安徽农业科学，Journal of Anhui Ag=．Sci．2007，35《16)：5021—5022 责任编辑庆珞责任校对胡先祥 o●’‘…………～…，…，…枷，删…～…………………，…一…，…m…’吒 I■。………】Ⅲ…………………………………一…～…m…Ⅲ…，Hl。o·6 j编者按：计算机自动人脸识别技术作为一种生物特征识别技术，不仅在金融、犯罪学上应用。也可在农业领域应用，如植物5 9 《保护学科的病虫害识别上。推筹该篇论文，供农业工作者参考。 基于小波变换的人脸识别系统 王建文，杨川 (陕西科技大学电气与信息工程学院，陕西西安710021) 摘要分析目前各种人脸识别技术的优缺点并实现了一种基于小波变换的人脸识别系统，根据试验结果评定该系统能比较精确的进行 人脸的检测定位与特征提取，并最终完成人脸识别确认，具有很高的实用价值和广泛的应用前景。 关键词人脸识别；小波变换；特征提取 中图分类号TP311．5 文献标识码A 文章编号0517—6611(2007)16—05021—02 A Face Recognition SI，steIII Based On Wavelet m'snsforln WANG Jian-’wn et al(College of Electrical and Information Engmoe,4．g，Shaanxi University of Science＆Technology，Xian，Shaanxi 71(X)21) The advantages and disadvantages of the various existing face recognition methods were analyzed and a face recognition system W&S set up based Abstract On wavelet transform，which could improve the accuracy of orientation and feature extraction，and achieve face recognition．It had a high practical value and wide application prospect． Key words Face recognition；Wavelet transform；Feature extraction 自动人脸识别技术作为一种生物特征识别技术在金融、 法如特征脸方法和弹性网格方法，这两种都是基于整体的人 犯罪学等领域中的照片对比系统设计上有着广泛的应用前 景。人脸识别是通过特定的人脸识别算法，综合计算机系 统、计算机图形学、数字图像处理、模式识别、计算机视觉、人 脸识别方法。基于整体的识别方法充分利用了人脸各个特 征点之间的拓扑关系和各个器官自身的信息，可以避免提取 人脸局部特征的操作，使识别准确性有所提高。 工神经网络和生物特征技术等多种学科进行身份验证的一 随着人脸识别技术的发展，识别的具体方法向着整体识 种技术，这是目前计算机图形学非常活跃的一个研究方向。 别和部件分析相结合的趋势发展，研究人员开始逐渐认识到 最近几十年，国内外都对人脸识别问题进行了大量的研究工 人脸识别算法必须能够有效地利用人脸的各种特征信息，融 作，许多研究学者提出了很多有效并且实用的人脸识别算 法。综合考虑目前的研究算法主要是从以下两个方面进行 的：一是实际与整体结合的研究方法，考虑模式的整体属性， 合人脸的形状拓扑结构特征、局部灰度特征和全局灰度分布 特征等，因此出现了很多新的算法，这些算法是将原来单一 的算法结合起来最终完成人脸的识别，灰度和形状分离的可 包括了特征脸方法、弹性匹配方法和隐马尔可夫模型方法 变形模型方法就是其中之一。 等；二是基于特征分析的方法，基于整体脸的识别保留了人 2系统介绍 脸部件之间的拓扑关系与各部件本身的信息，而基于部件的 识别则是通过提取出局部轮廓信息及灰度信息来设计具体 的识别方法。最近研究也正在试图将这两种方法有效的结 合起来，以求达到最佳的人脸识别效果。 1研究成果及方法 系统充分继承了现有优秀算法的长处，实现了一种精 确、实用的人脸识别算法。综合考虑到人脸识别的准确、速 度等问题，采用了基于几何特征的人脸识别技术而非计算量 很大的基于特征点的人脸识别方法，同时在实现算法的基础 上进行改进和优化，得到一套快速、有效的人脸识别系统解 在人脸识别研究刚刚起步阶段，研究学者建立的大多是 决方案。 半自动的人脸识别系统，需要人工进行一些特征点的标识， 这种方法主要是以人脸特征点的间距、比率等参数为特 征…。大多数早期的人脸识别方法是基于部件的而非整体 的，他们利用人脸固有的生物几何特征进行识别，这类方法 的原理和实现比较简单，但并没有充分利用人脸所包含的丰 富信息。后来出现了性能较优越的模板匹配算法，即根据图 像库中的人脸模板与待识别的人脸模板在灰度上的相似程 度来完成人脸识别，这种方法的缺点是对于背景复杂的人脸 图像识别效果较差。 鉴于对人脸识别能力的要求的不断提高，基于整体的识 别方法很快成了研究的重点并得到了重视。比较典型的方 基金项目 作者简介 收稿日期 陕西省教育厅专项科研计划项目(05JKl45)。 王建文(1947一)，男，河南郑州人，教授，硕士生导师，从事软 件工程．激光3一D扫描研究。 20昕一03．01 2．1关键技术小波变换是一种新的分析方法，是继Fourier 分析之后纯粹数学和应用数学殊途同归的又一典范。它的 产生、发展和应用始终依赖于计算机科学、信号处理、图像处 理、应用数学、地球科学等众多科学领域和工程技术应用方 面专家、学者与工程师们的共同努力。数字图像处理与小波 变换的结合可以出色地完成如图像对比度增强、图像融合等 功能，而这些正是其他处理方法的共有缺陷。小波变换能较 好的保持图像细节和各频带的边缘信息，并且小波变换的多 分辨率特性，使其在数字图像的处理中得到广泛应用，该系 统将采用小波变换实现特征部件的边缘检测。 2．1．1小波和小波变换。所讨论的范围只是函数空间r (R)；小写沙(戈)是时间信号，大写缈(叫)是其Fourier变换；尺 度函数总是写成妒(戈)(时间域)和西(叫)(频率域)；小波函数 总是写成曲(戈)(时间域)和皿(叫)(频率域)。 2．1．2小波。小波就是空间r(尺)中满足下述条件的函数 ˝ • ‰ ˚ 

5022 或者信号妒(戈)： R 』I 9(x)1 2dx<∞ …．，、l’ 岛：l业型幽<∞ R、 叫 这时9(cU)也成为小波母函数，c廿成为容许性条件。 2．1．3小波变换。对于任意的函数或者信号厂(z)∈L2(尺)， 其小波变换为：盼(n，b)=l八∞)雪(乱6)(戈)出=1／,／I nf!／ 安徽农业科学 2007年 (1) (2)2 第m个边界像素点到该区域中心的距离为：Ⅸ(m)= Sk(m)一@l m=1，2，…M。距离序列的均值为： Meank=∑Dk(m)／M 最终求得的方差为： H=[∑l仇(m)一Mean^门／M (5) (6) 在所求得的所有K中选取最小的2个，并根据对应的 (并)，吵[(并一b)／a]dx (3) G得到眼睛的位置。把得到的坐标依次存入一个Location 2．2系统的具体实现在此人脸识别系统中，将按照线性 矩阵中，该矩阵的大小为(4N+2)×2i 4|。在各个部件的大概 的步骤完成识别过程，因而要求在各个环节都有较高的准确 范围内，采用小波变换进行检测从而计算出其他部件的边界 性，并在每个环节对结果都进行相应的验证工作，否则任何 范围。 一个环节中出现的差异都将使识别结果受到较大的影响，进 2．2．4人脸识别确认。人脸识别的确认就是根据前面得到 行识别工作的线性步骤： 的人脸特征，将其与库中的人脸特征进行比较，确认是否已 2．2．1图像的预处理。因为考虑到原始图片的质量(如受 达到人脸识别的最终目标。采用的是计算识别出来的人脸 到拍摄条件的影响)可能会有噪声的影响，或是画面太暗或 特征与库中人脸部件的相似度来进行最后的人脸确认工作 太亮等问题，因而图像的预处理工作显得非常重要。从消除 的。假设有模板r和搜索图5，＆，．7表示模板覆盖下的那块 噪声和进行适度的灰度变换作为预处理最终目标。因为噪 搜索图，其中i，i表示位置，则其相互相关相似性测度为： 声的主要来源是高斯噪声，所以采用中值滤波法进行噪声滤 R(i，j)={∑∑[y’，(m，凡)X T(m，n)]}／{∑∑[Si'， (m，n)]2} 或者归一化为： (7) R(i，?)={∑∑[s以。(m，n)×T(m。n)]l／ ／l，" ． ／11 I， h／∑∑[s“，(m。几)]、／∑∑[r(m，几)]2} 3结果及评定 (8) 由图1可知，系统对人脸特 征部件的检测比较准确，并且经 过系统测试在不到l s的时间内 就可以完成检测工作，符合预期 的性能目标。但是在人脸确认识 别阶段由于并未建立足够大的人 脸数据库，所以测试结果受到一 定限制。要将其应用到实际系统 中必须建立起完备的人脸数据 库，同时在匹配算法上必须进行 波，灰度变换使用的则是线性灰度变换。 2．2．2人脸检测定位。这是人脸识别系统中非常必要的部 分，因为整个系统比较复杂，所以必须将识别的搜索范围确 定在人脸的区域内，而要利用计算机智能定位人脸的范围， 所以就需要比较有效的人脸定位算法。所用的照片背景环 境比较简单，采用的原始图片为彩色图像，所以根据人脸肤 色鉴别作为进行人脸提取的基本依据。这主要是采用基于 知识的方法，得到人脸部特征的灰度分布情况和几何特征。 2．2．3面部特征提取。人脸的生物特性是进行人脸特征提 取的先决条件，先根据图像信息判断出人脸五官的大概位 置，然后利用小波变换进行边缘特征提取，再进行精确识别。 由于小波变换的良好性能，所以采用小波变换作为进行边缘 提取的理论依据。首先讨论人脸五官位置的判断方法。根 据人脸检测的结果，可以得到人脸特征在水平位置上的投 影。人脸的特征基本都对应着水平投影的波谷位置，从而可 以定位出人脸特征的纵坐标，再根据人脸检测的横坐标和人 图1人脸识别 脸特征的先验知识，可以将特征点定位在一个大致的范围之 内。在基准：芪的选取与定位时，眼睛是进行人脸识别中最具 表现力的面部特征之一，而且以眼睛作为基准点也有利用其 一些优化工作，使其能更好地符合快速识别的要求。 参考文献 [1]肖冰，王映辉．人脸识别研究综述[J]．计算机应用研究，20∞(2)：112一 他特征的定位工作，所以选择眼睛作为进行特征识别的基准 113． 点。首先将原始图片转换成灰度图。然后根据自适应的阈 [2]靳济芳．Visual c++小波变换技术与工程实践[M]．北京：人民邮电出 版社，a)64． 值对图像进行二值化处理，作为进行眼睛位置判断的前提工 [3]刘艳丽。赵跃龙．人脸识别技术研究进展[J]．计算机工程，2005(3)：15一 作。眼睛部分是圆形或接近圆形的，而眉毛部分一般是弯月 形，或者说与圆形相差较大，根据这个形状特征，计算每个目 标区域的边界像素点到该区域中心的距离的方差，根据方差 的大小找到描述眼睛区域的边界，并进一步得到眼睛所在的 位置。该区域的边界像素的坐标序列为：Sk=t(i1，j1)，(i2， 16． [4]王光辉，梁毅军，贺朋令．入脸识别中的眼睛定位[J]．信号处理，1999， 15(S)：85—88． [5]杨枝灵，王开．Visual C++数字图像获取处理及实践应用[M]．北京： 人民邮电出版社，20(13． 16j KRUGER N．Analgodtlrn for the learning 0f weioats in&scfi矾rlatiaa run．ons ming a pnoff constrainls[Jj．1EEETran$m PAMI．1997，19：764—7醴． [7]魏立梅．人脸图像识别的神经网络方法[D]．西安：西安电子科技大学， ?2)，…，(ira，j,n>}，其中k表示第k个区域的边界，膨为这个 1995， 区域边界的像素的个数，用Sk(m)表示这个区域边界的第M 个像素的坐标。则该区域中心的坐标为： Ck=∑Sk(M)／M (4) [8]职ⅡI瑚[Z R P．Object recogtiti∞robtkst under昀mlali帆s，ddonnati伽，md changes in backgound[Jj．IEEE Tl'ansm PAMI，1997，19：769—774． [9]封明玉，赵政，张钢．分布式环境下数据冲突及其解决方案[J]．计算机 应用研究。2002，19(2)：72—74． [10]王聃，贾云伟，林福严．人脸识别系统中的特征提取[J]．微计算机信 息，2005，21(7)：53—54 ˝ • ‰ ˚