基于SIFT特征的人脸识别方法.pdf

173 基于基于 SIFT 特征的人脸识别方法特征的人脸识别方法 罗罗 佳 石跃祥 段德友佳 石跃祥 段德友 湘潭大学信息工程学院 湘潭 411105 摘摘 要 要 根据人脸识别中对高独特性的人脸特征的要求 提出一种改进的基于 SIFT 算子进行人脸识别的方法 结合 K means 聚类的模式 匹配策略 采用局部相似性和全局相似性的计算方法对人脸图像进行相似度匹配 并在匹配过程中使用基于概率统计的权值赋予方案和相 似度的平方来提高识别的准确性 实验结果证明 该方法具备鲁棒性和有效性 关键词 关键词 人脸识别 SIFT 特征 K means 聚类 相似性 Face Recognition Method Based on SIFT Feature LUO Jia SHI Yue xiang DUAN De you College of Information Engineering Xiangtan University Xiangtan 411105 Abstract According to the demand of the high distinctive face features for face recognition this paper proposes an improved algorithm based on Scale Invariant Feature Transform SIFT descriptor combined with a pattern matching strategy of K means clustering for face recognition it adopts the local and global similarity to calculate the matching for face images and makes use of the square of similarity and the weight assignment solution based on probability statistics to improve accuracy in local feature matching Experimental results show the robustness and effectiveness of the method Key words face recognition Scale Invariant Feature Transform SIFT feature K means clustering similarity 计计 算算 机机 工工 程程 Computer Engineering 第第36卷卷 第第13期期 Vol 36 No 13 2010 年年 7 月月 July 2010 人工智能及识别技术 人工智能及识别技术 文章编号 文章编号 1000 3428 2010 13 0173 02文献标识码 文献标识码 A 中图分类号 中图分类号 TP18 1 概述概述 计算机人脸识别技术即利用计算机分析人脸图像 进而 从中提取出有效的识别信息 用来 辨认 身份的一门技术 人脸识别技术应用背景广泛 可用于公安系统的犯罪身份识 别 驾驶执照及护照等与实际持证人的核对 银行与海关的 监控系统及自动门卫系统等 1 目前 人脸识别的困难主要 表现在人脸的弹性可变 如表情变化 饰物对人脸的遮挡 人脸随年龄增长而变化 人脸图像受光照条件 视角 成像 距离等因素的影响 寻找高独特性的特征是解决人脸识别问题的一个关键环 节 近年来由文献 2 提出的SIFT特征提取方法在针对刚性 物体的图像配准 图像匹配和物体识别等领域得到了广泛而 有效的应用 但其应用于人脸识别领域的尝试还不多 本文 提出一种改进的基于SIFT特征进行人脸识别的方法 并结合 了K means聚类模式匹配策略 实验结果表明 该算法可以 有效地解决个体特征的人脸识别问题 具备鲁棒性和高效性 且抗干扰能力较强 2 基于基于SIFT特征的人脸识别特征的人脸识别 本文对人脸数据库中的目标图像和测试图像分别进行 SIFT特征提取和描述 根据SIFT特征点的物理位置 引入 K means算法进行聚类处理 从而将人脸图像进行子区域划 分 以获得所需的具有区分能力的区域特征 最后计算相应 区域内的特征向量间的相似度 以实现目标图像的人脸识别 2 1 人脸人脸SIFT特征提取特征提取 SIFT特征算子是文献 2 于2004年正式提出的一种基于 尺度空间的 对图像缩放 旋转甚至仿射变换保持不变性的 图像局部特征描述算子 可用于从不同视角的图像中提取尺 度不变特征进行图像匹配和目标识别 该方法主要包括特征 检测 特征表征和去噪等部分 图1为对2张人脸图像样本 进行SIFT特征提取并根据相应的特征点进行匹配 a 样本人脸的SIFT特征点描述 b 测试图像的SIFT特征点描述 c 样本人脸与测试人脸的SIFT特征匹配示意图 图图1 人脸图像人脸图像SIFT特征点和特征匹配特征点和特征匹配 2 2 人脸特征匹配策略的改进人脸特征匹配策略的改进 2 2 1 特征匹配的子区域划分 每幅图像中所提取的SIFT特征点的数量和位置是不同 的 在进行特征匹配时 为了只对具有相近物理意义的特征 进行比较 本文采用K means聚类方案 针对特征点的物理 位置构造图像子区域 并在各自的区域中 根据相应的特征 基金项目 基金项目 湖南省自然科学基金资助项目 07JJ6115 湘潭大学博士 科研启动基金资助项目 06QDZ23 作者简介 作者简介 罗 佳 1985 男 硕士研究生 主研方向 人脸图像 检测 模式识别 石跃祥 教授 段德友 硕士研究生 收稿日期 收稿日期 2009 12 20 E mail DrKenLo 174 点计算区域相似度 具体方案如下 1 对输入图像 随机地初始化其k个子区域的聚类中心 2 计算每幅图像中的每个特征点与各子区域中心点的 欧式距离 以确定其最近子区域 并将每个子区域中所有特 征点位置的平均值作为新的中心点 重复构造子区域 3 若新生成中心点与计算前一样 则停止聚类 并将此 时的k个子区域作为最终结果 4 在人脸图像划分子区域后 将生成的所有SIFT特征 点指派给与其物理位置相对应的子区域 本文在特征点聚类后 将人脸图像划分为5个区域 取 k 5 并将各个区域用圆形标识区分 如图2所示 可以看 到图中所标记出的子区域主要位于双眼 鼻子和两嘴角附近 根据经验 这些区域为人脸图像中最具有区分能力的部分 a 样本人脸的聚类结果 b 测试人脸的聚类结果 图图2 人脸图像特征点聚类后的子区域划分人脸图像特征点聚类后的子区域划分 2 2 2 子区域特征匹配的改进 根据上述聚类方案 将一副人脸图像I划分为k个子区 域 nk为第k个子区域的SIFT特征点数量 j i f表示第i个 子区域中的第j个SIFT特征向量 于是 图像It和Ir之间的 相似性如下 1 局部相似性 2 1 1 max k xy tirii i Ltr k i i d ffw SI I w 其中 1 2 1 2 tiri xnyn 此处相似度d用两向量的内积来衡量 即 12 12 12 d ff ff ff 针对人脸识别中的干扰因素 本文从以下3个方面对算 法实施优化 1 由于各子区域的独特性不同 因此对每个区域的相似 度 应赋予不同的权值来进行计算 本文在假设5个子区域 相互独立且等概率的前提下 将各子区域的相似度单独拿来 进行人脸识别实验 并根据所得到的准确率Pi 推断出权值 wi的计算公式 1 1 i i w P 2 当人脸的一部分受到遮挡时 会严重影响识别的准确 性 对5个子区域的相似度设置一个阈值 相似度小于该阈 值时 则该相似度不参与计算 本文对不同身份的无遮挡的 人脸图片进行实验 其中局部相似度最差的情况为0 696 1 此外的其他情况均在0 7以上 考虑到该最差相似度在实验 中出现的概率极低 故选取0 7作为相似度阈值 经过阈值 处理的权值如下 0 7 00 7 ii i i wS w S 3 本文对子区域相似度d取平方来弱化表情变化对识别 的影响 以提高匹配的准确度 2 全局相似性 1 tr Gtr k ri i match I I SI I n match It Ir 是使用Lowe的SIFT特征匹配方法所得到的 2张图像中相匹配的有效特征对的数量 即计算2张图像最 相似特征对和次相似特征对的比率 若低于某一预设阈值即 为有效特征对 Lowe设置的阈值为0 6 综合上述 即得到最终相似度 3 AR人脸数据库识别实验人脸数据库识别实验 本文选择AR人脸数据库 3 进行识别实验 其提供了包 括126个不同身份个人的4 000多张彩色照片 其中 男性 70人 女性56人 此处使用了20名女性的图像进行实验以 确定各区域应赋的权值 每名女性拥有20张不同表情的图 片 每张图片的大小均为180 200 接着选取了20个男性样 本 大小为161 122 进行实验 每个样本包括26张图片 其 中包括了表情 光照和遮挡等干扰因素 最后进行了算法的 改进分析 并将改进的算法与其他人脸识别算法进行了对比 3 1 权值相似度分析权值相似度分析 本文对AR人脸图像库中选取的20名女性的 自然表 情 人脸图片进行实验 这20名女性图片包括不同肤色 不 同人种 不同发型等情况 通过对5个子区域单独进行人脸 识别实验 由局部相似度推算出各自的准确率 并由此计算 出各子区域相似度的权重 结果如表1所示 表表1 人脸子区域的识别准确率与权重计算人脸子区域的识别准确率与权重计算 区域名称 准确率Pi 权重wi 左眼 0 892 7 9 319 7 右眼 0 855 6 6 925 2 鼻子 0 804 2 5 107 3 左嘴角 0 775 3 4 450 4 右嘴角 0 745 2 3 924 6 3 2 算法改进分析算法改进分析 将各阶段修正的本文算法与原始算法进行比较 在测试 的20名男性图片中 其存在的干扰因素会增加人脸识别的难 度 导致识别率的下降 但经过实验 改进后的算法识别率 下降的幅度相对于未改进方法要小很多 明显具有更好的鲁 棒性 表2的数据表明 该改进方法是有效的 表表2 不同改进策略算法的识别率分析和比较不同改进策略算法的识别率分析和比较 项号 不同策略的算法 识别率 提高的百分比 1 简单相似度匹配 0 794 3 0 000 0 2 分配权值 0 952 4 19 904 3 3 设置阈值 0 872 3 9 820 0 4 相似度平方 0 908 8 14 415 2 5 综合2项 4项优化 0 973 4 22 548 1 3 3 识别率对比识别率对比 将最终优化过的本文算法与文献 4 中所提到的结果进 行对比 从AR数据库中选取了100个训练样本 并为每个 样本选取6张测试图片 实验结果如表3所示 其中 对比 数据来自文献 5 7 从结果可以看出 本文算法取得了较好 的识别效果 表表3 不同算法的识别率对比不同算法的识别率对比 算法名称 识别率 2DPCA 74 8 Local Probabilistic Subspace 82 3 SOM face 93 7 本文方法 95 3 下转第177页 177 表表1 F1测试结果测试结果 GA QGA MSCQGA AMSCFQGA 迭代 次数 最优值 平均值 均方差 最优值 平均值 均方差 最优值 平均值 均方差 最优值平均值均方差 50 1 031 6 1 030 0 0 020 3 1 031 6 1 029 8 0 030 2 1 031 6 1 031 0 0 008 6 1 031 6 1 031 60 000 0 100 1 031 6 1 030 0 0 019 4 1 031 6 1 030 0 0 018 8 1 031 6 1 031 5 0 002 3 1 031 6 1 031 50 000 0 150 1 031 6 1 031 9 0 016 3 1 031 6 1 032 2 0 015 6 1 031 6 1 031 8 0 003 0 1 031 6 1 031 60 000 0 200 1 031 6 1 032 5 0 013 9 1 031 6 1 032 6 0 012 3 1 031 6 1 031 2 0 008 9 1 031 6 1 031 50 000 0 表表2 F2测试结果测试结果 GA QGA MSCQGA AMSCFQGA 迭代 次数 最优值 平均值 均方差 最优值 平均值 均方差 最优值 平均值 均方差最优值平均值 均方差 50 0 397 9 0 407 3 0 016 5 0 397 9 0 407 0 0 016 0 0 397 9 0 401 2 0 005 20 397 90 400 60 000 1 100 0 397 9 0 404 0 0 010 8 0 397 9 0 403 5 0 011 0 0 397 9 0 403 0 0 003 60 397 90 399 20 000 0 150 0 397 9 0 403 0 0 009 4 0 397 9 0 402 0 0 009 0 0 397 9 0 401 6 0 002 80 397 90 400 30 000 1 200 0 397 9 0 401 5 0 008 0 0 397 9 0 401 4 0 008 2 0 397 9 0 401 1 0 002 70 397 90 399 80 000 0 表表3 F3测试结果测试结果 GA QGA MSCQGA AMSCFQGA 迭代 次数 最优值 平均值 均方差 最优值 平均值 均方差 最优值 平均值 均方差 最优值平均值均方差 50 3 000 0 3 010 4 0 003 0 3 000 0 3 008 8 0 001 1 3 000 0 3 001 0 0 000 73 000 03 000 00 000 0 100 3 000 0 3 008 9 0 001 0 3 000 0 3 006 2 0 000 9 3 000 0 3 001 0 0 000 73 000 03 000 00 000 0 150 3 000 0 3 007 0 0 000 4 3 000 0 3 004 9 0 000 9 3 000 0 3 000 6 0 000 33 000 03 000 00 000 0 200 3 000 0 3 007 2 0 000 5 3 000 0 3 003 2 0 000 4 3 000 0 3 000 5 0 000 23 000 03 000 00 000 0 算法的性能 并与QGA GA及MSCQGA进行比较 结果见 表1 表3 4 2222 1 111 222 14 2 1 44 3 x Fxxx xxx 其中 12 33 22xx 2 2 2111 2 5 151 2610 1cos10 48 Fxxxx 其中 12 510 015xx 2 22 121121 22 2 22 121121 22 31119 1431463 302318 3212483627 Fxxxxxx xx xxxxxx xx 其中 22 12 i xi 测试结果表明 QA与QGA的效果明显不如MSCQGA 和AMSCFQGA 相对前两者采用的群体搜索 按概率排除 劣解 跳出局部最优的策略 后两者利用混沌运动的遍历 性和局部搜索策略 获得了更好的求解效果 其中 AMSCFQGA与MSCQGA相比 由于采用了计数退出的方式 控制了混沌搜索的次数 同时不断动态缩小区间 收敛速度 提高极快 因此好于MSCQGA 6 结束语结束语 改进的变尺度混沌优化方法采用的这种2个循环嵌套的 模式避免了区间内的盲目重复搜索 文中通过对其改进收敛 策略 在优化过程中不断缩小搜索空间 可以进一步提高搜 索精度 容易跳出局部最优解 具有很高的搜索效率 本文 在不改变量子遗传算法搜索机制的同时 将改进变尺度混沌 优化方法和模糊控制策略引入QGA 加快了种群的进化速 度 改善了QGA的性能 其综合性能优于GA QGA与 MSCQGA 参考文献参考文献 1 Narayanan A Moore M Quantum Inspired Genetic Algorithm C Proceedings of IEEE International Conference on Evolutionary Computation Piscataway USA IEEE Press 1996 2 邹 恩 陈建国 李祥飞 一种改进的变尺 度混沌优化方法及其仿真研究 J 系统仿 真学报 2006 18 9 2426 2430 3 Teng Hao Zhao Baohua Yang Bingru Study of Quantum Genetic Algorithm Based on Mutative Scale Chaotic Optimization C Proceedings of International Conference on Intelligent Systems and Knowledge Engineering Chengdu China s n 2007 130 135 4 王爽心 韩 芳 朱衡君 静态负荷模型参 数辨识的一种混沌优化策略 J 系统仿真 学报 2006 18 10 2742 2746 5 李盼池 李士勇 基于量子遗传算法的正规模糊神经网络控制器 设计 J 系统仿真学报 2007 19 16 3710 3714 编辑 索书志 上接第174页 4 结束语结束语 本文提出一种基于SIFT特征的人脸识别方法 通过在 AR数据库上的人脸识别对比实验 尤其是考虑到表情变化 光照变化和饰物遮挡等干扰因素的条件下 该方法可以得到 较好的准确率 对单样本的图像表现出很好的鲁棒性 本文 并未对人脸的年龄变化 姿态变化及人脸侧面图像等进行研 究 今后将针对以上干扰因素做进一步的研究 参考文献参考文献 1 张翠平 苏光大 人脸识别技术综述 J 中国图象图形学报 2000 5 11 885 889 2 Lowe D Distinct Image Features from Scale invariant Key Points J International Journal of Computer Vision 2004 60 2 91 110 3 Martinez A M Benavente R Th