CN102004911A - 提高人脸识别正确率的方法 - Google Patents

Abstract

本发明涉及一种提高人脸识别正确率的方法，包括以下步骤：a)从一参考图片中得到人脸部分，作为目标匹配图像；b)计算该目标匹配图像的三个中心点位置；c)计算该目标匹配图像的SIFT特征点集；d)对一待匹配图像，计算该待匹配图像的三个中心点位置和SIFT特征点集；e)使用SIFT匹配算法找出该待匹配图像与该目标匹配图像的匹配点；以及f)判定每一对匹配点是否位于人脸的相同区域，如果是，接受该对匹配点，否则拒绝该对匹配点。

Description

提高人脸识别正确率的方法

技术领域

本发明涉及图像处理领域，尤其是涉及一种提高人脸识别正确率的方法。

背景技术

SIFT算法由D.G.Lowe在1999年提出，并在2004年进行了完善总结。该算法通过提取局部特征，在尺度空间寻找极值点，提取位置，尺度，旋转等不变量，得出基本特征参数。SIFT特征参数是图像的局部特征，其对旋转、尺度缩放保持不变，对亮度变化、视角变化、仿射变换、噪声也保持一定程度的稳定性。

目前有人成功地利用SIFT特征进行人脸识别。这类方法的核心是SIFT特征匹配算法，它是获取待匹配的两幅图像中的SIFT特征点后，对其中一图像的特征点逐个考虑。找出在某个点上欧式距离最近的前两个关键点。在这两个关键点中，如果最近的距离除以次近的距离少于某个比例阈值，则接受这一对匹配点。由此，通过控制这个比例阈值，可以调整SIFT匹配点数目进而控制匹配的稳定性。

但由于这种匹配算法仅仅考虑了SIFT特征，在实际使用中可以发现这种匹配还是具有一定的盲目性。采用这种匹配方法，得到的匹配点中经常会在不同脸部区域内的点之间形成的匹配点对。

根据SIFT特征的计算原理，一副二维图像的尺度空间可以由不同尺度的高斯核与图像的卷积得到，如下式所示：

L(x，y，σ)＝G(x，yσ)*I(x，y)

$G(x,y,\mathrm{\σ})=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}{e}^{-(x^2+y^2)}/{2\mathrm{\σ}}^2$

其中G(x，y，σ)是尺度可变高斯函数，I是每个点上的亮度，(x，y)是空间坐标，σ是尺度坐标。

为了有效的在尺度空间检测到稳定的关键点，可以使用高斯差分尺度空间(DOG scale-space)。

D(x，y，σ)＝(G(x，y，kσ)-G(x，y，σ))*I(x，y)＝L(x，y，kσ)-L(x，y，σ)

DoG算子的特点是计算简单，与尺度归一化的LoG算子的近似。Lowe的论文提供了这种快速计算DoG算子的方法[3]。通过该方法可以得到所需尺度空间的DoG算子。之后根据得到的DoG算子通过和领域比较得出在尺度空间和二维图像空间都具有局部极值的特定点以及其所处的尺度。这些点就是SIFT特征点。得到了特征点之后可以计算这些特征点的属性。

利用关键点领域象素的梯度方向分布特性为每个关键点计算方向参数和模值。每个具体点的方向和大小的计算公式如下：

$m(x,y)=\sqrt{{(L(x+1,y)-L(x-1,y))}^2+{(L(x,y+1)-L(x,y-1))}^2}$

θ(x，y)＝tan^-1((L(x，y+1)-L(x，y-1))/(L(x+1，y)-L(x-1，y)))

其中L所用尺度为每个关键点各自所在的尺度。

根据计算所得到的领域内象素点的方向性，并结合领域象素和关键点的距离设置权值对这些信息进行方向直方图统计。以直方图的峰值作为关键点的主方向。这样，每4x4个象素可以形成一个种子点，利用方向直方图的方法可以得到每一个种子点在8个方向上的方向向量。然后，对每个关键点计算16个种子点，就可以得到一个描述该关键点局部信息的128维SIFT特征向量。该向量就是特征点匹配的关键信息。实际上，SIFT特征向量采用了领域方向性信息联合的思想，增强了算法抗噪声的能力，同时对于含有定位误差的特征匹配也提供了较好的容错性。

发明内容

本发明所要解决的技术问题是提供一种提高人脸识别正确率的方法，它结合人脸区域划分来去除不正确匹配的点。

本发明为解决上述技术问题而采用的技术方案是一种提高人脸识别正确率的方法，包括以下步骤：

a)从一参考图片中得到人脸部分，作为目标匹配图像；

b)计算该目标匹配图像的三个中心点位置；

c)计算该目标匹配图像的SIFT特征点集；

d)对一待匹配图像，计算该待匹配图像的三个中心点位置和SIFT特征点集；

e)使用SIFT匹配算法找出该待匹配图像与该目标匹配图像的匹配点；以及

f)判定每一对匹配点是否位于人脸的相同区域，如果是，接受该对匹配点，否则拒绝该对匹配点。

在本发明的一实施例中，判定每一对匹配点是否位于人脸的相同区域的方法包括：对该对匹配点位于该目标匹配图像的第一点，计算该第一点到该目标匹配图像的三个中心点的距离之和，与该目标匹配图像的三个中心点组成的三角形周长的比值r1；对该对匹配点位于该待匹配图像的第二点，计算该第二点到该待匹配图像的三个中心点的距离之和，与该待匹配图像的三个中心点组成的三角形周长的比值r2；计算该对匹配点到各自图像中的三个中心的距离的比值的平均值ar。当满足以下条件时，判定该对匹配点位于人脸的相同区域：r1，r2的比值在区间[0.90，1.1]内；且ar在区间[0.90，1.1]内。

在本发明的一实施例中，所述三个中心为人脸的左眼中心、右眼中心和嘴部中心。

在本发明的一实施例中，计算该目标匹配图像和/或该待匹配图像的三个中心点位置的方法为Harr识别算法。

在本发明的一实施例中，上述方法包括遍历多个待匹配图像，执行步骤d)-f)以找到与目标匹配图像匹配的图像。

本发明由于采用以上技术方案，使之与现有技术相比，通过对传统SIFT算法中的匹配点对进行筛选，去除了不在人脸相同区域的那些匹配点，从而提高了人脸识别的正确率。

附图说明

为让本发明的上述目的、特征和优点能更明显易懂，以下结合附图对本发明的具体实施方式作详细说明，其中：

图1示出本发明一实施例的提高人脸识别正确率的方法流程。

图2示出根据现有SIFT匹配算法的错误匹配结果。

具体实施方式

根据本发明实施例的构思，提出了一种可以量化一个特征点是否在人的脸部区域的算法，并以此来改善人脸识别的结果。

本发明实施例的人脸识别方法是基于匹配算法，同时结合特征点的空间位置进行了联合考虑。可以理解，有效匹配的两个特征点，应当在人脸的相同部位。因此在符合特征向量欧式距离最近的基础上，还必须保证匹配的两个特征点需要在人脸相同部位。

在一实施例中，人脸区域可以分成眼部、鼻子、嘴部、脸颊、额头等区域。对分别位于相应人脸图像中对应区域内的相应位置处匹配点进行计算，如果匹配的点对是来自于同一人脸的相同点，那么匹配点对到各自图像上三个中心点的距离之和与各自图像上三个中心点组成的三角形的周长的比值会大致上接近于1。因此可以通过判断这一比值是否接近于1来判断匹配点对是否来自于同一人脸的相同点。

从几何学考虑，某一平面P1内的线段AB在另外一个平面P2内的投影A′B′的长度之和AB的长度是与P1与P2之间的夹角成正比的。利用人脸上两眼和嘴形成的三角形，就有三条线段，可以减少中心定位误差，计算误差。

首先分别计算出两张图中对应的一对匹配点l1，l2各自到左眼中心、右眼中心、嘴部中心的距离ll1，lr1，lm1以及ll2，lr2，lm2。再分别计算两张特征匹配图中左眼中心、右眼中心、嘴部中心三者之间的相互距离lrl1，lrm1，llm1以及lrl2，lrm2，llm2。然后计算比值：

r1＝(ll1+lr1+lm1)/(lrl1+lrm1+llm1)    (1)

r2＝(ll2+lr2+lm2)/(lrl2+lrm2+llm2)    (2)

进一步地，计算出r1/r2：

r1/r2＝(lrl2+lrm2+llm2)*(ll1+lr1+lm1)/((ll1+lr2+lm2)*(lrl1+lrm1+llm1))    (3)

接着计算两个匹配点到各自图像中的三个中心的距离的比值的平均值：

ar＝(lr1/lr2+ll1/ll2+lm1/lm2)/3    (4)

如果r1/r2和ar都处于范围[0.90，1.1]内，可以认为该对匹配点l1，l2处于同一区域，就可以接收该匹配点对，否则放弃。

图1示出一实施例的人脸识别方法流程。参照图1所示，方法包括以下步骤。

在步骤S1，从一参考图片中得到人脸部分，作为目标匹配图像target。

在一个实例中，参考图片是由人脸识别系统的摄像机拍摄获得，作为之后比对的基础。

在步骤S2，计算图像target中的左眼、右眼、嘴部位置，并且由此计算其中心位置lrl1，lrm1，llm1。

作为举例，该步骤可通过Harr识别算法来实现。

在步骤S3，计算图像target的SIFT特征点集Features_target。

在步骤S4，遍历系统中预设的待匹配图片集，针对每一图片执行步骤S2，S3的计算，得到相应图片的右眼、左眼、以及嘴部中心lrln，lrmn，llmn及SIFT特征点集Features_n。

在步骤S5，对于每一Features_n，先用Lowe的SIFT匹配算法找出匹配的点。

在步骤S6，针对每一对匹配点，参照公式(1)-(4)计算r1/r2，ar。如果r1/r2，ar处于[0.90，1.1]，认为匹配点对位于人脸的相同区域，接受这对匹配点，否则就拒绝。

图2是一个人脸识别的实验结果，同一列的上图和下图的匹配点对用匹配线连接，以最左侧的两个图来说，位于上图右耳(对观察者而言)处的匹配点A，和位于下图右脸颊处的匹配点B，用匹配线连接。图2中所示的匹配线在常用的SIFT匹配方法中依然是正确的匹配线，然而这些匹配点对实际上位于人脸的不同区域。使用本发明实施例的人脸识别方法，这些错误的匹配线是可以去除的，从而提高了人脸识别的正确率。

虽然本发明已以较佳实施例揭示如上，然其并非用以限定本发明，任何本领域技术人员，在不脱离本发明的精神和范围内，当可作些许的修改和完善，因此本发明的保护范围当以权利要求书所界定的为准。

Claims (5)

1.一种提高人脸识别正确率的方法，包括以下步骤：

a)从一参考图片中得到人脸部分，作为目标匹配图像；

b)计算该目标匹配图像的三个中心点位置；

c)计算该目标匹配图像的SIFT特征点集；

d)对一待匹配图像，计算该待匹配图像的三个中心点位置和SIFT特征点集；

e)使用SIFT匹配算法找出该待匹配图像与该目标匹配图像的匹配点；以及

f)判定每一对匹配点是否位于人脸的相同区域，如果是，接受该对匹配点，否则拒绝该对匹配点。

2.如权利要求1所述的方法，其特征在于，判定每一对匹配点是否位于人脸的相同区域的方法包括：

对该对匹配点位于该目标匹配图像的第一点，计算该第一点到该目标匹配图像的三个中心点的距离之和，与该目标匹配图像的三个中心点组成的三角形周长的比值r1；

对该对匹配点位于该待匹配图像的第二点，计算该第二点到该待匹配图像的三个中心点的距离之和，与该待匹配图像的三个中心点组成的三角形周长的比值r2；

计算该对匹配点到各自图像中的三个中心的距离的比值的平均值ar；

当满足以下条件时，判定该对匹配点位于人脸的相同区域：

r1，r2的比值在区间[0.90，1.1]内；且

ar在区间[0.90，1.1]内。

3.如权利要求1所述的方法，其特征在于，所述三个中心为人脸的左眼中心、右眼中心和嘴部中心。

4.如权利要求1所述的方法，其特征在于，计算该目标匹配图像和/或该待匹配图像的三个中心点位置的方法为Harr识别算法。

5.如权利要求1所述的方法，其特征在于，包括遍历多个待匹配图像，执行步骤d)-f)以找到与目标匹配图像匹配的图像。

Images