一、人脸图像识别技术
生物特征识别技术是指通过计算机科学技术与人体固有物理和行为特征来进行身份验证的一门科学，属于模式识别类问题。主要包括两类问题[1]：一类是基于物理特征的生物识别技术，包括人脸图像识别、虹膜识别、指纹识别、DNA识别技术等；另一类是基于行为特征的生物识别技术，包括语音识别、签名、步态识别技术等。人脸图像识别就是将待识别的人脸与已知人脸进行比较，得出相似程度的相关信息。我们常说的人脸识别还可以分为确认和辩认两种情况。确认是一对一进行图像比较的过程，辨认是一对多进行图像匹配比对的过程[2]。
二、开发背景与需求分析
1.项目开发背景。近年来，随着国家经济体制结构不断变化，社会用工需求对于具有高级技术资格的高技能人才需求越来越大。职业技能培训与职业技能资格的考核与鉴定工作需求量与社会认可程度也大大增加了。职业技能培训与职业资格鉴定工作量与日俱增，得到了社会普遍认可。随着职业技能鉴定工作需求量的增加，职业技能鉴定考试中验证考生身份问题呈现出日益严重化且监考教师验证考生身份工作量不断增加的现象。在现有职业资格考试系统的基础上研发人脸图像识别系统模块，用以帮助监考教师验证考生身份，同时将职业技能鉴定工作全面推进信息化。
2.功能需求分析。在职业资格鉴定系统中应用生物特征识别技术，研制“人脸图像识别”系统模块。该系统模块可以通过人脸识别技术进行身份验证：考生进入考场后，系统首先需要通过摄像头获取到考生考试当天的人脸图像，并对采集到的人脸图像进行一系列图像处理工作，这个处理过程也称图像预处理。再同图像数据库中的图像进行比照，如果考生身份得到正确的确认，即可进入注册信息审核确认页面；否则，拒绝进入。实现智能化验证考生身份的功能，以达到辅助监考老师验证考生身份、降低监考老师监考工作量和提高职业资格考试严肃性与严谨性的目的。
3.开发环境需求分析。硬件资源：CPU要求PentiumⅣ及以上；内存要求2G及以上；视频采集卡、USB2.0接口摄像头。软件资源：开放式标准操作系统，如Win-dows2000，WindowsXP，Windows7等。程序设计语言处理软件。如：VisualC++、JAVA、MATLAB、SQLServer等。熟悉VC++、C++、JAVA、MATLAB、SQLServer等高级程序设计语言。
三、系统设计
1.总体设计。本课题研究属于人脸图像的确认识别。其研究内容包括四个主要部分：一是人脸检测技术，二是人脸定位技术，三是人脸表征技术，四是人脸鉴别技术。人脸图像识别模块的工作过程是：（1）获取人脸图像：通过采集设备获取输入图像，并生成其面纹编码。（2）建立人脸图像档案：通过采集人脸图像或获取照片文件上的人脸图像进行信息处理，生成特征向量。（3）人脸特征的检索与对比：将待比对的人脸图像特征向量与人脸图像档案中的人脸图像特征向量进行检索与对比。（4）输出识别结果：进行身份的确认或是身份的选择。人脸图像识别系统的工作原理为：考生首先需要在考试报名现场进行第一次照片采集，照片采集成功后，系统会自动对采集到的照片进行图像预处理操作、提取面部特征，并将提取到的特征数据存入数据库；考试当天，考生进入考场后，需要进行第二次照片采集，识别系统会将采集到的照片进行图像预处理操作、提取面部特征，得到考生考试当日采集照片的人脸面部特征值后，人脸识别系统会将两次采集到的人脸图像特征值进行对比识别。即将考试当天提取到的面部特征值与数据库中的人脸面部特征值进行对比与识别，最终得出识别结果。实现考生身份的验证与识别。
2.采集模块功能设计。人脸图像采集模块功能：负责获取人脸图像，图像可能来自与计算机连接的摄像头也可能来自人脸图像存储的数据库。将采集到的人脸图像转换为可处理的数字图像格式，进行图像信息存取。
3.图像预处理模块功能设计。图像预处理操作包括对图像进行多种图像处理操作，以使图像本身具有的特征能够更加明显地在图像中表现出来。目的是为后面的人脸特征提取模块提供基础操作处理。本项目中，需在图像预处理模块中进行的图像处理操作有：灰度均衡化、图像二值化和边缘检测等技术操作。
4.人脸特征提取模块功能设计。该模块的工作原理是对获取到的人脸图像进行特征提取，主要包括人脸检测及定位、图像标准化、特征提取三个子功能。
5.人脸图像判定模块功能设计。该模块工作原理是通过模式识别中的分类决策把识别对象归为一类。即确定某一个差别规则，进行检测对比，最后输出识别的结果。本系统中的具体操作即需要将数据库中人脸图像与对应考生现场采集到的人脸图像特征信息进行对比，并得出对比值。再进一步对该对比结果值进一步分析，如果其范围在我们所确认的范围内，我们就认为现场采集图像的考生与注册日人像图像的采集人为同一人，即身份确认通过。否则，则拒绝考生进入答题系统。
四、系统功能实现
人脸图像识别系统功能实现共分为人脸图像采集模块、图像预处理模块、人脸特征提取模块、人脸图像识别模块四个子模块的功能实现。人脸特征提取的效果的好坏对识别准确率效果有重大的影响。本系统采用的特征提取方法是PCA特征提取方法。本系统中人脸图像识别功能的分类决策问题可以分解为两大核心任务问题：SVM分类器识别过程与最近邻分类器识别过程。
1.PCA经典主成分分析。主成分分析算法是一种经典的统计方法，这种线性变化被广泛地应用在数据和分析中，是用来描述和表征细微差异的有力工具。在语音和图像信号处理时，经常会遇到高维的向量空间的数据处理问题，而这些高维数据往往存在较大程度的相关冗余，所以希望从高维空间的数据中找出具有代表性的低维子空间，从而对数据更容易地进行分析和处理。本系统功能实现方法为：首先把待检图像转换成特征脸，作为最初训练图像集的基本组件。利用PCA方法进入处理：在通过操作得到特征脸空间后将待检测图像的线性变换特征投影到该子空间中，最后是将得到的结果与投影后的训练图像相比较，最终得出识别结果。
2.特征脸法。该方法将人脸看作一个二维的灰度变化的模板，这样就可以将人脸图像看成只是一个高维图像空间中很小的一部分。然后利用人脸图像由高维空间通过低维空间进行表征这一工作原理得到一个经过优化的人脸图像坐标系统。
3.SVM分类器识别。假设识别样本有x类，记为S1，S2，…，Sx。则首先需要设计正样本训练器，如本操作中根据题意需设计x个SVM分类器；然后进行负样本训练器的设计，本操作根据题意设为其所有样本Sj（j<>1）个。接下来将每个测试样本输入到x个分类器中，计算样本与这p个分类器所代表的各个训练样本之间的距离。在输出结果中，如果只有值为正1，我们就可判定出该样本的类别了。如果有多于一个的分类器输出结果为正1，那么后面就需要用最近邻分类技术了。
4.最近邻分类器识别。一幅N*N像素的图像可以看成是由这幅图像的像素空间中的所有点组成的，图像就可以看作是由N2个像素点组成。具体的操作就是通过把图像投影相应的矢量空间后，利用投影间的各种距离值来对图像的相似度以进行判定。如果两点间距离最短，我们就会认为它们可能属于同一子类中。但对于本操作系统，仅有这些信息是远远不够的，除了需要判定待检测的人脸图像在人脸库中，还需要确定这个人就是某个人，也就是说接下来还要继续进行相似度的再判断。一般我们采用计算特征向量的余弦夹角的方法来进行相似度的判断。五、测试与结论在人脸图像识别功能测试中，使用SVM分类器结合最近邻分类器识别人脸图像进行测试。测试时，以一个考场30人为例，即需要一个30个人共150张人脸图像库作为测试用库。在待检测图像经过图像格式转化与一系列预处理操作与特征提取处理操作后，将处理后的数据信息进行保存后，即可调取图像库中的平均图像特征值与图像特征值数据信息进行对比识别了。测试中，每个测试者都可采用多个训练样本与多个对应的测试样本。对于考生在采集图像时经常会出现的面部表情微变及面部采集角度有一定偏离的情况，测试的处理操作是相同的，经过与内科医学论文图像库图像的对比识别发现当方差相似度阐值θ为0.8时会有比较理想的识别效果。测试正确识别率高于90%，足以证明该方法的有效性及实用性。
作者：张鹏 单位：北京政法职业学院