人臉識別核心算法技術(shù)資料

1、人臉識別核心算法技術(shù)在檢測到人臉并定位面部關(guān)鍵特征點之后，主要的人臉區(qū)域就可以被裁剪出來，經(jīng)過預(yù)處理之后，饋入后端的識別算法。1、在檢測到人臉并定位面部關(guān)鍵特征點之后，主要的人臉區(qū)域就可以被裁剪出來，經(jīng)過 預(yù)處理之后，饋入后端的識別算法。 識別算法要完成人臉特征的提取，并與庫存的已知人臉進(jìn)行比對，完成最終的分類。我們在這方面的主要工作包括：基于LGBP的人臉識別方法問題：統(tǒng)計學(xué)習(xí)目前已經(jīng)成為人臉識別領(lǐng)域的主流方法，但實踐表明，基于統(tǒng)計學(xué)習(xí)的方法往往會存在“推廣能力弱”的問題，尤其在待識別圖像“屬性”未知的情況下，更難以確定采用什么樣的訓(xùn)練圖像來訓(xùn)練人臉模型。鑒于此，在對統(tǒng)計學(xué)習(xí)方法進(jìn)行研究的同

2、時，我們還考慮了非統(tǒng)計模式識別的一類方法。思路:對于給定的人臉圖像，LGBP方法首先將其與多個不同尺度和方向的Gabor濾波器卷積（卷積結(jié)果稱為 Gabor特征圖譜）獲得多分辨率的變換圖像。 然后將每個Gabor特征圖譜劃 分成若干互不相交的局部空間區(qū)域， 對每個區(qū)域提取局部鄰域像素的亮度變化模式，并在每個局部空間區(qū)域內(nèi)提取這些變化模式的空間區(qū)域直方圖，所有Gabor特征圖譜的、所有區(qū)域的直方圖串接為一高維特征直方圖來編碼人臉圖像。并通過直方圖之間的相似度匹配技術(shù)（如直方圖交運算）來實現(xiàn)最終的人臉識別。在FERET四個人臉圖像測試集合上與FERET97的結(jié)果對比情況見下表。由此可見，該方法具有

3、良好的識別性能。而且LGBP方法具有計算速度快、無需大樣本學(xué)習(xí)、推廣能力強的優(yōu)點。表丄GBP方法與FERET97最佳結(jié)果的對比情況對比算法各測試子集合性能宿選正確識別率）FBFCDup 1DupII我們的莫法性能若一5弘SW_9%73.8%心預(yù)0%52-0%基于AdaBoost的Gabor特征選擇及判別分析方法人臉描述是人臉識別的核心問題之一，人臉識別的研究實踐表明：在人臉三維形狀信息難以準(zhǔn)確獲取的條件下，從圖像數(shù)據(jù)中提取多方向、多尺度的Gabor特征是一種合適的選擇。 使用Gabor特征進(jìn)行人臉識別的典型方法包括彈性圖匹配方法（EGM和Gabor特征判別分類法（GFC。 EGM在實用中需要解

4、決關(guān)鍵特征點的定位問題，而且其速度也很難提高；而 GFC則直接對下采樣的 Gabor特征用PCA降維并進(jìn)行判別分析，盡管這避免了精確定位關(guān)鍵 特征點的難題，但下采樣的特征維數(shù)仍然偏高，而且簡單的下采樣策略很可能遺漏了非常多的有用特征。摘要：針對上述問題，我們考慮如何對Gabor特征進(jìn)行有效降維，將目前受到極大關(guān)注的AdaBoost算法創(chuàng)新性的應(yīng)用于 Gabor特征的選擇上來，用于提取對識別最有利的特征（我 們稱這些選擇出來的 Gabor特征為AdaGabor特征），并最終通過對 AdaGabor特征的判別分 析實現(xiàn)識別（稱該方法為AGFC識別方法）。在CAS-PEAL和FERET人臉圖像庫上的

5、對比實驗 表明：AGFC方法不但可以大大降低 Gabor特征的維數(shù)從而可以更加有效地避免“維數(shù)災(zāi)難 問題”，降低了計算復(fù)雜度，同時識別精度也有了較大的提高。將AGFC與 EGM GFC進(jìn)一步比較可以看出：無論是 EGM還是GFC均是主觀的選擇若干面部關(guān)鍵特征點提取人臉的特征 表示，而我們提出的 AGFC方法則是通過機器學(xué)習(xí)的方法自動的選擇那些對區(qū)分不同人臉具 有關(guān)鍵作用的Gabor特征。參見下圖所示三者之間的區(qū)別與聯(lián)系。三種不同的人臉建模方法比較示意圖基于SV的Kernel判別分析方法sv-KFD摘要：支持向量機（SVM和Kernel Fisher分析是利用kernel方法解決線性不可分問題的

6、兩 種不同途徑，我們將二者進(jìn)行了有機結(jié)合。我們首先證明了 SVM最優(yōu)分類面的法向量在基于 支持向量的類內(nèi)散度矩陣的前提下具有零空間性質(zhì)，基于此定義了核化的決策邊界特征矩陣（Kernelized Decision Boundary Feature Matrix，簡寫為 KDBFM，最后利用基于零空間的Kernel Fisher方法計算投影空間。我們還進(jìn)一步提出了融合類均值向量差及KDBFM來構(gòu)建擴展的決策邊界特征矩陣（EKDBFM的方法，并把這兩種方法成功地應(yīng)用到了人臉識別領(lǐng)域，在FERET和CAS-PEAL數(shù)據(jù)庫的實驗結(jié)果表明該方法比傳統(tǒng)人臉識別算法具有更好 的識別性能?；谔囟ㄈ四樧涌臻g的人

7、臉識別方法Eigenface是人臉識別領(lǐng)域最著名的算法之一，本質(zhì)上是通過 PCA來求取人臉圖像分布的線性子空間， 該空間從最佳重構(gòu)的角度反映了所有人臉圖像分布的共性特征，但對識別而言，這樣的特征卻未必有利于識別，識別任務(wù)需要的是最大可能區(qū)分不同人臉的特征。摘要：“特征臉”方法中所有人共有一個人臉子空間， 而我們的方法則為每一個體人臉建立一 個該個體對象所私有的人臉子空間，從而不但能夠更好的描述不同個體人臉之間的差異性， 而且最大可能地擯棄了對識別不利的類內(nèi)差異性和噪聲， 因而比傳統(tǒng)的“特征臉?biāo)惴ā本哂?更好的判別能力。 另外， 針對每個待識別個體只有單一訓(xùn)練樣本的人臉識別問題，我們提出了一種基

8、于單一樣本生成多個訓(xùn)練樣本的技術(shù)， 從而使得需要多個訓(xùn)練樣本的個體人臉子空 間方法可以適用于單訓(xùn)練樣本人臉識別問題。在 Yale Face DatabaseB 人臉庫對比實驗也表 明我們提出的方法比傳統(tǒng)的特征臉方法、 模板匹配方法對表情、 光照、和一定范圍內(nèi)的姿態(tài) 變化具有更優(yōu)的識別性能。2、人體面貌識別技術(shù)包含三個部分：（ 1） 人體面貌檢測面貌檢測是指在動態(tài)的場景與復(fù)雜的背景中判斷是否存在面像，并分離出這種面像。 一般有下列幾種方法： 參考模板法首先設(shè)計一個或數(shù)個標(biāo)準(zhǔn)人臉的模板， 然后計算測試采集的樣品與標(biāo)準(zhǔn)模板之間的匹配 程度，并通過閾值來判斷是否存在人臉； 人臉規(guī)則法由于人臉具有一定的

9、結(jié)構(gòu)分布特征， 所謂人臉規(guī)則的方法即提取這些特征生成相應(yīng)的規(guī) 則以判斷測試樣品是否包含人臉； 樣品學(xué)習(xí)法這種方法即采用模式識別中人工神經(jīng)網(wǎng)絡(luò)的方法， 即通過對面像樣品集和非面像樣品集 的學(xué)習(xí)產(chǎn)生分類器； 膚色模型法這種方法是依據(jù)面貌膚色在色彩空間中分布相對集中的規(guī)律來進(jìn)行檢測。 特征子臉法這種方法是將所有面像集合視為一個面像子空間， 并基于檢測樣品與其在子孔間的投影 之間的距離判斷是否存在面像。值得提出的是，上述 5 種方法在實際檢測系統(tǒng)中也可綜合采用。（2）人體面貌跟蹤面貌跟蹤是指對被檢測到的面貌進(jìn)行動態(tài)目標(biāo)跟蹤。 具體采用基于模型的方法或基于運 動與模型相結(jié)合的方法。此外，利用膚色模型跟蹤

10、也不失為一種簡單而有效的手段。（ 3）人體面貌比對面貌比對是對被檢測到的面貌像進(jìn)行身份確認(rèn)或在面像庫中進(jìn)行目標(biāo)搜索。 這實際上就 是說， 將采樣到的面像與庫存的面像依次進(jìn)行比對，并找出最佳的匹配對象。所以，面像的 描述決定了面像識別的具體方法與性能。目前主要采用特征向量與面紋模板兩種描述方法：特征向量法該方法是先確定眼虹膜、鼻翼、嘴角等面像五官輪廓的大小、位置、距離等屬性，然后 再計算出它們的幾何特征量，而這些特征量形成一描述該面像的特征向量。面紋模板法該方法是在庫中存貯若干標(biāo)準(zhǔn)面像模板或面像器官模板， 在進(jìn)行比對時， 將采樣面像所 有象素與庫中所有模板采用歸一化相關(guān)量度量進(jìn)行匹配。此外，還有

11、采用模式識別的自相關(guān)網(wǎng)絡(luò)或特征與模板相結(jié)合的方法。人體面貌識別技術(shù)的核心實際為“局部人體特征分析”和“圖形 / 神經(jīng)識別算法?！边@ 種算法是利用人體面部各器官及特征部位的方法。 如對應(yīng)幾何關(guān)系多數(shù)據(jù)形成識別參數(shù)與數(shù) 據(jù)庫中所有的原始參數(shù)進(jìn)行比較、判斷與確認(rèn)。一般要求判斷時間低于1 秒。3、人體面貌的識別過程一般分三步：（1）首先建立人體面貌的面像檔案。即用攝像機采集單位人員的人體面貌的面像文件 或取他們的照片形成面像文件，并將這些面像文件生成面紋（ Faceprint ）編碼貯存起來。（ 2）獲取當(dāng)前的人體面像即用攝像機捕捉的當(dāng)前出入人員的面像， 或取照片輸入， 并將當(dāng)前的面像文件生成面紋 編碼。（3）用當(dāng)前的面紋編碼與檔