探讨应用子空间的人脸识别算法

《探讨应用子空间的人脸识别算法》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、探讨应用子空间的人脸识别算法邓鑫朱为刚李斌深圳市公安局视频警察支队二大队518000摘要：随着社会科技的不断发展，人脸识别算法不断革新，传统的人脸识別算法提取特征偏差较大，容易受姿态、表情、光照等干扰。木文分析了子空间应用与人脸识别的算法，阐述了子空间应用语人脸识别算法的重要性，针对传统识别算法中存在的问题进行分析研宄。笔者通过自身多年的从业经验，提出一些突破传统的限制识别对人脸特征提取的算法。希望通过木文的分析能帮助相关单位提供人脸识别的提取水平和质量，能更好地应对其运用中存在的问题。关键词：

2、子空间；人脸识别；算法；提取在以大数据时代为背景的当下，随着犯罪分子反侦查意识日益增强，作案手段日趋多样化，配套法律法规日趋完善，现场遗留的有价值的痕迹物证越来越少,公安机关传统侦查模式面临前所未有的挑战。人脸识別是一项十分复杂且重要的工作，识别方法有很多，但有不少方式在对人脸进行识别时会受到光照情况、人脸的变化等影响，子空间内线性方法应用于人脸识别非常关键，关系着追踪到人脸是否与图像上的人为同一个人。因此，探讨、分析子空间应用与人脸的识別算法具有重要的作用和意义，只有找出识别方法中存在的问题，

3、才能认清其存在问题的根木原因，并积极寻找更好的识别系统对人脸进行识别。一、研究背景随着科学技术的不断发展，社会治安视频监控工程不断深入，分布在社会面各个位置的视频监控设备越来越多。结合案发中心现场的外扩视频可以采集到大量的违法犯罪嫌疑人的面部、行为举止等多种视频信息。同时，伴随着人像比对技术的日趋成熟，从大量的人像数据库（如逃犯照片库、失踪人口照片库、常住人口照片库等）中查找检索违法犯罪人员的准确身份信息也已经应用于公安各项实战工作中。然而，人脸的图像提取较为复杂，在视频中对人脸的特征进行描述闲

4、难较大，在日常案件视频研判过程中获得的违法犯罪嫌疑人的图片很难满足人像比对的需求，因此虽掌握了人量的违法犯罪嫌疑人的面部视频，仍无法通过人像比对落实其身份。例如2014年4月15日，在罗湖区都市名园的“4.15”特大入室抢劫杀人案的侦破过程中，视频研判工作人员掌握了大量的犯罪嫌疑人的正面图像，但无法还原成具备视频比对条件的照片。公安机关相关多视频条件下人像重组领域的研宄凤毛麟角，仍未有技术能满足公安机关实战需要。因此，笔者结合实战中遇到的各类违法犯罪嫌疑人的视频图像，开展多视频条件下的人像重组方

5、面的研究工作，将子空间领域的人像识别算法作为改进的方式之一，以期达到服务实战的效果。二、应用子空间的人脸识别算法近几年，人们越来越注重对建于传统分析法上对子空间应用于人脸识别的算法进行分析，这种算法成为了现在的主流人脸识别法。子空间的运行主要寻找经过优化后0标图像的线性或是非线性特征，而后对其进行空间转换，将接受到的原始信号数据进行压缩，传送至低维度的子空间内，可提高图像在子空间内的紧凑程度，使相关信息能够被更好的描述提供有效数据，大大降低了计算难度。（一）主成分分析图二（从左至右依次为一、二、

6、三、四）光照条件对人脸的识图像由于光照、表情、姿态或是人脸部分被遮挡而使人脸的识别受到影响，这比解决高斯分布问题更加繁杂，II识别率较低。为了解决这一识别问题，研究员们对样本图像的局部信息进行提取，经过研究可获取最的影像投影矩阵。如对局部辨别吋保持投影、利用Fisher对图像便捷进行分析等，虽然此等方法的结果比传统现行辨别方式要好很多，但是其对比的结果过于简洁，需要对样品矩形阵中呈现的特征进行分解。若样品显示的信息数据维度较高或是样品数量较大，在提取信息是不仅会消耗大量的吋间且数据结果并不稳定，

7、由此可见此方式并不适合对数量过大的样本集进行实验。因此局部线性判别法被开发运用。模糊局部线性人脸辨别法与传统的方法相同，它冋样在面对小样本吋存在问题。因此，在对最佳的投影矩阵进行求解吋需先对样品的PCA进行降维度处理，主要算法环节骤如下：该训练中，图像的维度皆为38,邻近样品有20个。从表一中可以看出，这两种算法的识别率随着样品数的增加而增加。在样本相同的情况下，FLLDA法明显高于LLDA法。也验证了模糊局部线性人脸辨别算法有效这一设想。2、FERET数据库进行实验分析。该数据库内人脸图像的表

8、情、关照等都不同，其中共冇8个人的脸，共有120张图像，将所有图像皆压缩成为80*80的维度。在实验中选取1、2、4进行训练，其余图像皆用于测试。对选取的图像进行十次以上的，其结果均为十次训练的平均值。其中因训练样本的个数为7吋，随机种类应为，因为样品中只有八个人供其进行挑选，因此，当i=7吋，只需要将实验进行8次，就可得出艽平均值。LLDA和FLLDA算法中，20为邻近样品数，99为人脸特征的维数。从表二中可以看出，两种算法的识别率随着样品数的增加而增加。在样本相同的情况下，FLLDA法明显高