基于RRST比对策略的人脸分类方法研究
时间：2021-01-04 12:03:01 来源：雅意学习网 本文已影响 人 
[摘要]：
本文主要针对光照变化影响人脸识别准确率和传统比对方法中无法确认样本身份等问题展开研究，针对光照条件变化的情况下阈值难定且无法确定样本身份的问题，创新性的提出了基于多次比对排名打分的RRST（Repeatedly Ranked Scoring Tactic）比对策略。实验结果表明，本文提出的比对策略优于基于阈值的最小距离分类法，能确认待比对样本的身份，且对环境变化具有较强的鲁棒性。
[关键词]：人脸识别；人脸分类；RRST比对策略
1.引言
随着计算机视觉技术和生物特征识别技术的发展，人脸识别技术已经成为了当今计算机视觉领域最热门的研究课题之一，在安防行业、门禁系统、考勤系统以及人机交互等领域有着广泛的应用[1][2]。一个典型的人脸识别系统主要包括训练模块和识别分类模块[3]。训练模块主要完成将已知人脸进行定位、特征提取与选择、以及分类器的设计；识别分类模块则完成将未知图片进行处理，并最终完成对待测样本身份的判别和分类[4]。
2.传统最小距离分类法介绍及其缺点分析
在传统的人脸分类方法中，最小距离分类器是一种常用的人脸分类方法[5][6]。这种分类方法的原理是计算所有训练样本和待测样本之间的距离并排序，将排序结果中排名第一的结果看做是最终的识别结果。
此外还有基于阈值的最小距离分类方法，这种方法在一定程度上可以衡量待测样本和训练样本之间的相似度。在训练阶段，最小距离分类法和基于阈值的最小距离分类法是类似的，主要的不同是在比对阶段。比对方式的优点是显而易见的，不仅能判断出待测样本是否属于训练集，而且能通过阈值精确判断待测样本属于训练集中的哪一个人。
在实际应用中，条件往往比较苛刻。不同光照条件下所得的同一人脸的两张图像之间的灰度分布差异甚至可能会大于不同人脸图像之间的灰度分布差异[7]，因此，基于阈值的最小距离分类方法在参加较为复杂的实际应用中很难取得理想的效果。
3.基于排名打分的分类策略RRST
为了解决上述存在的问题，本文创新性的提出了基于多次排名打分的人脸分类策略RRST（Repeatedly Ranked Scoring Tactic）。如果是一个根本不属于样本库的人脸被作为待测样本，系统在这种相对排序比对的方式下仍然会给出一个排序结果，而无法判断待测样本是否属于训练样本库。 为了解决上述问题，我们提出了一种利用多次排序打分进行自动确认的比对策略。
具体实现步骤如下：
1. 采集这20个准入人员的人脸图像。
2. 采集三个随机人脸库，每个人脸库包含200个人脸。
3. 获得了三个新的人脸库，每个人脸库有220人，其中20人是准入人员，另外200人为随机人脸。
4. 准入人员编为1-20号，其他随机人脸编为21-220号。
5. 每个随机人脸库分别利用本文提出的MLBP-PCA算法进行特征提取，生成三个训练模板。
6. 将前N位识出率中的N定为20，即统计前 20位的排名情况。设编号为A的人脸三次排序打分的得分分别是 那么总分
（1）
7. 对编号1-220的人脸分别统计总分 分数最高的人脸对应的编号即为最终的结果，设
以上是本文提出的比对打分策略的整个过程，即利用了相对排名中N位识出率的优势，又能够由机器自动地给出最终结果而不需要人工确认，可以显著提高传统方法的工作效率。
4.实验结果及分析
接下来对本文提出的RRST比对策略进行验证，我们在实验中选取了美国国防部的CTTP提供的一个人脸识别技术FERET通用人脸库。
人脸门禁系统是人脸识别技术中的一种重要应用。为了方便通过实验衡量本文提出的策略的有效性，我们的实验假定在一个人脸门禁的应用中，门禁准入名单上有20个人。我们另外整理制作了三个随机人脸库，每个库中有一百个人。
为了验证系统对各种变化的适应性，我们的测试库中包含了光照、角度以及表情变化，测试样本共有197个，其中包含正常状态的样本131个，含有表情、光照、角度变化的样本66个。
本文主要靠正确识出率和正确通过率这两个指标来衡量系统的可靠性。
正确识出率指的是当输入门禁系统的人脸图像不在准入名单上时，系统能够成功的识别出来拒绝其进入并发出警报。正确通过率的定义是当输入门禁系统的人脸图像是系统准入名单上的某时，系统能够做出正确判断并允许其通过。
5.总结
本文针对人脸分类算法进行了研究，详细介绍了基于阈值的最小距离分类法的原理和实现方法，并针对其存在的不足提出了RRST比对策略。通过实验证明，本文提出的RRST比对策略既能对待测样板实现准确分类，确定样板身份，同时对环境变化具有较高的鲁棒性，分类效果优于传统的基于阈值的最小距离分类法。
参考文献
[1] 田启川, 张润生. 生物特征识别综述[J]. 计算机应用研究, 2009, (12): 4401-4407.
[2] 孙冬梅, 裘正定. 生物特征识别技术综述[J]. 电子学报, 2001, (S1): 1744-1748.
[3] 张翠平, 苏光大. 人脸识别技术综述[J]. 中国图象图形学报, 2000, 5(11): 885-894.
[4] 严严, 章毓晋. 基于视频的人脸识别研究进展[J]. 计算机学报, 2009, 32(5): 878-886.
[5] 於俊, 汪增福. 极低码率下的2D-3D人脸视频编解码[J]. 电子学报, 2013, (1): 185-192.
[6] 余冰, 金连甫, 陈平. 利用标准化LDA进行人脸识别[J]. 计算机辅助设计与图形学学报, 2003, (3): 302-306.
[7] 王燕群, 童卫青, 张昌明. 基于边缘统计和特征定位的人脸姿态估计方法[J]. 计算机系统应用, 2011, 20(4): 86-90.
[基金项目]：国家科技支撑计划课题（2012BAH20B01）；国家科技支撑计划课题（2014BAK11B02）广西自然科学基金项目（2012GXNSFAA053232, 2013GXNSFAA019326）
(此基金排版时保留)
[作者简介]：张力（1989-），男，硕士研究生，主要研究方向为图像和视频处理、模式识别。蔡晓东（1971-），男，博士，副教授，主要研究方向为并行化图像和视频处理、模式识别与智能系统、基于云构架的智能传感器网络；王春利*（1980-），男，硕士，讲师，主要研究方向为差分方程相关理论（wangchunliwcl821222@sina.com）。
