近年来，随着人脸识别在安防，虚拟现实及信息安全等方面得到了广泛地应用，它也逐渐成为模式识别，图像分析与人工智能领域内一个热门的研究课题。然而，在实际应用中，人脸图像易受环境与人脸体态多样性等因素的影响，比如光照，表情，遮挡等，人脸识别技术依然面临着巨大的挑战[1-2]。

一般地，典型的人脸识别系统主要包括3个部分：人脸检测、特征提取和人脸的识别与验证。其中，特征提取作为人脸识别系统中的一个重要环节。目前，较常用的人脸特征提取方法可分为两大类：局部特征描述与全局特征分析。全局特征方法主要是从全局角度考虑，描述了人脸的整体属性，但易受光照与姿态的影响并且大量的有代表性的样本集需要被训练，如PCA, ICA, LDA；局部特征描述则克服了上述的不足，具有较强的鲁棒性。Gabor[3]小波与LBP[4]作为两种有效的局部特征方法。文献[5]提出了一种LBP与Gabor相融合的LGBP特征提取方法。为了综合这2类特征提取方法的优点，越来越多的学者将目光开始投向全局特征与局部特征相结合的方法[6-7]。

Voronoi技术起初是一种计算几何结构与分析地理位置的方法，而在图像分割方面应用的较少。文献[8]提出了通过构建DT(泰森三角形)对人脸图像边缘进行提取，可以有效地避免与周围环境的融合，但对噪音与人脸遮挡有一定的局限性，且计算量大。文献[9]研究了泰森多边形在人脸分割与特征提取方面的应用,取得了较好的识别效果。鉴于此，本文提出基于泰森多边形特征分解的人脸识别方法。通过建立YCbCr肤色模型分割出人脸候选区域；接着，依据人脸区域内各特征部位的特性对人脸特征点定位同时采用两次Voronoi分割；最后，利用LG-LBP提取纹理特征并在公共图像库上进行仿真实验。

1 人脸检测

人脸检测的目的是在图像中找到人脸的存在，确定人脸的位置与大小，它是人脸识别的前提。与其他颜色空间模型相比，YCbCr具有良好的聚类特性，更适合人脸检测[10]。首先，建立肤色模型，实现人脸肤色的分割，再对人脸候选区域作形态学处理并融合人脸几何特征进行筛选，最终确定人脸区域的位置,如图1所示。

图1 人脸粗定位

2 人脸特征分割

通过上述描述，在人脸检测过程中，仍然存在许多颜色与形状类似的非肤色区域，为了剔除非人脸区域的干扰，实现特征的提取，有必要对人脸区域进行特征分割。

2.1 特征点提取

完成了对眼睛，嘴与鼻子特征点的检测后，通过Voronoi分割可将每个特征点分割到各自的特征区域内,具体划分结果如图5所示。假设人脸图像特征点集S，集合中的每一个特征点Sx，均有一个相关联的特征区域，所有特征点对应的Voronoi域用边界加以区分，将它们组合在一起得到了完整的Voronoi图。在人脸区域内共有6个特征点分别对应的是眼睛，鼻子，嘴巴与耳朵，并用数字1～6表示；根据Voronoi原理，人脸特征区域被划分为六个区域范围即字母A～F标注，使得每个泰森多边形内仅含有一个特征点，即左眼特征点(数字1)被分割到A特征区域，其他几个特征点类似。整个人脸图像被多个Voronoi区域划分与描述，在不同的区域具有不同的大小。由图5可知，泰森多边形内任意一点到对应人脸特征点的距离小于到其他相邻特征点的距离；由于人脸五官空间分布特征的差异性，Voronoi面积存在较大的波动，对于特征区域相对较大的范围(如A,B,D)，可考虑在该区域内适当地增加特征点的个数，从而有利于编码的形成。

Hsu等人对脸部特征的色彩信息进行了研究[11] ，人眼的Cb分量值相对高而Cr相对较低且瞳孔与眼白的亮度反差较大。其色度模型函数为：

(1)

为了满足EyeMapC取最大值时，突出人眼区域Cb值相对较高这一特性，同时，减少公式的计算量，对上述公式进行了改进。

ψμ,v(x,y)=I(x,y)×Gμ,v(x,y)

(2)

针对灰度分量的特性建立了如下灰度空间眼睛模型：

(3)

其中，⊕为膨胀操作，⊗表示腐蚀运算。

即下一次该如何更好的做？笔者站在课任教师及教研室管理的角度上看，应有“三全”管理的思想与方法，即为：全面、全过程及全员参与质量管理。

综合考虑色度与灰度2种因素的影响，用与运算联合两个模型函数：

EyeMap=(EyeMapC)AND(EyeMapL)

(4)

根据上述的眼图模型函数就可确定出眼睛的特征区域，用“+”标记出眼睛的中心位置。其实现过程如图2所示。

图2 眼睛定位

(2)嘴巴特征点的提取：在嘴巴区域内，利用嘴唇含有较多的红色像素点这一特征，采用边缘和红色分量提取相结合的方法。从嘴部区域两侧开始扫描，第一次检测到红色像素点时，该点为两嘴角特征点；从两嘴角特征点连线中心位置分别向上向下扫描，此时捕获到的点为嘴部上下的2个特征点。

与脸部其他特征区域相比，嘴部含有较强的红色成分与较弱的蓝色成分。本文采用RGB三分量建立肤色掩码，使得嘴唇包含较多的信息。嘴部特征可用下式进行描述：

MouthMap=C2r×(C2r-η×Cr/Cb)2×Bw

利用AMESim软件中的热液压库和热库，直接建立叶片泵、高压过滤器、阀、管路和低压过滤器的热力学模型，其中节流阀等效流体在管路中的节流过程。变量柱塞泵在零排量时泄漏液压油产生热量，在软件中等效为液压油经柱塞泵、过滤器，单向阀和溢流阀最后流回油箱这一过程。用质量模块代替油箱的箱体，油箱中油液通过箱体经自然对流换热和热辐射对外散热，建立油箱热力学的模型。最终建立的铰接式自卸车液压系统热力学模型如图2所示。

(5)

(6)

(7)

式中，θ为唇色模型，Bw表示肤色掩码。其嘴部特征区域，如图3所示。

图3 嘴定位

(3)鼻子特征定位

1.1 试验设计 28个红小豆材料来自黑龙江省农业科学院佳木斯分院杂粮作物研究所(佳红1号、佳红003)、河北省农林科学院(冀SI0001、冀红12号、冀红9612)、辽宁省农业科学院(辽红1号、辽红4号、辽红8号)、黑龙江省农业科学院育种所(龙小豆2号、龙小豆3号)、吉林省农业科学院(吉红10号、吉红7号、吉红8号、吉红9号)、黑龙江省农垦科学院(龙垦红、龙垦红2号)和佳木斯大学杂粮研究室(农安红、农垦红、品红、日本红、天津红、小丰2号、珍珠红、中红7号、TMSD006、宝清红、大红袍、红丰8号)

鼻子的特征区域可依据上述眼睛与嘴巴的特征区域及先验知识来确定。

2.2 Voronoi图

Voronoi图又称泰森多边形，是由19世纪初俄国数学家Voronoi首先提出的一个几何概念[12]。设x为平面上的点，则Voronoi多边形区域为

V(pi)={x∈E2|d(x,pi)≤d(x,pj),j=1,2,…,n,j≠i}

(8)

在二维空间内，它是由1组由连接2邻点直线的垂直平分线组成的连续多边形构成的。N个平面上不同的点，按照最邻近原则划分；每个点与它的最近邻区域相关联[13]。图4中，虚线形成的多边形为泰森多边形。

该系统与各个水源监测点组成一个网络互动工作平台，监控中心可实时监视水厂及水厂各个数据监测点的数据采集终端（RTU或PLC）运行情况、水源安全状况，并对水厂各个数据监测点所采集的电压、电流、电量、流量、流速、频率、转速、压力、水位、浊度、余氯等各种数据进行分析存储，供控制中心及有关部门分析和决策取用，提高管理工作效率。特点有以下几点：

图4 泰森多边形示意图

2.3 泰森多边形分割

图5 泰森多边形分割图像

(1)眼部特征定位

2.4 泰森多边形二次分割

在人脸区域定位的基础上，第一次Voronoi分割为粗分割，仅仅反映在人脸主要特征区域较大的特征；为了较好地表征人脸局部与微观的结构，本文引入了泰森多边形二次分割。由Voronoi几何特征可知, Voronoi二次分割, 可进一步将各区域内的各特征点分割到自己的特征区域；对于面部特征而言，大的特征区域形成了许多小的编码，这样一系列连续的小多边形就构成了代表性较好的区域。由于人脸特征区域各特征部位的差异性，针对不同的特征部位需要选择不同的算法进行特征点的提取，具体实现过程如下：

(1)眼睛特征点的提取：首先对眼睛特征区域进行二值化处理，然后在该区域内进行水平方向上的搜索，捕获到的第一个黑色像素点分别对应的是两内外眼角特征点；接着，将两内外眼角连线的中心点作为起始点垂直方向搜索，最后检测到的黑色像素点分别为两眼中心的上下特征点。

(2)嘴巴特征定位

(3)鼻子特征点的提取：鼻子可能的特征区域位于将眼睛下方的1.2倍双眼中心距离作为上边界，把嘴巴区域上方的0.4倍两嘴角的距离作为下边界，对二值化鼻子区域采用水平与垂直投影，首次搜索到黑色像素点为两鼻孔特征点，高亮点为鼻尖。

(4)眉毛特征点的提取：因眉毛区域位于眼睛的上方处于相对固定的位置，利用边缘检测算法对眉毛特征区域定位，其特征点的提取同眼睛的提取方法类似。

至少有两点，值得后人总结与借鉴。一是时势异变，强人所难时，一个艺术家可以怎么办？值举国惟苏联老大哥马首是瞻的岁月，潘天寿胸怀老祖宗的底气，仍自行其是。到了大跃进的1958年，他没去白天黑夜地大炼钢铁，却作了200张画。这些都可以当作一个标杆。二、站在旁观者立场，我想说的是，文化政策的制定与执行者应当予艺术家更多自由和宽容，不要合乎政治需要就赞许和扶持，稍与自己的观点和意见不同就严加打压，事实证明，当年认为不能为表现工农兵服务的传统山水花鸟画，如今不也是社会主义文艺中不可或缺的内容？乃至具有某种支撑性的力量和旗帜般的品格属性。

完成了对所有特征点的获取，将其结果标注在图像中并重构Voronoi，如图6所示。

图6 Voronoi图二次分割

3 特征提取

3.1 局部Log-Gabor二值模式特征

LG-LBP特征是一种将Log-Gabor小波幅值部分与LBP直方图序列有机结合的特征提取方法，由以下2个部分组成。

步骤2 根据人脸区域各特征部位的特性对人脸特征点定位同时采用两次Voronoi图进行特征分割；

(1) Log-Gabor函数是由Field[14] 提出的，作为Gabor小波的另一种表达形式。Log-Gabor在对数频率尺度下的高斯传递函数可真实地反映图像的频率响应。二维Log-Gabor小波在频域直角坐标上定义为：

(9)

步骤5 将LG-LBP图像分割成若干个互不重叠的Voronoi区域，同时求取每个区域中的直方图；

人脸图像Log-Gabor特征是由该图片与1组Log-Gabor函数作卷积运算的结果。若I(x,y)给出的是灰度图像，×表示卷积运算，则Log-Gabor特征可表示为：

样品制备方法如1.3.1，平板直径40 mm，间距1 mm，温度为40 ℃，测量剪切速率（γ˙）从0～300 s-1（上行线）递增、300～0 s-1（下行线）递减范围内样品的粘度变化情况。利用 Herschel-Bulkley方程对上行线的数据点进行拟合，复相关系数R2表示方程的拟合精度[8]。τ=τ0+K γ˙n（1），τ（Pa）和 γ˙(s-1)分别表示应力和剪切速率，τ0表示屈服应力（Pa），n是流体指数（无量纲），K表示稠度系数（Pa sn）[9]。稳态剪切测试中的上行线与下行线所围成图形的面积 Dt（s-1 Pa·s）表示样品的触变性。

EyeMapC=(Cb-Cr)/Cr)2

(10)

为了提高计算速度，依据卷积理论，通过引入FFT可加快(10)式求解，则有：

ψμ,v=F-1(F(I(x,y))×F(Gμ,v(x,y)))

采用SPSS 15.0对数据进行统计学分析。计量资料以表示，治疗前CBCT验证误差与体表光学监测误差进行配对样本t检验，治疗中体表光学监测位置变化数据采集3次后取均数，与CBCT验证误差行配对样本t检验，检验水准α=0.05(双尾)。

(11)

式中，“.×”为对应元素两两相乘，F与F-1分别表示傅里叶变换与反变换。图7给出了人脸图像经Log-Gabor小波滤波后在5个尺度8个方向的幅值图谱。

2.面板AR根检验。本文对京津冀城市群土地综合承载力与区域经济发展系统的PVAR模型进行面板AR根检验(见图1)，系统PVAR模型共有6个根，且所有根模的倒数都位于单位圆内，表明系统PVAR模型满足稳定性条件。[17]因此，对系统PVAR模型进行面板Granger因果检验、面板脉冲响应函数和面板方差分解技术分析是科学的。

图7 Log-Gabor人脸特征的幅值图谱

(2)LBP是一种很强的纹理描述算子，能够对灰度图像中局部邻近区域的纹理信息进行提取与度量。以中心点的灰度值为阈值，通过与邻域内其他像素点比较，若大于中心像素值，设为1；反之，设为0。图8为LBP算子对图像的提取过程。其中，图像进行LBP编码的算法如下所示：

(12)

图8 LBP提取过程

3.2 算法的实现

本文提出基于泰森多边形特征分解的人脸识别算法，具体来讲分为以下几个步骤：

步骤1 建立高斯肤色模型并融合几何特征实现人脸区域粗定位；

脑组织代谢率高而能量储备低，充足的脑血流对脑部氧和营养物质的维持至关重要。当脑局部血流突然中断（主要由脑血管血栓栓塞造成），急性缺血性脑卒中（acute ischemic stroke，AIS）随即发生，缺血部位的脑组织很快发生不可逆性损伤，引起致残、致死的严重后果。AIS治疗的关键是要早期、快速、有效地实现血管再通，从而拯救缺血但尚未梗死的脑组织。

加大科技推广力度。全面提高水稻种植标准，种植有机水稻2000亩，落实“蟹稻”示范项目1100亩、“鳅稻”305亩，应用清华大学植物生命液项目600亩，大力推广绿色有机种植、订单农业、农业“三减”技术。今年，稻田里投放蟹苗8800斤，稻蟹共育，不施肥、不打药，一斤稻谷能卖5.4元，水稻平均亩产450公斤，除去2.7元的成本，亩平均纯收入1800元左右，螃蟹效益25万元左右。

（1）施用污泥堆肥没有改变CH4的季节排放趋势。与N240和CK相比，OF处理CH4排放显著升高。OF、N240、CK 3个处理处理CH4的排放量分别为 68.09、32.70、32.54 kg·hm-2。施用污泥堆肥没有改变稻季N2O排放趋势，全观测期内，与N240相比，OF处理N2O排放量减少了45%；OF处理的水稻产量与N240相当，综合温室效应和温室气体放强度分别比N240高37%和41%（P<0.05）。

步骤3 将预处理后的人脸图像通过Log-Gabor滤波分解成5个尺度8个方向共40个人脸特征图像；

步骤4 采用局部纹理LBP算子对Log-Gabor幅值图谱进行编码；

其中f0决定滤波器的中心频率，σf为控制带宽，θ0表示滤波器的角度，σθ=sΔθ。

步骤6 把40幅滤波图像不同区域的直方图信息串联起来构成人脸特征向量。

4 实验分析

4.1 样本库

为了验证本文提出方法的有效性，实验中采用了加州理工学院人脸图像库。该图像库包含27人共450幅图像，每幅图像大小为896×592，这些人脸图像分别是在不同光照，不同表情与不同背景条件下摄制而得的。图9为图像库中某个人的部分人脸图像。

图9 某个人的部分人脸图像

4.2 实验结果

为了计算方便，在预处理阶段，将所有图像裁剪并归一化处理，然后分别从每个人的人脸图像中随机选取50%的样本进行训练，剩余的作为测试集，每组实验重复10次，最后通过计算结果的平均识别率作为评估算法的识别性能。在不同分块条件下，分别对人脸图像进行泰森分割与矩形分割并分析其对人脸识别结果的影响, 如表1所示。

表1 不同分块数目下的识别结果

方法不同分块数目下的识别率/%61824384450矩形分割89．492．394．794．593．792．4Voronoi分割96．397．796．297．396．594．2

由表1可知，识别率随分块数目的变化并不呈现单调关系，分块过多或过少都会影响识别结果。其中，在不同分块数目下，基于Voronoi图分割方法的识别率要高于矩形分割的方法，当分块数目为18时，其最高识别率为97.7%，说明该算法能够提取更具有鉴别力的特征。对于Voronoi分割而言，当分割成较大的特征区域时，可有效地将人脸图像中的眼睛，嘴巴，鼻子与耳朵划分到各自的特征区域内，有利于编码的形成；当分割成较小的特征区域时，它能够很好的表示人脸局部，微观的特征，这些信息对于鉴别人脸图像的局部特征是有意义的。从而，可结合不同分块数目的Voronoi分割来提取人脸特征, 验证了本文算法的有效性。

接下来，为了增加实验的说服力，这里我们采用下采样的方法来处理所获取的Log-Gabor特征，通过PCA方法降维并使用最近邻域分类器对人脸数据分类。将本文的方法与传统算法[15-16]在同等环境下进行对比实验，图10描绘的是在不同特征维数下各种方法的识别率比较。

从实验结果可看出，随着特征维数的增加，3种方法的识别率都处于上升状态，最后趋于平稳。其中，Log-Gabor+PCA与Gabor+PCA的识别率一直比较接近，在特征维数为30时分别产生76.14%与74.62%的正确率；总体上，Log-Gabor平均识别率要高于Gabor，说明了Log-Gabor小波要优于传统的Gabor滤波器。与两种经典算法相比，本文算法突出更明显的优势，在特征维数为15时，最高识别率为97.68%。与此同时，结果表明该方法在低特征维数时可以更有效地表征人脸特征且具有较高的鲁棒性。

妊娠期糖尿病诱发原因较多，多发生于妊娠中后期，主要因孕妇受到多种因素影响，血清中含有的雌二醇、孕酮等激素水平持续上升，有拮抗胰岛素状况产生，使得糖耐量发生不同程度异常，诱发妊娠糖尿病，若血糖控制效果不仅，患者机体长时间处于高血糖状况，会对妊娠结局造成消极影响，如导致血管病变，造成血管痉挛、阻塞，增加妊高症发生风险，或导致早产、延长产程、巨大儿等，甚至危及患者生命[2]。

为了进一步对本文算法的性能进行评估，从定位误差的角度进行分析。本文采用将人脸所有特征点的定位误差取平均值当作该方法的平均定位误差，如图11所示。

产品质量提供能力是企业对外提供合乎质量要求产品的能力，主要取决于企业的资源和实力。资源是企业静态能力的体现，包括企业的人员资质、生产经营资质、财务状况、设备设施状况等内容，这些资源是建立质量诚信管理体系、保障产品质量信用意愿兑现的基本条件。在占有必要资源的基础上，企业将资源进行优化配置、合理使用，从而提升企业的整体实力。实力是企业的动态能力的体现，包括企业的技术创新能力、质量诚信管理水平、检验检测水平等内容。[12]

图10 在不同特征维数下的识别率

图11 平均误差分析

图12 各个区域下的定位误差(当特征点数目为16)

从图11中可看出，随着特征点数量的增加，平均定位误差减小地比较缓慢，通过利用Voronoi的几何特性，人脸特征区域被划分为多个Voronoi区域，间接地增加了各个区域的有效信息，从而提高了特征点的定位精度，表现出良好的定位性能与适应能力。图12给出了，当人脸特征点的个数为16时，在定位空间中，定位误差位于不同区域的变化情况。由于Voronoi两次分割的引入，该算法当人脸特征点的个数在较少情况时，仍保持较低的定位误差，并且从图中可观察出，其中，部分的边缘区域定位误差有所减少。

5 结束语

在分析Voronoi算法应用的基础上，提出一种基于泰森多边形特征分解的人脸识别算法。该方法通过肤色模型与五官特征相结合的方法快速实现人脸区域粗定位，根据Voronoi原理特征，人脸特征被划分成若干不同的区域，来表征肤色区域不同的特性，并利用局部纹理LBP算子对Log-Gabor幅值特征编码。结果表明，与其他算法比较，该算法对提取人脸特征具有较高的特征表征能力与可鉴别性，并且对复杂背景，光照变化具有较强的鲁棒性。如何选取更好的降维方式，加快运算速度有待进一步研究。

参考文献：

[1] 胡正平，李静. 基于低秩子空间恢复的联合稀疏表示人脸识别算法[J]. 电子学报, 2013, 41(5):987-991.

[2] 袁华，钟欢虹，欧阳宁，等. 基于分块LBP和鲁棒核编码的人脸识别[J]. 电视技术,2016, 40(2):119-126.

[3] 许凤娇，王国胤. 年龄变化条件下采Gabor金字塔的人脸描述与识别[J]. 计算机应用, 2013, 33(3):695-699.

[4] 张洁玉，武小川. 加权局部二值模式的人脸特征提取[J]. 中国图象图形学报, 2014, 19(12):1794-1801.

[5] 刘志勇，杨关，冯国灿. 基于Gabor小波和局部二值模式的步态识别[J]. 中山大学学报(自然科学版),2014,53(4):1-7.

[6] ALMAEV T R, VALSTAR M F. Local gabor binary patterns from three orthogonal planes for automatic facial expression recognition[C]. Affective Computing and Intelligent Interaction (ACII), 2013 Humaine Association Conference on. IEEE, 2013:356-361.

[7] NAVA R, CRISTOBAL G, ESCALANTE- RAMIREZ B. A comprehensive study of texture analysis based on local binary patterns[C]. SPIE Photonics Europe. International Society for Optics and Photonics, 2012:84360E-84360E-12.

[8] XIAO Y, YAN H. Facial feature location with Delaunay triangulation/Voronoi diagram calculation[C]. Proceedings of the Pan-Sydney area workshop on Visual information processing-Volume 11.Australian Computer Society, Inc, 2001:103-108.

[9] CHEDDAD A, MOHAMAD D, MANAF A A. Exploiting Voronoi diagram properties in face segmentation and feature extraction[J]. Pattern Recognition, 2008, 41(12):3842-3859.

[10] HUANG T, YU Y, QIN X. A High-Performance Skin Segmentation Method[J]. Procedia Engineering, 2011, 15:608-612.

[11] HSU R, MOHAMED A, JAIN A K. Face detection in color images[J]. Pattern Analysis and Machine Intelligence,IEEE Transactions on, 2002, 24(5):696-706.

[12] 闫庆武，卞正富，王红. 利用泰森多边形和格网平滑的人口密度空间化研究——以徐州市为例[J]. 武汉大学学报(信息科学版), 2011, 6(8):987-990.

[13] XIAO Y, GAO Z, QU Y, et al. A pedestrian flow model considering the impact of local density: Voronoi diagram based heuristics approach[J]. Transportation research part C: emerging technologies, 2016, 68:566-580.

[14] 叶继华，兰清平，刘长红，等. 结合互信息量和Log-Gabor特征的嵌入式人脸识别[J]. 系统仿真学报, 2016, 28(9):2214-2219.

[15] 陈巍，李天瑞，龚勋. 基于Log-Gabor统计采样的人脸识别方法[J]. 计算机工程, 2011, 37(17):163-166.

[16] VINAY A, SHEKHAR V S, MURTHY K N B, et al. Face recognition using gabor wavelet features with PCA and KPCA-a comparative study[J]. Procedia Computer Science, 2015, 57:650-659.