基于特征对比的人脸图像识别研究

1、基于特征对比的人脸图像识别研究摘要：人脸识别作为图像匹配的一个子集,与一般的图像匹配有一些区别。一般的图像匹配从颜色、形状、纹理中提取特征,而人脸匹配是根据人脸的特征来识别。本文从定位和对比双方面入手，给出了一种新颖的识别算法，后面仿真实验结果表明该方法具有一定的科学性和先进性。关键词：特征; 定位;图像匹配;识别技术According to characteristic person face that contrast the diagram resemble to identify the researchAbstract:The person's face identifies

2、 to be used as the diagram to resemble to match of a the statures gather, with the diagram that general resemble to match to have some differentiations.General of the diagram resemble to match to withdraw the characteristic from the color, shape, veins, but the person's face match according to t

3、he facial characteristic of person to identify.This text is from the fixed position with contrast the both parties' to commence, and give out a novel identify the calculate way, and behind imitate the true experiment to consequently express that method to have certain science with advanced.Keywo

4、rds:Characteristic; fixed position; the diagram resemble to match; identify the technique人脸识别技术主要通过计算机分析人脸图像并从人脸图像中提取有效信息进行身份识别。人脸识别技术因在公安(罪犯识别等)、安全验证系统、信用卡验证、医学、档案管理、视频会议、人机交互系统等方面的巨大应用前景而成为当前模式识别和人工智能领域的一个研究热点。虽然人类能毫不费力地识别出人脸及其表情,但人脸的自动机器识别却是一个难度极大的课题。人脸有复杂的三维表面结构,因而人脸知识的表达相对简单物体来说较为复杂;同时面部肌肉的运动使得

5、人脸成为一种非刚性目标,与刚性目标识别相比,非刚性目标的识别更困难。人脸识别作为图像匹配的一个子集,与一般的图像匹配有一些区别。一般的图像匹配从颜色、形状、纹理中提取特征,而人脸匹配是根据人脸的特征来识别。在人脸识别中,如何描述人脸,即如何提取特征是最重要的一个环节。1人脸识别的常用方法1.1基于几何特征的人脸正面图像识别方法通过人脸面部拓扑结构几何关系的先验知识,利用基于结构的方法在知识的层次上提取人脸面部主要器官特征,将人脸用一组几何特征矢量来表示,识别归结为特征矢量之间的匹配,基于欧氏距离的判决是最常用的识别方法。1.2、基于统计的人脸正面自动识别方法基于统计的人脸正面自动识别方法包括特

6、征脸方法和隐马尔科夫模型方法。统计的识别方法将人脸用代数特征矢量来表示。代数特征是由Hong等首先提出的,由图像本身的灰度分布决定,它描述了图像的内存信息,它是通过对图像灰度进行各种代数变换和矩阵分解提出的。将人脸看作一个二维的灰度变化的模板,从整体上捕捉和描述人脸的特征,所运用的主要是一些标准的数据统计技巧,运算比较复杂。2人脸识别的基本步骤识别阶段的基本步骤如下:(1)把待识别的人脸图像减去平均脸,得到一个差值向量,可以设为s;(2)把这个差值作两次投影变换,得出最佳分类特征(3)用待识别人脸与人脸库中的每类人脸进行比较,得出最小的欧几里德距离 (i=1,2,.C)(4)为了区分待识别的图

7、像是否为人脸图像,需要计算待识别的人脸的图像与重建人脸图像的距离其中f为平均脸。(5)根据分类规则,首先需要判别是否为人脸,如是人脸,需要判别是否是库中的人脸,如果是库中的人脸,则要判别是库中的哪类人脸。3 特征点粗略定位人脸图像在灰度空间总是满足一定的分布,我们可以利用这一点来指导面部特征点的粗略定位,以此作为后续特征点精确定位的基础。3.1 眼睛定位对于由人脸检测框定的人脸区域,首先进行区域的扩充,使之包含全部的头部区域A(包括大部分或者全部头发以及整个面部);然后在区域A中用多阈值进行二值化并合并,在得到的二值图像B中,用区域标号算法对不同的“黑”连通区进行标号化,用预置的面积阈值滤掉由

8、于噪声造成的小的孤立连通区,可以认为位于区域A最上方的最大的连通区H即为头发区域。头发区域H确定后,在剩下的连通区域中搜索满足下列条件的两个连通区域L和R:(1)L和R的中心要在头发区域H的“下”方;(2)L和R的下方一定距离内不能有其它的连通区域;(3)L和R的中心横坐标差值不能过小,一般大于图像宽度的1:5;(4)L和R的中心纵坐标差值不能太大,一般保持在10-20个像素之内;(5)L和R在原图像对应区域内的频率要足够大,在几个连通区域中应是最大的一个。实验表明,通过上述5条规则的限制,总可以找到一对满足条件的连通区,而这对连通区恰好就是由两个眼睛所形成的区域。在该算法检测得到的区域L和R

9、区域的二值图像B及二值化的边缘图像E中,利用虹膜区域的图像特征和眼睛区域的高频特性,分别形成两个眼睛的区域点集描述为,为(x,y)的8领域,从而得到两个眼睛区域的粗略点集。分别计算这两个点集的重心,以该重心为中心得到一些候选的瞳孔点,对每一个候选点P,在边缘图像上计算支持函数其中,E为边缘图像,A为由半径范围R1<r<R2所决定的圆环区域,R1,R2是根据人瞳孔大小取的一个经验值,N为其中的点个数。分别取两个候选点集中具有最大支持函数的点作为粗定位阶段的虹膜中心点3.2 嘴部的检测根据得到的统计参数,估计出嘴部区域在垂直方向的大致范围,然后在此范围内取窗口区域进行水平方向的积分投影

10、。实验结果表明:除非有很大的噪声或者有浓厚的胡须,在其它情况下都可以得到一条类似的曲线。对该曲线进行高斯平滑,计算曲线的极小点,具有最小值的极小点可以作为中唇点定位结果。高斯平滑通过卷积实现。其中,曲线极小点则通过计算平滑后曲线的一阶和二阶差分得到得到极小点集合为从而可以得到中唇点其它特征点可以通过类似的方法得到。定位结果如图1所示。 图1 面部器官粗略定位结果本文一共选取了26个特征点:其中每个眼睛5个点,眼睛处共10个点,分别为瞳孔及上下左右眼角;眉心处1个点;瞳孔垂直往上和眉毛交点处左右各1个点;鼻子处3个点,分别为鼻尖和2个鼻孔;嘴巴处5个点,分别为嘴唇中心和嘴唇上下左右端点;脸颊处5

11、个点,分别为下巴、嘴唇水平位置与脸颊左右处的交点、眼睛水平位置与脸颊左右处的交点。在这些特征点处人脸图像的变化比较大,基本代表了人脸图像的变化。这些点主要分布在人脸内部,而且人脸的上半部比下半部多。统计和实验结果表明,在识别过程中人脸内部的特征点比外部的特征点更重要,上半部的点比下半部的点更重要。3.3 定位其它特征点尽管不同人的人脸结构形状不同,但是可以合理地假设这种结构满足正态分布,这些知识可以为特征定位提供有力的支持。因此,本文采用手工测量的方法,对人脸器官的位置关系进行了统计,人脸样本数目为50人。由此可见,不同人的面部构形具有较大的相似性(如表1所示),可以用来指导面部特征区域的粗略

12、定位。表1 面部特征结构关系统计与双目距之比眼睛宽眼到鼻尖眼到唇上眼到下巴尖鼻度嘴宽嘴高眼到眉心均值0.420.510.881.590.570.700.270.35方差0.030.050.040.090.050.060.020.05对整个矫正后的图像作积分变换,可以发现人脸特征点处有一定的灰度分布特点,利用这些特点和估计出的特征点位置,我们可以找出人脸的特征点。图2 嘴部积分区域图3 嘴部图像积分投影曲线3 人脸特征提取从人脸图像中提取识别人脸所必需的主要信息,即识别特征,是人脸识别的一个重要步骤。其实质是从高维空间到低维空间的变换,可表示为。式中:X表示原始数据,Y表示特征信息,T表示变换(

13、或映射)。根据T有无具体解析表达式,可分为两种特征提取方法。(1)启发式的方法:寻找基于直观、想象和经验的特征,这时变换T无解析表达式。(2)分析的方法:推导在某一确定意义下最优的特征,这时变换T有确定的解析表达式。考虑到要解决的实际问题,综合应用了这两种方法。首先,利用分析的方法提取人脸的主分量特征。所谓主分量特征就是指人脸图像在特征脸上的投影权。这里式中:是Sx第i个特征值(按大小排序)对应的特征向量,即所谓的特征脸。Sx是原始样本的协方差矩阵。实验中发现,当仅用人脸的主分量特征作为人脸的识别特征时,随着类别数的增大,精确分类所需主分量的维数就迅速增加。究其原因,问题主要出在人脸特征的选取

14、上。因为主分量对应人脸样本协方差矩阵的大本征值,如果用它们来恢复人脸图像,那么在最小均方误差意义下是最优的,这说明所得到的人脸主分量特征在描述人脸方面是很有效的。然而,如果用它们来识别人脸则未必是最佳的,也就说,主分量特征在区分人脸方面未必是最优的。例如,在用该方法来恢复人脸中做出主要贡献的最大主分量,它对应最大本征值,因为本征值的物理意义是人脸样本是该本征值所对应的特征脸上的投影权(即主分量)的均值。所以最大主分量特征实际上表明的是在统计意义上所有样本之间的最大差异,换句话说,就是将每个样本作为一个类来看的,而没有充分体现同类样本的相似性,这就是最大主分量没有很强的分类能力的根源。实验表明,

15、当去掉第一个特征脸时,就根本无法恢复原始图像,但对于识别并没有很大的影响。为了进一步提高识别率,本文还提取了人脸的一些几何特征。尽管人脸是非常相似的,人仍然可以通过简单几笔的画辨认人脸。比如,在一个寥寥几笔的漫画中,往往能很快地辨认出画中的人物,这说明人脸存在着某些关键特征。这些特征不受人脸位置、表情变化的影响,反映了人脸个性特征。这些特征是什么仍是一个值得探讨的问题。在考虑人脸特征时,提取的人脸特征应满足下列条件:(1)这些特征尽可能地代表人的个性特征,能正确而有效地用于识别,即满足有效性;(2)这些特征不能因为人的表情、光照等因素的变化而产生太大的偏差,即满足稳定性;(3)这些特征不应受图

16、像大小、位置变化的影响,即满足比例不变性和位移不变性;(4)这些特征要便于计算机自动提取,即满足可行性。4 相似度匹配本文共采用了37个特征值来表征一幅人脸图像。因此在数据库中也只存储这37个特征值,匹配采用最近邻分类器进行识别。两个人脸表征向量U,V之间的相似性距离测度定义如下:, Wi为先验权值。在实际应用中我们赋予眼睛和下颌最高的权值,嘴其次,鼻子最后。在成熟系统中还可以根据用户设定选择性地比较指定的特征值,正是有了这样的机制,才使得系统能够适应大数据量比对的需求,同时达到更高的灵活性。运用本文提出的算法,对一个由1300余幅不同人脸组成的图像数据库进行了测试。待识别图像集由17个人的共

17、83张照片组成,这些照片包括了光照、表情、发型、脸部偏转等多种可变因素的影响。匹配结果取前5幅,若出现该人脸在数据库中的照片即认为识别成功。识别成功率达93.7%。每幅人脸的比对时间低于3秒(P450,128M)。测试结果还表明此算法在人脸有偏转、有微量表情变化等情况下均有较好的识别效果。而且因为速度较快,所以比较适合大数据量的识别应用。5 对今后工作的改进由上述结果可以得知,采用单一的对比法识别率不是很高,今后的工作应在对比法的基础上,提高识别率。有两种方案可以选择:第一种方案:fisher脸方法;fisher模式判别准则是模式识别的经典算法。应用fisher准则假设了不同类别在模式空间是线

18、性可分的,其主要原因是不同人脸间的差异。根据文献对标准特征脸算法和fisher脸算法进行试验得出结论:PCA算法的识别率是78.6%,fisher脸方法的识别率是99.4%,很明显的提高了识别率。第二种方案:PCA+NN算法;神经网络是一种非线性动力系统,具有良好的自适应性和泛化能力,因此,在模式识别领域应用得也很广泛。在人脸识别技术中,应用最多的是BP神经网络。通常做法是:首先根据PCA算法,对人脸图像进行降维,得到m个特征值,然后把得到的这些特征值,作为输入向量输入到BP神经网络中,最后根据BP学习算法对数据进行训练和分类。根据文献的研究成果,利用此方法能够得到人脸识别率为90%,也能显著的提高识别率。相对fisher脸方法来说,这种方法计算不复杂,但计算量大,也是一个值得考虑的提高识别率的方法之一。参考文献