5 人脸的识别

完成训练过程并获得待测样本的特征后，即可进行人脸识别，本文采用欧氏距离进行分类。

5.1 计算样本与平均脸的欧氏距离

用m和x表示平均脸和样本的特征向量，则样本与平均脸的欧氏距离为：

其中mk表示平均脸的第k个特征向量，xk表示待测样本的第k个特征向量。身份认证时，计算待测样本与平均脸的欧氏距离，并与特定对象的自适应阈值进行比较，将小于阈值的样本判为该对象的人脸，即认证通过。

5.2 自适应阈值的选取

与典型的人脸识别方法不同，单对象人脸认识没有人脸数据库，不能用距离最小作为判据，只能用阈值作为判别依据。阈值的选取应兼顾识别率和识别的准确性，实验中我们取训练样本与平均脸的欧氏距离平均值作为分类阈值，即:

其中，N为训练样本数，此值不宜太小；di为第i个样本与平均脸之间的欧氏距离。

6 实验结果及分析

本文选用西安交通大学人工智能与机器人研究所东方人脸库(AI&R)的视点子库进行实验，该数据库包括每位被拍摄人在19个不同视点角度下(10°为一个单位)拍摄的中性表情图像。实验包括类内测试和类间测试。类内测试用于考查单对象人脸识别的识别率，而类间测试则用于考查误识率。随机选取5个人，每人用7幅图像(-30°～+30°)作为训练样本，分别计算平均脸和自适应阈值、类内识别率和类内距离，另外再选取50个人，每人一幅正面图像作为类间测试样本，分别对5个对象进行类间测试，实验结果如表1所示。从实验数据可以得出如下结果：

(1)类内识别率不高，原因是自适应阈值为训练样本与平均脸的欧氏距离平均值，训练样本中的部分图像不能被识别。在实验室中，我们通过提示被试注视摄像头、适当调整姿态等措施提高图像的拍摄质量，使识别率得到了显著的改善。

(2)在50人的类间测试中，最小距离均大于阈值，即错误识别率为0。实验室的现场测试中也得到了相同的结果。

(3)文中提出的单对象人脸识别方法能够成功地识别特定对象，并能准确地排除其他对象，可用于软件保护、计算机安全等系统的身份验证。

7 结 语

本文提出的单对象人脸识别方法，针对单对象人脸识别的特点，综合考虑了识别率和认证的准确性，运用平均脸方法有效地缩小类内距离，同时扩大类间距离，取训练样本与平均脸的欧氏距离平均值作为分类阈值。实验结果表明，该方法具有识别有效性和认证可靠性，在单对象人脸识别的实际应用中是一种可行的方法。