M，1≤y≤N

在第七步之后我们就能够找到一些对于用来对比贡献值不同的点，我们按照需要挑选一些贡献大的点，在把这些点重新集合在一起，用这些点来进行计算对比。而选取点的个数我们可以经过试验反复验证。以上算法通过ORL和YALE人脸识别集合库，验证得到贡献值集中在绝少部分点上（60～70个）（如图1）。

通过上面试验我们能够看出对于不同人脸库即人脸表情、姿态等影响对于点的贡献是不同的。我们在把这些点对应的位置坐标记录下来，用来与人脸库中人脸进行计算速度要快很多提高20%左右，而精度下降较少3%左右。

参考文献

[1] Shen Cong， Xiao-Gang R， Tian -Lu M.Writer IdentificatiGabor Wavelet. Proceedings of the 4th World CoIntelligent Control and Automation[Z].2002，3：2061-2064.

[2] 李铭.自动人脸检测与识别系统的研究[D].北京交通大学，2006.

[3] 孙抒雨.基于Gabor特征的人脸识别算法研究[D].辽宁科技大学，2012.

[4] 李晓东.人脸识别算法研究[D].南京：东南大学，2009.endprint