隨著計算機網絡和通信技術的發展，信息安全、知識產權保護和身份認證已經成為壹個重要而迫切的研究課題。身份認證是保證系統安全的必要前提，許多不同的安全領域都需要準確的身份認證。身份證、智能卡、密碼等傳統身份認證方式存在攜帶不便、易丟失、密碼不可讀或易被破解等諸多問題。與傳統方法相比，基於人臉識別技術的身份認證方法具有更好的安全性、可靠性和有效性，因此越來越受到人們的重視，並逐漸進入社會生活的各個領域。
人臉識別技術有著廣闊的應用前景，可以應用於許多不同的安全領域。由於其獨特性、唯壹性和相對穩定性，逐漸成為壹個非常熱門的研究課題。很多典型的人臉識別算法和應用系統都是針對標準的或特定的人臉數據庫，通過對數據庫中的人臉進行訓練，在同壹個數據庫中實現人臉識別。然而，在軟件保護、計算機安全等特殊應用中，身份認證只針對單壹對象進行人臉識別，現有的人臉識別方法無法勝任此類識別任務。因此，本文根據單目標人臉識別的特點，探討了單目標人臉檢測和識別的關鍵技術，並在此基礎上提出了壹種單目標人臉識別算法。實驗結果證明了該方法的有效性。
2單對象人臉識別的特點
與典型的人臉識別相比，單對象人臉識別有以下四個特點:
應用領域人臉識別有著廣泛的應用，如刑事偵查、證件驗證、安全監控等，而單對象人臉識別主要應用於軟件保護、計算機安全鎖、特定對象跟蹤等領域。
識別系統的目標單目標人臉識別的最終目標是系統必須具有較高的安全性和可靠性，即識別錯誤率趨於零。雖然同時會降低識別錯誤率，但是可以通過提示用戶調整姿勢(比如盯著攝像頭)來改善。
膚色模型由於單目標人臉識別只是針對特定的對象，人臉檢測的膚色模型可以通過自適應的方法調整膚色範圍。
分類方法單物體人臉識別沒有人臉庫，常用的最小距離分類方法不能正確識別特定物體，只能用閾值作為判別標準。因此，閾值的選擇非常重要。如果門檻過大，容易導致誤判和安全隱患。但如果閾值過小，會影響識別效率。
3人臉檢測和歸壹化
人臉檢測是人臉識別的前提。對於給定的圖像，人臉檢測的目的是判斷圖像中是否有人臉，如果有，返回其位置和空間分布。基於膚色和面部特征，人臉檢測分為兩個階段:外部人臉檢測和內部人臉定位。外部人臉檢測主要利用人臉膚色檢測初始人臉區域，分割膚色區域；內層人臉檢測是利用人臉的幾何特征在外層人臉區域進行驗證和定位。
3.1外部人臉檢測
外部人臉檢測的任務是找出圖像中可能被檢測的人臉區域，並對其進行標記。步驟如下:
(1)根據顏色空間中人體膚色的區域特征，檢測出可能是人臉的像素。為了更好地利用膚色特征，采用HSI和YcbCr兩個顏色空間對圖像進行二值化。膚色範圍限定為H ∈ [0，46]，S ∈ [0.10，0.72]，CB ∈ [98，130]和Cr。符合條件的像素標記為膚色像素，其余為非膚色像素。
(2)去噪。以每個膚色點為中心，統計5×5鄰域內的膚色像素個數。如果超過壹半，中心點保持為膚色，否則視為非膚色。
(3)將二值圖像中的膚色塊合並成區域，分析目標區域的比例和結構，過濾掉不可能的人臉區域。目標區域的高寬比限制在0.8 ~ 2.0。
3.2內部人臉檢測和定位
包含眼睛、眉毛、鼻子和嘴巴的區域稱為內面部區域。內人臉區域能夠很好的代表人的面部特征，並且不易受到背景、頭發等因素的幹擾，所以內人臉區域的檢測和定位對於後續的特征提取和識別非常重要。
在外面部區域的上半部分，水平和垂直投影二值圖像，並且將包含黑點的兩個矩形區域確定為眼睛的近似區域。在確定的兩個區域中，通過擴展黑點可以得到眼睛的基本輪廓和左石的拐角，取黑點坐標的平均值作為瞳孔的位置。
設左右瞳孔的坐標分別為(Lx，Ly)和(Rx，Ry)，兩瞳孔之間的距離為d，根據人臉的幾何特征，我們定義內臉面積為:寬度=-d×1.6，高度=-d×1.8，左上角坐標為(Lx-d×0.3。實驗表明，這個區域能夠很好地表達人的面部特征。
3.3內面部區域的標準化
因為每幅圖像中的人臉大小非常隨機，所以有必要對內部人臉區域進行歸壹化。人臉歸壹化是指對人臉內側區域的圖像進行縮放變換，以獲得大小壹致的標準圖像。在實驗中，我們將標準圖像的大小指定為128×128。歸壹化保證了人臉大小的壹致性，體現了人臉在圖像平面上的大小不變性。
對於歸壹化的人臉圖像，使用小波變換和DCT提取人臉特征。首先對人臉圖像進行三層小波分解，將低頻子圖像LL3作為人臉特征提取的對象，得到每個訓練樣本或測試樣本的低頻子圖像。然後，對低頻子圖像進行離散余弦變換，DCT系數的個數等於子圖像的大小(即256)。由於圖像的DCT變換，能量集中在低頻部分，所以只取136個低頻系數作為特征向量。
5人臉識別
完成訓練過程，獲得待測樣本的特征後，就可以進行人臉識別了。本文采用歐氏距離進行分類。
5.1計算樣本和平均人臉之間的歐幾裏德距離
如果m和x表示平均臉和樣本的特征向量，則樣本和平均臉之間的歐幾裏德距離是:
其中mk表示平均人臉的第k個特征向量，xk表示待測樣本的第k個特征向量。在身份認證中，計算待測樣本與平均人臉之間的歐氏距離，並與特定對象的自適應閾值進行比較，將小於閾值的樣本判定為該對象的人臉，即認證通過。
5.2自適應閾值的選擇
與典型的人臉識別方法不同，單目標人臉識別沒有人臉數據庫，因此不能以最小距離為判據，只能以閾值為判據。閾值的選擇應考慮識別率和準確率。在實驗中，我們取訓練樣本與平均人臉之間的平均歐氏距離作為分類閾值，即:
其中n是訓練樣本的數量，不能太小；Di是第I個樣本與平均人臉之間的歐氏距離。
Most科技有限公司提供模式識別主板和解決方案。
望采納