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)別也存在一定的問題，比如，通過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)無法及時(shí)識(shí)別的人，可通過手動(dòng)的方法更新本地?cái)?shù)據(jù)庫[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，用于無法通過驗(yàn)證的人的身份證及現(xiàn)場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)場采集的圖像與本地?cái)?shù)據(jù)庫存儲(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]；然后通過設(shè)計(jì)出的人臉模型來識(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。具體過程是：對(duì)通過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)的方式來識(shí)別圖像，具體過程是：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)場采集的人臉圖像作為數(shù)據(jù)庫，隨機(jī)選取了其中的一部分作為測試集，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．