人脸识别在Android平台下的研究与实现

倪迎花

摘要：当前，随着信息技术的快速发展，信息安全成为人们非常关注的一个问题，人脸识别技术在种类繁多的安全验证中脱颖而出，成为最具有发展潜力的安全验证措施。本文就对基于Android平台下的人脸识别的研究方案进行研究分析，并对相关的人脸识别计算方法进行介绍，以推动人脸识别在Android智能终端的运用。

关键词：人脸识别；Android平台；实现

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2015）02-0158-02

Abstract： At present， with the rapid development of information technology， information security become a problem of great concern to the people， face recognition technology in a variety of safety verification to the fore， become most has the development potential of the security verification measures. The carries on the research analysis based on the Android platform of face recognition research program and the related to the face recognition calculation method were introduced， in order to promote the face recognition application in Android smart terminal.

Key words： face recognition； android platform； implement

随着信息科学技术的飞速发展，智能手机成为了人们的日常生活中重要的使用设备，而随着移动互联网迅猛发展，智能手机的信息安全问题已经成为当下急需解决的移动通信设备技术问题，而人脸识别技术拥有很强的个体性的特征，对移动支付管理以及支付平台上的私密信息的保护能有很大的帮助。

1 人脸识别

人脸识别是利用计算机对人脸的特征进行提取的，一种建立在人的生理特征之上的识别手段。人脸识别中首先就是要进行人脸图像的采集，然后就是对人脸特征的检测和提取，建立一个人脸模型库，再对人脸进行对比和识别。

1.1 人脸图像的采集

在对人脸进行识别之前，就是要进行人脸图像的采集，但是在对人脸图像的采集过程中，要考虑摄像机镜头分辨率的关系，还有拍摄环境、光照等因素对人脸拍摄的影响，为了避免采集到的人脸图像变形，或者有噪点等，就要先对人脸图像进行灰度化、或者均衡化、矫正等预处理。

1.2 人脸特征的提取

人脸系统中对人脸特征的提取是非常关键的环节，然而随着人脸识别技术的不断提高，对人脸特征提取的分析方法要求也在不断的提高。在当前，在人脸特征分析计算中得到广泛应用的方法是，频域变换方法与子空间分析法相结合的分析算法。而本文主要研究的是频域变换方法对人脸特征提取的分析和判断，该方法主要有离散小波变换（DWT），离散余弦变换（DCT），傅立叶变换（FT）。其中在图像压缩领域运用得最广泛的就是离散余弦变换（DCT），因为离散余弦变化具有能量集中力强、计算复杂性综合效率较高、误码率低以及压缩能力较好等优点，而且是一种数字领域常用的正交频域变换方法。

模糊鉴别分析法（FLDA）是本文还要研究的另外一种人脸特征提取计算方法，这种方法是在离散余弦变换在人脸识别中的应用基础之上，在运用离散余弦变换对图形进行降维之后，再利用线性判别分析（LDA）在低维空间进行特征提取，而线性判别分析方法不足以克服避免图像收光照环境、噪点等因素的影响，因此提出了人脸特征提取分析方法。模糊鉴别分析法为了弥补线性判断分析法中，对每个样本唯一隶属于某一类别的不足，就通过引入样本的类隶属度信息来进行特征提取。也就是说，对人脸特征提取的算法，是将离散余弦变换与模糊鉴别分析法相结合进行计算的，这种算法首先就是要利用离散余弦变换来讲人脸图像进行变换和提取，将少数的离散余弦变换系数在包含有大部分的人脸信息中提取出来，然后为了能利用最小距离分类器对ORL人脸数据库进行分类识别，就要在采用模糊鉴别分析法做进一步的特征提取，以达到最终的人脸特征鉴别。

1.2.1 离散余弦变换

为了减小随机向量的相关性，在提取到的信息经过大量的正交变换后，能将能量集中在少数的变换系数上，就要采用离散余弦变换，这种方法能对信息压缩能力以及计算的复杂程度起到折中的作用，下面我们就通过一幅MxN的人脸图像来进行离散余弦变换系数的提取说明：

根据上图所示，人脸图像在经过离散余弦变换之后，得到的系数矩阵与原来的人脸图像大小相同，矩阵中的元素代表了这张人脸图像的频率，上图（b）是该人脸图像的离散余弦变换系数，可以看出的是该频率从右到左是一个递减的趋势，所以可以分析出，在矩阵的左上角和右上角，分别集中有低频系数以及高频系数，而离散余弦变化的这一分布特点，可以利用上图（c）的Zig-Zag扫描方式将变换得来的离散余弦变换系数矩阵变成一维向量，着眼以来，就能根据选择不同的长度来进行计算量的分析以及能力关系的辨别。

1.2.2 模糊线性鉴别分析法

在人脸特征提取中，为了找到一组投影矢量，为了使样本投影后不同类别的样本得到不同程度的散开，就要找到一组投影矢量，也即是说选择样本类间离散与样本内离散度之间的要具备比值较大的特征，所以线性鉴别分析得到广泛的使用。为此，可以列出这样一个公式：

1.3 DCT与FLDA相结合的人脸特征提取方法

DCT与FLDA相结合的人脸特征提取方法，就是将DCT与FLDA这两种方法中的优点进行融合，先用DCT对整张人脸图像进行变换，然后将包含了人脸显著信息的少数DCT系数提取出来，然后再用FLDA将提取出来的DCT系数特征进行提取，接着再用最小分类器进行特征识别。

该实验是在ORL人脸数据库上开展的，ORL人脸数据库由60个人，每个人10幅不同表情的图像组成，选取每个人5张图像作为样本，剩下的作为测试样本，采用最小距离分类器进行特征量的分类，实验结果如下：

2 人脸识别在Android平台下的实现

上文已经讲过，本文对人脸特征向量的提取，采用的是离散余弦变换与模糊线性鉴别分析相结合的方法，然后在利用最小距离方法对特征进行分类。系统为了减少算法计算复杂度，采用最邻近分类进行特征识别。另外，系统还选择用直方图度量的方法，对待识别向量最接近的图像类别来作为识别的结果。该系统结构由上下两个板块组成，上部虚框中的内容表示的是系统的数据部分，而下虚框则表示系统的算法。而在Android平台下，支持像jpg以及bmp等多种像素格式，所以就需要运用Bitmap进行图像解码，解码后的图像有多种格式，像ARGB 8888以及RGB 565等，其中，ARGB 8888格式的图像在系统中得以广泛的人使用，因为这种格式的图像只需只用一个字节表示颜色的分量，还便于处理像素，使用这种格式图像的系统在开始界面有三个选项按钮，包括退出，打开摄像头以及图像路径选择。

本文选择ORL人脸数据库对系统的特征验证的有效力，以及扩展能力进行测试。ORL人脸数据库有60组图像，每组10幅，图像存在像帽子等的遮挡物，还有光照因素、表情姿态变化的影响。

首先，检测人脸位置的方法是采用Haar特征的Adaboost算法，对人脸轮廓以及双眼位置特征进行定位，是采用的ASM特征定位算法。然后再根据人脸特征定位的结果对人脸大小、姿态进行归一处理，之前的像素是90×120的，归一化后的分辨率为110×130，接着再使用LBP特征提取方式，对多级人脸分块进行特征提取，然后就是对人脸采取最邻近方法进行识别。在该实验中，训练图像为每组的后五张，前五张就作为测试图像。对训练图像以及测试图像都采取同样的处理措施：在特征提取之前，对图像进行直方图均衡化归一处理，以及将质量较差的图片清除。该实验测试了300张图片，正确率高达93.7%，我们通过魅族手机的识别时间来看，其平均识别时间是10秒，人脸检测时间大约是总测试时间的91%。我们对其中几张错误识别的图像进行分析，得出这部分没有被识别出来的图像几乎都是由于归一化处理错误，以及受到光照为非线性的影响。光照非线性的变化，对人脸区域存在明显的阴影，导致直方图均衡化处理也不能消除该因素对像素的影响。而归一化处理错误，对人脸精确度的识别有直接的影响，致使直方图的均衡化处理发生变化。但是总的来讲，ORL人脸数据库基于Android系统上对人脸的识别率，具有一定的稳定性和有效性，平均识别时间为10秒。

3 结束语

综上所述，本文通过对人脸识别在Android平台系统中的特征识别进行了分析，并对人脸识别在系统中的实现采取实验的方法进行了验证。

参考文献：

[1] 蒋卓轩. 基于Android平台大规模人脸识别系统研究与实现[D]. 湖南大学， 2013.

[2] 蔡芷铃， 林柏钢， 姜青山，等. 基于人脸识别技术的Android平台隐私保护系统设计[J]. 信息网络安全， 2014（9）： 50-53.

[3] 李发鑫， 罗玉川， 王野，等. 基于人脸识别和双线性对的安全短信通信系统[J].信息网络安全， 2012（9）： 9-11.