高速公路防逃費中的人臉識別技術(shù)[精品資料]

高速公路防逃費中的人臉識別技術(shù) -精品資料 本文檔格式為 WORD,感謝你的閱讀。 最新最全的 學(xué)術(shù)論文 期刊文獻 年終總結(jié) 年終報告 工作總結(jié) 個人總結(jié) 述職報告 實習(xí)報告 單位總結(jié) 【摘要】：人臉識別就是通過計算機提取人臉的特征，并根據(jù)這些特征進行身份驗證。高速公路防逃費人臉識別技術(shù)基于高清視頻的人臉識別與比對，通過司機臉部的特征來搜索該車輛歷史逃費記錄，以達到刑事立案的條件。公安部門要求的報警要素之一就是必須有符合公安人臉識別輸入要求的司機的臉部照 片及一系列逃費的證據(jù)鏈。 【關(guān)鍵詞】：高速公路 防逃 人臉識別 高清視 U412.36+6 A 人臉識別的分類與概述 人臉識別就是通過計算機提取人臉的特征，并根據(jù)這些特征進行身份驗證。人臉與人體的其他生物特征 (指紋、虹膜等 )一樣與生俱來，它們所具有的唯一性和不易被復(fù)制的良好特性為身份鑒別提供了必要的前提；同其他生物特征識別技術(shù)相比，人臉識別技術(shù)具有操作簡單、結(jié)果直觀、隱蔽性好的優(yōu)越性。人臉識別一般包括三個步驟：人臉檢測、人臉特征提取和人臉的識別與驗證。其處理流程如圖 輸入圖像 人臉圖像人臉特征輸出結(jié)果 人臉識別的一般步驟 人臉識別方法繁多，早期研究較多的方法有基于幾何特征的人臉識別方法和基于模板匹配的人臉識別方法。目前人臉識別方法主要研究及應(yīng)用的是基于統(tǒng)計的識別方法、基于連接機制的識別方法以及其它一些綜合方法。下面是這幾類方法的基本介紹： 2 （ 1）基于幾何特征的人臉識別方法 幾何特征矢量是以人臉器官如眼睛、鼻子、嘴巴等的形狀和幾何關(guān)系為基礎(chǔ)的特征矢量，其分量通常包括人臉指定兩點間距離、曲率、角度等。早期的研究者 Brunelli3等人采用改進的積分投影法提取出用歐式距離表征的 35 維人臉特征矢量用于人臉識別。 Huang Chung Lin 等人 4采用動態(tài)模板5,6,7與活動輪廓模型提取出人臉器官的輪廓 8,9,10?；趲缀翁卣鞯娜四樧R別方法有如下優(yōu)點：符合人類識別人臉的機理，易于理解；對每幅圖像只需要存儲一個特征矢量，存儲量??；對光照變化不敏感。但這種方法同樣存在一些問題，如從圖像中提取這些特征比較困難；對強烈的表情變化和姿態(tài)變化的魯棒性差等。 （ 2）基于模板匹配的人臉識別方法 模板匹配 大都采用歸一化相關(guān)，直接計算兩幅圖之間的匹配程度。最簡單的人臉模板就是將人臉看成一個橢圓10,11。另一種方法就是將人臉用一組獨立的小模板表示，如眼睛模板、嘴巴模板、鼻子模板等，采用彈性模板方法提取這些模板特征 12。 Brunelli 等人專門比較了基于幾何特征的人臉識別方法和基于模板匹配的人臉識別方法，他們得出的結(jié)論是：基于幾何特征的人臉識別方法具有識別速度快和內(nèi)存要求小等優(yōu)點，但基于模板匹配的識別率要高于基于幾何特征的識別率。 （ 3）基于統(tǒng)計的人臉識別方法 基于統(tǒng)計特征的識別方法 包括基于特征臉的方法和基于隱馬爾可夫模型的方法。特征臉（ Eigenface）方法 13是從主成分分析導(dǎo)出的一種人臉識別和描述技術(shù)。主成分分析實質(zhì)上是 K-L 展開的網(wǎng)絡(luò)遞推實現(xiàn)， K-L 變換是圖像壓縮中的一種最優(yōu)正交變換，其生成矩陣一般為訓(xùn)練樣本的總體散布矩陣。特征臉方法就是將包含人臉的圖像區(qū)域看作是一種隨機向量，因此可以采用 K-L 變換獲得其正交 K-L 基底。對應(yīng)其中較大特征值的基底具有與人臉相似的形狀，因此又稱之為特征臉。 隱馬爾可夫模型（ HMM）是用于描述信號統(tǒng)計特性的一組統(tǒng)計模型。基于人臉從上到下 、從左到右的結(jié)構(gòu)特征，Samaria 等人 14首先將 1-D HMM和 2-D Pseudo HMM 用于人臉識別。 Kohir等 15采用 1-D HMM 將低頻 DCT 系數(shù)作為觀察矢量獲得了好的識別效果。 Eickeler 等 16采用 2-DPseudo HMM識別 DCT壓縮的 JPEG圖像中的人臉圖像。 Nefian等 17采用嵌入式 HMM識別人臉。 （ 4）基于連接機制的人臉識別方法（神經(jīng)網(wǎng)絡(luò)彈性圖匹配） 基于連接機制的識別方法，包括一般的神經(jīng)網(wǎng)絡(luò)方法和彈性圖匹配 (Elastic Graph Matching)方法。神經(jīng)網(wǎng)絡(luò)在人臉識別應(yīng)用中有很長的歷史 18。 Demers 等 19提出采用 PCA方法提取人臉圖像特征，用自相關(guān)神經(jīng)網(wǎng)絡(luò)進一步壓縮特征，最后采用一個多層處理器來實現(xiàn)人臉識別。 Laurence 等 20通過一個多級的 SOM實現(xiàn)樣本的聚類，將卷積神經(jīng)網(wǎng)絡(luò)（ CNN）用于人臉識別。 Lin等 21采用基于概率決策的神經(jīng)網(wǎng)絡(luò)（ PDBNN）方法。最近，徑向基函數(shù) RBF神經(jīng)網(wǎng)絡(luò)因具有逼近性好、空間描述緊湊和訓(xùn)練速度快等特點而被用于人臉識別。 Gutta等 22提出了將 RBF與樹分類器結(jié)合起來進行人 臉識別的混合分類器結(jié)構(gòu)，后來他們用 RBF神經(jīng)網(wǎng)絡(luò)進行了針對部分人臉的識別研究 23，他們的研究表明利用部分人臉也可以有效地識別人臉。 Er等 24采用 PCA進行維數(shù)壓縮，再用LDA抽取特征，然后基于 RBF進行人臉識別。 Haddadnia 等25基于 PZMI（ Pseudo Zernike Moment Invariant）特征，并采用混合學(xué)習(xí)算法的 RBF神經(jīng)網(wǎng)絡(luò)進行人臉識別。此外，Lucas 等采用連續(xù)的 n-tuple網(wǎng)絡(luò)識別人臉。 彈性圖匹配方法是一種基于動態(tài)鏈接結(jié)構(gòu)的方法 26。在人臉圖 像上放置一組矩形網(wǎng)格節(jié)點，每個節(jié)點的特征用該節(jié)點處的多尺度 Gabor 幅度特征描述，各節(jié)點之間的連接關(guān)系用幾何距離表示，從而構(gòu)成基于二維拓撲圖的人臉描述。根據(jù)兩個圖像中各節(jié)點和連接之間的相似性可以進行人臉識別。Wiskott 等 27將人臉特征上的一些點作為基準點，強調(diào)了人臉特征的重要性。他們采用每個基準點存儲一串具有代表性的特征矢量，大大減少了系統(tǒng)的存儲量。 Wrtz 等 28只使用人臉面部的特征，進一步消除了結(jié)構(gòu)中的冗余信息和背景信息，并使用一個多層的分級結(jié)構(gòu)。 Grudin等 29也采用分級結(jié)構(gòu)的彈性 圖，通過去除了一些冗余節(jié)點，形成稀疏的人臉描述結(jié)構(gòu)。 Nastar等 30提出將人臉圖像 I(x,y)表示為可變形的 3D網(wǎng)格表面（ x, y, I(x,y)），將人臉匹配問題轉(zhuǎn)換為曲面匹配問題，利用有限元分析的方法進行曲面變形，根據(jù)兩幅圖像之間變形匹配的程度識別人臉。 （ 5）基于形變模型的方法 基于形變模型的方法是一個受到重視的方法。通過合成新的視覺圖像，可以處理姿態(tài)變化的問題。 Lanitis 等 31通過在人臉特征邊沿選擇一些稀疏的基準點描述人臉的形狀特征，然后將形狀變形到所有人臉圖像的平 均形狀，再根據(jù)變形后的形狀進行紋理（灰度）變形，形成與形狀無關(guān)的人臉圖像。然后分別對形狀和灰度進行 PCA變換，根據(jù)形狀和紋理的相關(guān)性，用 PCA對各自的結(jié)果進一步分析，最終得到描述人臉的 AAM（ Active Appearance Model）模型。通過改變這些參數(shù)可得到不同變化的人臉圖像，模型參數(shù)能夠用于人臉識別。Romdhani 等 32采用激光掃描儀獲得人臉的 3D 數(shù)據(jù)，分別對一些基準點構(gòu)成的形狀和基準點的灰度（或彩色）完成 PCA，得到 3D人臉形狀和灰度（彩色）基圖像，通過變化參數(shù)就可獲得不同的 3D人臉模 型。通過施加一些先驗約束可以避免合成不真實的人臉圖像。利用線性形狀和紋理誤差，通過 3D模型向 2D輸入圖像的自動匹配實現(xiàn)人臉識別。 項目采用的識別算法 人臉自動識別技術(shù)經(jīng)過多年來的研究已經(jīng)積累了大量研究成果。但是仍然面臨很多問題，尤其是在非約束環(huán)境下的人臉識別。結(jié)合本研究項目及應(yīng)用環(huán)境綜合考慮，采用特征臉方法對視屏資料中的司機臉部進行提取識別。 特征臉方法是 90年代初期由 Turk和 Pentland 提出算法，具有簡單有效的特點 , 也稱為基于主成分分析（ principal component analysis，簡稱 PCA）的人臉識別方法。把人臉圖像空間線性投影到一個低維的特征空間。 PCA實質(zhì)上是 K-L 展開的網(wǎng)絡(luò)遞推實現(xiàn)。 K-L 變換是圖像壓縮技術(shù)中的一種最優(yōu)正交變換。人們將它用于統(tǒng)計特征提取。從而形成子空間法模式識別的基礎(chǔ)。若將 K-L 變換用于人臉識別，則需假設(shè)人臉處于低維線性空間。由高維圖像空間 K-L 變換后，可得到一組新的正交基，由此可以通過保留部分正交基獲得正交K-L 基底。如將子空間對應(yīng)特征值較大的基底按照圖像陣列排列，則可以看出這些正交基呈現(xiàn)出人臉的形狀。因此這些正交基也稱為特征臉，這種人臉的識別方法也叫特征臉法。 特征子臉技術(shù)的基本思想是：從統(tǒng)計的觀點，尋找人臉圖像分布的基本元素，即人臉圖像樣本集協(xié)方差矩陣的特征向量，以此近似地表征人臉圖像。這些特征向量稱為特征臉（ Eigenface）。 利用這些基底的線性組合可以描述、表達和逼近人臉圖像，因此可以進行人臉識別與合成。識別過程就是將人臉圖像映射到由特征臉張成的子空間上，比較其與已知人臉在特征臉空間中的位置，具體步驟如下： 33 （ 1）初始化，獲得人臉圖像的訓(xùn)練集并計算特征臉，定義為人臉空 間； （ 2）輸入待識別人臉圖像，將其映射到特征臉空間，得到一組權(quán)值； （ 3）通過檢查圖像與人臉空間的距離判斷它是否為人臉； （ 4）若為人臉，根據(jù)權(quán)值模式判斷它是否為數(shù)據(jù)庫中的某個人。 1. 計算特征臉 假設(shè)人臉圖像包含個像素 ,因此可以用維向量 表示。如人臉訓(xùn)練集由幅人臉圖像構(gòu)成 ,則可以用表示人臉訓(xùn)練集。 其均值為： （ 2-1） 每幅圖像與均值的差為： （ 2-2） 構(gòu)造人臉訓(xùn)練集的協(xié)方差矩陣： （ 2-3） 其中 。 協(xié)方差矩陣的正交分解向量即為人臉空間的基向量，也即特征臉。 一般比較大（通常大于 1000），所以對矩陣直接求解特征向量是不可能的，為此引出下列定理： SVD定理：設(shè)是一秩為的維矩陣，則存在兩個正交矩陣： （ 2-4） （ 2-5） 以及對角陣： （ 2-6） 其中：為矩陣和的非零特征值，和分別為和對應(yīng)于的特征矢量。上述分解成為矩陣的奇異值分解（ SVD），為的奇異值。 推論： （ 2-7） 由上述定理可知： 人臉訓(xùn)練集所包含的圖像一般要比圖像的像素數(shù)小的多，因此可以轉(zhuǎn)求矩陣 （ 2-8） 的特征向量， M 為人臉訓(xùn)練集圖像總數(shù)。 矩陣的特征向量由差值圖像與線性組合得到： =（ 2-9） 實際上， m（ mM）個特征臉足夠用于人臉識別。因此。僅取 L 的前 m 個最大特征值的特征向量計算特征臉。 m 由閾值確定： （ 2-10） 基于特征臉的人臉識別過程由訓(xùn)練階段和識別階段兩個階段組成。在訓(xùn)練階段 ,每個己知人臉映射由特征 臉張成的子空間上 ,得到 m 維向量： （ 2-11） 距離閾值定義如下： （ 2-12） 在識別階段，首先把待識別的圖像映射到特征臉空間，得到向量 （ 2-13） 與每個人臉集的距離定義為 （ 2-14） 為了區(qū)分人臉和非人臉，還需計算原始圖像與其由特征臉空間重建的圖像之間的距離： （ 2-15） 其中： （ 2-16） 采用最小距離法對人臉進行分類，分類規(guī)則如下： （ 1）若，則輸入圖像不是 人臉圖像； （ 2）若，則輸入圖像包含未知人臉； （ 3）若，則輸入圖像為庫中的某個人臉。 實際上，特征臉反映了隱含在人臉樣本集合內(nèi)部的信息和人臉的結(jié)構(gòu)關(guān)系。將眼睛、面頰、下頜的樣本集協(xié)方差矩陣的特征向量稱為特征眼、特征頜和特征唇，統(tǒng)稱特征子臉。特征子臉在相應(yīng)的圖像空間中生成子空間，稱為子臉空間。計算出測試圖像窗口在子臉空間的投影距離，若窗口圖像滿足閾值比較條件，則判斷其為人臉。 基于特征分析的方法，也就是將人臉基準點的相對比率和其它描述人臉臉部特征的形狀參數(shù)或類別參數(shù)等 一起構(gòu)成識別特征向量，這種基于整體臉的識別不僅保留了人臉部件之間的拓撲關(guān)系，而且也保留了各部件本身的信息，而基于部件的識別則是通過提取出局部輪廓信息及灰度信息來設(shè)計具體識別算法?，F(xiàn)在 Eigenface(PCA)算法已經(jīng)與經(jīng)典的模板匹配算法一起成為測試人臉識別系統(tǒng)性能的基準算法；而自 1991年特征臉技術(shù)誕生以來，研究者對其進行了各種各樣的實驗和理論分析， FERET測試結(jié)果也表明，改進的特征臉算法是主流的人臉識別技術(shù)，也是具有最好性能的識別方法之一。 該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大 小、位置、距離等屬性，然后再計算出它們的幾何特征量，而這些特征量形成一描述該面像的特征向量。其技術(shù)的核心實際為 局部人體特征分析 和 圖形 /神經(jīng)識別算法。 這種算法是利用人體面部各器官及特征部位的方法。如對應(yīng)幾何關(guān)系多數(shù)據(jù)形成識別參數(shù)與數(shù)據(jù)庫中所有的原始參數(shù)進行比較、判斷與確認。 Turk和 Pentland 提出特征臉的方法，它根據(jù)一組人臉訓(xùn)練圖像構(gòu)造主元子空間，由于主元具有臉的形狀，也稱為特征臉 ,識別時將測試圖像投影到主元子空間上，得到一組投影系數(shù)，和各個已知人的人臉圖像比較進行識別。 結(jié)束語 從目前國情來講，在一段時間內(nèi)高速公路收費還會繼續(xù)存在，某些司機逃費的僥幸心也同樣會有。通過帶路徑識別功能的 RFID 復(fù)合卡作為通行卡，利用 RFID 卡的信息對車輛進行跟蹤，在不增加硬件投入的情況下，直接可以給車道收費系統(tǒng)提供抓拍高清圖像，以及其它報警聯(lián)動系統(tǒng)提供圖像等，可有效解決高速公路沖卡逃費問題，可廣泛應(yīng)用于封閉式管理的公路收費系統(tǒng)。 參考文獻： 1江艷霞 . 視頻人臉跟蹤識別算法研究 . 上海交通大學(xué)博士學(xué)位論文， 2007. 2Brunelli R and Poggio T., Feature Recognition: Features Versus Templates. IEEE Transactions on PAMI, 1993, 15(10):1042 -1052. 3李剛 . 基于特征臉法的正面人臉識別研究 . 國防科學(xué)技術(shù)大學(xué)碩士學(xué)位論文， 2002.11 4JOHN CANNY. A Computational Approach to Edge Detection. IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL.PAMI-8, NO.6, NOVEMBER 1986. 5張建飛、陳樹越等 . 基于支持向量基的交通視頻人車識