两种人脸识别技术对比研究

两种人脸识别技术对比研究

丘华敏

（国网福建省电力有限公司泉州电力技能研究院，福建 泉州  362000）

摘  要：人脸识别技术作为一种生物识别技术得到了广泛的应用，实现人脸识别的方法多种多样，其中特征提取是人脸识别最重要的步骤之一。本文重点介绍了两种主流的人脸识别技术，即主成分分析和线性判别分析，具体介绍了这两种方法的工作原理和实现步骤，并通过分析其工作原理说明了它们的优点和缺点。针对这两种方法从识别速率、识别准确率和对各种噪声的鲁棒性等方面进行比较，说明两种方法的最佳使用条件。最后提出当前人脸识别面临的巨大挑战和未来前进方向。

关键词：人脸识别;特征提取;主成分分析;线性判别分析

中图分类号：TP391.41      文献标识码：A 文章编号：2096-4706（2019）24-0100-02

Abstract：Face recognition technology is widely used as a biometric technology. There are many ways to achieve face recognition. Among them，feature extraction is one of the most important steps in face recognition. This article focuses on two mainstream face recognition technologies—principal component analysis and linear discriminant analysis. The working principles and implementation steps of the two methods are introduced in detail，and their advantages and disadvantages are explained by analyzing the working principles of the two methods. The two methods are compared from the recognition rate，recognition accuracy and robustness to various noises，and the best conditions for using the two methods are explained. Finally，the huge challenges faced by current face recognition and the way forward are proposed.

Keywords：face recognition;feature extraction;principal component analysis;linear discriminant analysis

0  引  言

隨着计算机网络技术的高速发展和信息化进程的日益加快，信息安全和公共安全越来越显示出其前所未有的重要性。准确的身份识别或认证是保证信息安全和公共安全的重要前提，人们对于既方便快捷又安全可靠的身份认证手段的需求日益迫切，而基于人体生物特征的身份识别技术为实现这种需求提供了可能。在这种需求的推动下，人们已经相继开发出了基于声纹、指纹、眼虹膜的生物特征识别系统，并且也得到了成功的应用。与上述识别技术相比较，利用人体面部特征的身份认证则具有简便、准确、友好、使用者无心理障碍及可扩展性强等诸多优势，目前已在多个领域中得到应用。主成分分析（PCA）和线性判别分析（LDA）是人脸识别中使用最广泛的分析方法，并且处理步骤简单，以下将对这两种方法做详细介绍。

1  人脸识别介绍

人脸识别作为图像分析与理解最成功的应用之一，近年来受到了广泛的关注。人脸识别过程包括拍摄取图、特征提取、比较和匹配等步骤。特征提取是模式识别和数据挖掘技术中的一种重要方法。它通过一定的规则从原始数据中提取有意义的特征子集，以减少机器训练的时间和空间复杂度，达到降维的目的。特征提取将输入数据转换为特征集，而新的约简表示包含了原始数据的大部分相关信息。人脸特征提取是人脸识别系统的关键步骤。

2  两种主流人脸识别技术

2.1  主成分分析（PCA）

主成分分析（PCA）是一种降维技术，可用于解决压缩和识别问题。PCA也被称为特征空间投影或KL变换。

PCA将原始的数据空间或图像转换成一个子空间的主成分，使得该子空间的第一个正交维能够获得图像之间的最大方差。根据目标的统计特性，该子空间的最后一个维度捕获图像之间的最小方差。这个变换的输出分量是正交的或不相关的，当用这些输出分量描述原始向量时，均方误差最小。

PCA是一种流行的变换技术，其结果与原始样本的单一特征分量没有直接关系。PCA具有处理特征提取的能力，能够捕获样本中最可变的数据成分，并从所有特征中选择许多重要的特征。PCA已成功地应用于人脸识别、图像去噪、数据压缩、数据挖掘和机器学习等领域。主成分分析主要应用于利用主成分分析将样本转换为新的空间，并利用新空间的低维表示来表示样本。将PCA方法应用于人脸识别中，称为特征脸技术。

科学家们在1991年提出了人脸识别的特征面方法。人脸图像被投射到一个由特征脸定义的人脸空间中，而这组人脸的特征向量不一定对应于孤立的特征，如眼睛、耳朵和鼻子。特征面算法利用主成分分析法进行降维，以求得人脸图像在整个图像空间内分布的最佳向量。

PCA已得到了广泛研究。它已经成为人脸识别中最成功的方法之一，也是最具特征的方法。但是，PCA也存在一些缺点，比如：

（1）对光照和表情敏感;

（2）很难准确地评价协方差矩阵;

（3）除非在训练数据中注明，否则无法捕获其不变性;

（4）该方法不考虑类的可分性;

（5）本质上依赖于图像的灰度相关性，因此对图像亮度和人脸姿态变化的适应性较差;

（6）随着数据集的增加，计算变得复杂而且计算成本高昂。

主成分分析方法试图找到一个投影矩阵，使投影样本的总散射矩阵的行列式最大，主成分分析的步骤包括训练步骤和识别步骤两个阶段：

（1）训练阶段。这一步是从训练图像中提取特征空间的过程。利用系统需要识别的数据样本，建立特征矩阵，将图像空间中的样本转化为特征空间中的点：1）图像样本采用灰度图像;2）从二维矩阵变换到一维列向量;3）利用n张图像的列向量形成N2*n维的数据矩阵（图像集）X;4）计算矩阵X中数据向量的均值向量;5）用均值向量减去数据矩阵X的向量使其归一化;6）计算该列的协方差矩阵;7）计算特征值和对应的特征向量：找到协方差矩阵的特征向量，从而得到降维，根据对应的特征值，将特征向量的顺序由高到低排列，这个特征向量矩阵就是特征空间;8）通过将数据矩阵X投影到特征空间得到P。

（2）识别阶段。这一步是从测试图像中提取特征空间的过程。然后将这些结果与训练阶段的结果进行比较，以获得最小的差异：1）将被识别的图像转换为一维向量，然后用均值相减;2）将上一步得到的向量投影到相同的特征空间上;3）计算P中被识别图像与所有投影样本之间的欧氏距离，最小的欧氏距离值表示最等价的图像。

2.2  线性判别分析（LDA）

线性判别分析（LDA）方法也叫做Fisher线性判别（FLD），它是一种广泛应用于人脸图像特征提取的方法。LDA也是一种降维技术，用于分类问题。该方法试图找出最大限度地分离不同类别图像的投影方向。从数学角度上看，它试图找到投影矩阵（权值），使投影图像的类间散射矩阵与类内散射矩阵之比最大化。类内分散矩阵，也称为个体内分散矩阵，表示同一个体由于不同的光照和面部表情而产生的外观变化。类间分散矩阵，也称为个体外分散矩阵，表示由于个体不同而导致的外观变化。

与基于PCA的算法相比，LDA考虑了类的降维。LDA的关键思想是将高维的样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果。与主成分分析相似，LDA的衍生特征也是原始數据的线性组合。由于LDA可以有效地将数据减少到低维空间中，所以它适合于数据集的图形表示。

线性判别分析的步骤如下：

（1）计算类内分散矩阵;

（2）计算类间散射矩阵;

（3）计算投影矩阵的特征向量;

（4）通过相似度度量将测试图像的投影矩阵与各训练图像的投影矩阵进行比较，与测试图像最接近的训练图像即为所要结果。

2.3  两种方式对比

研究员们通过对两种方法的比较发现，LDA在识别率（准确率）方面优于PCA，特别是在人脸表情干扰识别方面，PCA算法只能达到93%左右的精度水平，而LDA算法却几乎可以达到100%的精度水平。LDA的识别率优于PCA是因为LDA直接处理类间的差别，而PCA不注意底层的类结构。LDA既考虑类内的分散矩阵，又考虑类间的分散矩阵。LDA进一步降低了PCA的维数。

在时间方面，PCA比LDA有更大的优势，特别是在有背景干扰的图像识别方面。LDA算法为了获得特征值，需要计算类内和类间的散射矩阵。而在PCA算法中，只需要计算一个离散矩阵就可以得到特征值。因此，LDA算法比PCA算法需要更多的时间来提取特征。PCA的投影在低维的重建中是最优的，但从识别的角度来看可能不是最优的。在有亮度干扰的图像中，同一人脸图像之间的亮度变化（类内）几乎大于人脸识别（类间）的变化。在处理亮度、背景和表情等干扰方面存在不足。

干扰和图像数量是影响拍摄时间和识别率的因素。无干扰的图像识别的最佳算法是PCA，因为在相同的识别率下，PCA比LDA花费更短的时间。另一方面，对于有干扰的图像，由于LDA具有较高的识别率，因此使用LDA更佳。

3  结  论

人脸识别具有很好的应用前景，但同时也面临巨大挑战。还有很多技术难题需要解决，例如，如何识别有遮挡的人脸？如何实现识别精度和识别速度的提高？机器学习中的支持向量机方法和深度学习的卷积神经网络也同样经常被用于处理人脸识别，研究人员正试图在原有的方法上进行改进或将多种方法结合起来以提高人脸识别的性能。

参考文献：

[1] 蒋小军.人脸识别技术应用探究 [J].现代信息科技，2019，3（14）：91-92.

[2] 孟德顺.PCA应用中的几个问题 [J].西北林学院学报，1995（1）：89-94+42.

[3] 崔自峰，吉小华.基于线性判别分析的特征选择 [J].计算机应用，2009，29（10）：2781-2785.

作者简介：丘华敏（1987.05-），男，汉族，福建上杭人，本科，工程师，研究方向：信息安全、计算机系统应用。