摘  要： 介紹了一種二代身份證識(shí)別驗(yàn)證系統(tǒng)，該系統(tǒng)針對(duì)身份證照片樣本單一的問(wèn)題，提出一種將二代身份證照片從單一樣本虛擬為多樣本的方法。該系統(tǒng)在在一定程度上減弱了人臉姿態(tài)的變化對(duì)識(shí)別率的影響，并在實(shí)際采集的數(shù)據(jù)庫(kù)中驗(yàn)證了該方法的有效性。

　　關(guān)鍵詞： 虛擬樣本；二代身份證；人臉識(shí)別

0 引言

　　第二代身份證的使用越來(lái)越廣泛，身份證內(nèi)的芯片存儲(chǔ)了個(gè)人信息和人臉照片，可以通過(guò)身份證讀取器獲得人的基本信息和人臉的圖像信息，因此身份證人臉識(shí)別在很多方面（比如體育賽事、養(yǎng)老金發(fā)放）有重要的應(yīng)用價(jià)值。但與此同時(shí)，身份證人臉的識(shí)別也存在一定的問(wèn)題，比如，通過(guò)身份證獲得的人臉圖像只有一張照片，樣本單一[1]，如果此時(shí)使用常規(guī)的算法進(jìn)行人臉識(shí)別，則識(shí)別率會(huì)變得極其低，或者算法失效。針對(duì)這種情況，本文采用一種利用身份證人臉圖像虛擬出人臉不同姿勢(shì)下的圖像的方法[2]，設(shè)計(jì)了一種有效的身份證人臉認(rèn)證系統(tǒng)。

1 系統(tǒng)總體設(shè)計(jì)方案

　　驗(yàn)證系統(tǒng)總體架構(gòu)如圖1所示，首先通過(guò)攝像頭和身份證獲取人臉圖像，然后對(duì)圖像進(jìn)行處理得到特征值，最后通過(guò)求取特征值之間的相似度進(jìn)行對(duì)比得到驗(yàn)證結(jié)果。針對(duì)無(wú)法及時(shí)識(shí)別的人，可通過(guò)手動(dòng)的方法更新本地?cái)?shù)據(jù)庫(kù)[3]。系統(tǒng)運(yùn)行界面如圖2所示。

　　由于環(huán)境及年齡跨度等因素的影響，相貌的變化會(huì)對(duì)人臉的識(shí)別造成干擾，導(dǎo)致無(wú)法快速地識(shí)別出持證人，因此本文建立一個(gè)本地?cái)?shù)據(jù)庫(kù)，用于無(wú)法通過(guò)驗(yàn)證的人的身份證及現(xiàn)場(chǎng)采集圖像的信息存儲(chǔ)，在下次驗(yàn)證時(shí)，本地?cái)?shù)據(jù)中有相應(yīng)的身份證信息，就直接把現(xiàn)場(chǎng)采集的圖像與本地?cái)?shù)據(jù)庫(kù)存儲(chǔ)的圖像進(jìn)行比對(duì)。利用這種方法可以有效提高識(shí)別的效率和準(zhǔn)確率。

2 系統(tǒng)關(guān)鍵技術(shù)研究

　　本文從處理身份證人臉圖像方面設(shè)計(jì)系統(tǒng)。首先采用人臉的多姿態(tài)虛擬樣本生成方法，通過(guò)處理身份證人臉的單樣本圖像，虛擬出多姿態(tài)圖像[4]；然后通過(guò)設(shè)計(jì)出的人臉模型來(lái)識(shí)別人臉。

　　2.1 圖像預(yù)處理

　　本文在XOY和XOZ坐標(biāo)系下進(jìn)行旋轉(zhuǎn)和俯仰的模擬，在模擬人臉的俯仰旋轉(zhuǎn)、側(cè)向旋轉(zhuǎn)以及組合旋轉(zhuǎn)姿態(tài)幾個(gè)方面進(jìn)行樣本擴(kuò)充。

　　（1）模擬人臉的側(cè)向轉(zhuǎn)頭。人臉的側(cè)向轉(zhuǎn)動(dòng)可以看做人臉上所有點(diǎn)繞人臉的中心軸轉(zhuǎn)動(dòng)，變化示意圖如圖3所示。

　　首先把人臉在XOZ內(nèi)圖像近似看做一個(gè)圓，O為圓心即轉(zhuǎn)動(dòng)中心，O′是人臉圖像上Y軸上的起點(diǎn)，人臉上的任一點(diǎn)N繞中心軸旋轉(zhuǎn)θ°后到達(dá)N′點(diǎn)，y、y′分別是旋轉(zhuǎn)前后N點(diǎn)在圖像上的位置，α為O′N與Y軸夾角，N轉(zhuǎn)動(dòng)θ后到達(dá)N′，即角度∠NO′N′=θ；圓半徑為R/2，R為人臉照片Y方向的尺寸。

　　可以列出方程組：

　　定義新圖像P1。在網(wǎng)格點(diǎn)（x，y′）處的灰度值為原始圖像P在點(diǎn)（x，y）點(diǎn)的灰度值，由P做插值求出圖像在網(wǎng)格點(diǎn){（x，y）x=1，…，n；y=1，…，m}上的值，則得到了人臉在YOZ平面內(nèi)變化的模擬圖像。θ取正值時(shí)為模擬人臉向左側(cè)旋轉(zhuǎn)，取負(fù)值時(shí)為模擬人臉向右側(cè)旋轉(zhuǎn)。

　　（2）模擬人臉的俯仰變化。假設(shè)人臉在XOZ平面內(nèi)是一個(gè)近似為圓的輪廓，抬頭和低頭旋轉(zhuǎn)的角度為θ，同理，用步驟（1）的原理求出新圖像的坐標(biāo)：

　　R為圖像在X軸方向的尺寸，θ為頭部上下轉(zhuǎn)動(dòng)的角度，θ的正負(fù)決定人臉的俯仰，此原理在一定程度上模擬人臉在現(xiàn)實(shí)中的俯仰變化。

　　（3）組合模擬，即模擬人臉傾斜和俯仰的姿態(tài)，這種立體變換可以更加全面地模擬復(fù)雜人臉的姿態(tài)。方法為：先對(duì)人臉進(jìn)行一定角度的旋轉(zhuǎn)模擬變化，再進(jìn)行一定角度的傾斜變化，就可以通過(guò)該種方法生成9張不同的人臉圖片，把生成的圖片做歸一化處理，變成80×80的照片。

　　2.2 特征值提取

　　特征值的提取是人臉識(shí)別中的關(guān)鍵一步，本文采用2DPCA[5]方法提取特征值。2DPCA能夠有效地降低圖像的維度，加快圖像的處理速度，最大限度地減少圖像處理的時(shí)間。具體過(guò)程是：對(duì)通過(guò)攝像頭采集的人臉圖像以及身份證照片生成的樣本圖像采用2DPCA方法，直接利用各個(gè)樣本人臉圖像的主元特征，從圖像矩陣出發(fā)，分別從水平和垂直方向提取特征值。2DPCA是比較經(jīng)典的方法，具體步驟在此不再贅述，可以參閱參考文獻(xiàn)[5]。

　　2.3 識(shí)別

　　采用特征值比對(duì)的方式來(lái)識(shí)別圖像，具體過(guò)程是：把攝像頭采集圖像的特征值分別與由身份證生成圖像的特征值進(jìn)行比對(duì)，計(jì)算最大相似概率[6]。

3 實(shí)驗(yàn)結(jié)果

　　本系統(tǒng)選取了306名志愿者的二代身份證和現(xiàn)場(chǎng)采集的人臉圖像作為數(shù)據(jù)庫(kù)，隨機(jī)選取了其中的一部分作為測(cè)試集，剩余的作為訓(xùn)練集，最終得到ROC曲線[7]如圖4所示。

　　從圖4可以看到，當(dāng)系統(tǒng)的錯(cuò)誤識(shí)別率為1.07%時(shí)，相對(duì)應(yīng)的正確識(shí)別率為87.13%；錯(cuò)誤識(shí)別率為5.35%時(shí)，正確的識(shí)別率為96.14%；錯(cuò)誤識(shí)別率為10.3%時(shí)，正確的識(shí)別率為96.16%。由于實(shí)驗(yàn)時(shí)并未對(duì)一些環(huán)境因素（比如光線、表情等）加以嚴(yán)格控制，因此這樣的結(jié)果還是比較滿意的[7]。

4 結(jié)論

　　本文基于二代身份證照片采用了虛擬人臉樣本的人臉識(shí)別系統(tǒng)，解決了身份證人臉樣本單一的問(wèn)題，對(duì)身份證人臉的快速識(shí)別提供了新的思路，該方法在一定程度上減弱了人臉姿態(tài)的變化對(duì)識(shí)別率的影響，并取得了較好的識(shí)別效果。

　　參考文獻(xiàn)

　　[1] Tan Xiaoyang， Chen Songcan， Zhou Zhihua， et al. Face recognition from a single image per person：a survey[J]. Pattern Recogniton，2006，39（9）：1725-1745.

　　[2] 張生亮.單樣本多姿態(tài)人臉識(shí)別研究[J].計(jì)算機(jī)應(yīng)用，2006，26（12）：2851-2853.

　　[3] 任小龍，蘇光大，相燕.使用第2代身份證的人臉識(shí)別身份認(rèn)證系統(tǒng)[J].智能系統(tǒng)學(xué)報(bào)，2009，4（3）：213-217.

　　[4] Chen Songcan， Zhang Daoqiang， Zhou Zhihua. Enhanced（PC）2A for face recognition with one training image per person [J]. Pattern Recognition Letters， 2004，25（10）：1173-1181.

　　[5] Yang Jian， DAVID Z. Two-dimensional PCA： a new approach to appearance-based face representation and recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2004， 26（1）： 131-137.

　　[6] ASHRAF A B， LUCEY S， CHEN T． Reinterpreting the application of Gabor filters as a manipulation of the margin in linear support vector machines[J]． IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，32（7）： 1335-1341．

　　[7] Shen Linlin， Bai Li． Mutual boost learning for selecting Gabor features for face recognition[J]． Pattern Recognition Letters，2006，27： 1758-1767．