基于主成分分析的QR二维码人脸识别.pdf

基于主成分分析的QR二维码人脸识别

摘要：社会的高速发展，使得人脸识别技术在身份信息认证方面迅速发展与

成熟，本文提出一个新的思想，将先进的人脸识别技术与当今应用最广泛的二维

码技术相结合，以达到快速认证身份信息的目的。

关键词：主成分分析；QR；二维码；人脸识别

引言

人脸识别技术广泛地应用在社会生活的方方面面，包括身份管理、系统安全

认证、第三方支付、刑侦跟踪、智能家居、人机交互、视频会议等各种场景，因

此人脸识别成为当前模式识别和人工智能领域的一个热门研究方向。

1QR码简介

QR码（QuickResponseCode）的全称为“快速响应矩阵码”，是由日本

Denso公司于1994年开发的一种矩阵式二维码，可用于存储汉字、图像、音频等

多种数据类型的信息。与其他二维码相比，QR码的优势在于能够被快速读取、可

存储更多信息、占用空间小、纠错能力强。使用外围设备来对QR码进行扫描，

能够实现360度全方位高速识读。QR码呈正方形，只有黑白两色，包括编码区域、

空白区域和功能区域。在左上角、左下角、右上角的3个角落中，印有同心正方

形图案。根据QR编码的掩模作用，在内部的其他地方几乎不可能遇到类似的图

形，因此这3个是QR码的定位标志，在扫描时借助图形定位无论以任何角度扫

描，数据都能被正确辨识。QR码共有40个版本，尺寸从21×21模块（版本1）

到177×177模块（版本40），QR编码用深色模块表示二进制“1”，浅色模块

表示二进制“0”，采用RS（Reed-Solomon）纠错，分为4个纠错等级：L级

（纠错7%）、M级（纠错15%）、Q级（纠错25%）、H级（纠错30%）。纠错机

制在即使因某种原因未能完整辨识到全部的条码的情况下，也能够正确地还原条

码上的信息。主成分分析（PrincipalComponentAnalysis，PCA）是一种把多个

变量化为少数几个主成分的统计方法，目的在于数据降维。PCA算法以K-L

（Karhunen-Loeve）变换为基础，K-L变换介绍如下，它的实质是将一个物体主

轴沿特征向量对齐旋转变换后形成一个新的坐标系，通过变换消除原有向量的各

个分量之间的相关性，进而消除那些带有较少信息的坐标分量，以达到特征空间

降维的目的。

2人脸图像信息处理

2.1主成分分析PCA

主成分分析（PrincipalComponentAnalysis）是一种应用非常广泛的基础数

学分析方法。其内在思想是K-L变换或者霍特林变换，通过分析变量找出一组最

优正交基，使得变换后的变量与原来变量之间的均方误差最小。通过K-L变换后，

将原来的自变量变换成另一组变量，变换后的变量便是“主成分”。从“主成分”

中提取一部分重要成分作为新的自变量，最后用最小二乘法对选取主成分后的模

型参数进行估计。PCA原理是将一个高维向量通过一个特征变换矩阵将变换后的

变量投影到一个低维向量空间中形成一个低维向量，并且几乎不损失主要信息。

本文的人脸识别过程中，将每一个特征脸处理成了一个特征脸。PCA算法经过多

年的发展和研究已经非常完善和成熟，因此本文将直接应用MATLAB本身的PCA

算法将ORL人脸库的数据信息进行降维处理，得到的特征脸信息再与QR二维码

技术结合，设计出基于主成分分析的人脸二维码识别系统。

2.2PCA人脸压缩与重构算法分析

本文的训练集以及测试集采用的是ORL人脸库。基于ORL人脸库的信息多样

和标准灰度图像的优点，我们将直接对选取的人脸样本集进行训练。从ORL人脸

库中选取380张人脸图像，每张图像的像素为112×92，为了方便数据处理我们

将每张图像放缩成像素为64×64的图像。

3基于SRCNN的QR二维码-人脸重构算法

随着大数据时代的到来和QR二维码智能扫描应用需求的快速增长，QR二维

码给人们的生活带来便捷的同时，其潜在风险也越来越大。一方面，利用QR二

维码技术进行手机病毒的传播、木马程序的植入等违法操作在日渐增多，另一方

面，因为目前QR二维码技术已比较成熟，所以一般用户也可以借助简单的QR二

维码转换软件随时合成需要的QR二维码，此外，由于其结构特点，用户无法从

外观上判断该二维码的安全性。因此如何提高QR二维码的安全性，是目前亟待

解决的问题。针对以上问题，本文提出了基于SRCNN的QR二维码-人脸重构算法