CN102779269A - 基于图像传感器成像系统的人脸识别算法 - Google Patents

Abstract

本发明公开了一种基于图像传感器成像系统的人脸识别算法，该算法在基于相关型图像传感器（CIS）的三维人脸成像系统获得的三维人脸数据基础上，首先利用等深度线和傅里叶描绘子表示三维人脸数据，再利用改进的流形学习方法实现特征提取，最终使用基于欧式距离的最邻近分类器实现分类识别。本发明的将人脸识别中使用的三维数据转变为二维数据（等深度线）进行处理，在保留原始人脸信息的基础上降低了数据处理的复杂度；同时使用改进的流形学习方法实现特征提取，识别率和识别速度都有较大提高。

Description

基于图像传感器成像系统的人脸识别算法

技术领域：

本发明涉及三维成像技术领域，具体涉及一种基于图像传感器成像系统的人脸识别算法。

背景技术：

随着计算机技术、电子通信技术和网络技术的飞速发展，身份识别的重要性日益凸显。传统的口令方式已经逐渐不适应当代社会的发展，而生物特征识别技术成为目前身份识别技术发展的主要方向。生物特征通常具有唯一性、可以测量或可自动识别性和终身不变性等特点，可以满足身份识别的需要，主要包括：人脸识别、指纹识别、手型识别、虹膜识别、DNA识别、笔迹识别和语音识别等。

人脸识别是利用人脸的视觉特征信息进行身份识别的生物特征识别技术。与其他生物特征识别技术相比，人脸识别方法具有非接触性、信息完备、采集便捷、人机友好等优点。最早的人脸识别大多基于二维灰度图像或彩色图像。二维人脸识别技术的最大优势就是方法直观、识别迅速。但同时，二维人脸识别技术也容易受到光照、姿态、表情等因素的影响。

近年来，随着相关成像技术的飞速发展，三维成像技术为人脸识别技术发展提供了新的思路。三维成像方法可以采集到人体面部的三维信息，这些数据可以客观、真实的反映脸部的空间信息和本质特征。基于三维成像技术的三维人脸识别方法具有数据信息丰富、可靠性高等优点，是一种比较理想的生物特征识别技术。目前常见的三维人脸识别方法主要有：迭代最近点法、豪斯多夫距离法、基于二值模式的方法、基于局部描述符的方法、基于曲率的方法、基于多数据多技术融合的方法等。当然，这些方法仍大多处于发展阶段，在识别率和识别速度方面都还有一定的提升空间。

发明内容：

本发明目的是提出一种基于图像传感器成像系统的快速有效的人脸识别算法。

本发明采用的技术方案是：

基于图像传感器成像系统的人脸识别算法，其特征在于，该算法的步骤如下：

（1）通过图像传感器成像系统获得三维人脸数据；

（2）对上述获得的三维人脸数据进行校正：

手动标记人脸数据中面部的若干关键点（如左眼角点、右右眼角点、鼻尖点等），通过比较关键点的空间位置获得头部的姿态变化情况，并进一步对整体人脸数据进行旋转、插值和对齐，得到标准、统一的“正中面”人脸图像；

（3）利用等深度线表示人脸数据：

校正后的三维人脸数据信息丰富，数据量较大，为便于分类识别提高识别速度，采用等深度线来描绘三维人脸的表面信息；人脸表面同一深度点的集合即等深度线，选择人脸表面若干有代表性的深度，提取相应的等深度线；

（4）利用傅里叶描绘子描述等深度线：

傅里叶描绘子是图像处理中边界描绘子的一种，通过傅里叶描绘子可以表示一条闭合曲线的特征，同时也可以通过该描绘子恢复曲线的原貌；第（3）步中提取的离散形式的等深度线均为一种二维曲线，同样可以利用傅里叶描绘子描述；针对之前第（3）步中提取出的任意一条人脸等深度线都可以视为离散点的坐标序列：

$\begin{array}{cc}c\left(n\right)=[x\left(n\right),y\left(n\right)]& (n=\mathrm{0,1,2},\·\·\·,N-1)---\left(1\right)\end{array}$

该条等深度线由N个离散的点组成，进而可以再xoy二维坐标系下，用复数的形式来表示任意一个离散点：

$c\left(n\right)=x\left(n\right)+i*y\left(n\right)---\left(2\right)$

通过离散傅里叶变换（DFT）和傅里叶级数，可以得到：

$a\left(u\right)=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}c\left(n\right)e^{-i*2\mathrm{\πun}/N}(u=\mathrm{0,1,2},\·\·\·,N-1)---\left(3\right)$

a(u)为复系数，即曲线的傅里叶描绘子；傅里叶描绘子可以通过傅里叶的逆变换得到原始的等深度线表示：

$c\left(n\right)=\frac{1}{N}\underset{u=0}{\overset{N-1}{\mathrm{\Σ}}}a\left(u\right)e^{i*2\mathrm{\πun}/N}---\left(4\right)$

在实验中，往往使用前M个傅里叶描绘子来近似恢复原始的等深度线：

$\hat{c}\left(n\right)=\frac{1}{M}\underset{u=0}{\overset{M-1}{\mathrm{\Σ}}}a\left(u\right)e^{i*2\mathrm{\πun}/N}---\left(5\right)$

当M足够大时，

与c(n)的视觉效果相似；所以可以选取每条等深度线的前M个傅里叶描绘子参数表示该条等深度线；

（5）利用对数映射实现特征提取：

对数映射算法是流形学历理论的一个分支，是一种非线性降维方法，该环节具体实现细节如下：

a)输入用于训练的人脸图像对应的傅里叶描绘子参数，构造训练集；

b)输入一幅待识别人脸图像对应的傅里叶描绘子参数，并与训练集共同构成整体的样本集X，待识别图像的傅里叶描绘子参数作为全局基准点p，并计算其k个邻近点B(p)；

c)计算B(p)的低维坐标和基准点p处切空间的标准正交基，进一步通过Dijkstra算法得到B(p)中的各点到高维样本集X中其他各点的最短距离，近似表示测地距离；由B(p)的低维坐标和距离等信息求出B(p)以外其他各点的低维坐标，即黎曼法坐标，低维坐标即提取特征；

（6）分类识别：

设计基于欧式距离的最邻近分类器，即计算待识别图像提取特征与训练集中每一幅图像提取特征之间的欧氏距离；欧式距离最短的训练样本对应的采样对象就是人脸识别结果。

本发明的有益效果在于;

本发明的将人脸识别中使用的三维数据转变为二维数据（等深度线）进行处理，在保留原始人脸信息的基础上降低了数据处理的复杂度；同时使用改进的流形学习方法实现特征提取，识别率和识别速度都有较大提高。

附图说明

图1为本发明的一幅三维人脸图像对应的等深度线图。

具体实施方式：

基于图像传感器成像系统的人脸识别算法，其特征在于，该算法的步骤如下：

（1）通过图像传感器成像系统获得三维人脸数据；

（2）对上述获得的三维人脸数据进行校正：

手动标记人脸数据中面部的若干关键点（如左眼角点、右右眼角点、鼻尖点等），通过比较关键点的空间位置获得头部的姿态变化情况，并进一步对整体人脸数据进行旋转、插值和对齐，得到标准、统一的“正中面”人脸图像；

（3）利用等深度线表示人脸数据：

校正后的三维人脸数据信息丰富，数据量较大，为便于分类识别提高识别速度，采用等深度线来描绘三维人脸的表面信息；人脸表面同一深度点的集合即等深度线，选择人脸表面若干有代表性的深度，提取相应的等深度线；等深度线图很好的反映了人脸曲面的起伏状态，人脸在整体上存在“中间高，四周低”的变化趋势：鼻尖部位是人脸曲面的最高点，以鼻尖向四周曲面深度逐渐降低；图1为一幅三维人脸图像的等深度线图，其中包括了30条等深度线；

（4）利用傅里叶描绘子描述等深度线：

傅里叶描绘子是图像处理中边界描绘子的一种，通过傅里叶描绘子可以表示一条曲线的特征，同时也可以通过该描绘子恢复曲线的原貌；第（3）步中提取的离散形式的等深度线均为一种二维曲线，同样可以利用傅里叶描绘子描述；针对之前第（3）步中提取出的任意一条人脸等深度线都可以视为离散点的坐标序列：

$\begin{array}{cc}c\left(n\right)=[x\left(n\right),y\left(n\right)]& (n=\mathrm{0,1,2},\·\·\·,N-1)---\left(1\right)\end{array}$

该条等深度线由N个离散的点组成，进而可以再xoy二维坐标系下，用复数的形式来表示任意一个离散点：

$c\left(n\right)=x\left(n\right)+i*y\left(n\right)---\left(2\right)$

通过离散傅里叶变换（DFT）和傅里叶级数，可以得到：

$a\left(u\right)=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}c\left(n\right)e^{-i*2\mathrm{\πun}/N}(u=\mathrm{0,1,2},\·\·\·,N-1)---\left(3\right)$

a(u)为复系数，即曲线的傅里叶描绘子；傅里叶描绘子可以通过傅里叶的逆变换得到原始的等深度线表示：

$c\left(n\right)=\frac{1}{N}\underset{u=0}{\overset{N-1}{\mathrm{\Σ}}}a\left(u\right)e^{i*2\mathrm{\πun}/N}---\left(4\right)$

在实验中，往往使用前M个傅里叶描绘子来近似恢复原始的等深度线：

$\hat{c}\left(n\right)=\frac{1}{M}\underset{u=0}{\overset{M-1}{\mathrm{\Σ}}}a\left(u\right)e^{i*2\mathrm{\πun}/N}---\left(5\right)$

当M足够大时，与c(n)的视觉效果相似；所以可以选取每条等深度线的前M个傅里叶描绘子参数表示该条等深度线；

（5）利用对数映射实现特征提取：

对数映射算法是流形学历理论的一个分支，是一种非线性降维方法，该环节具体实现细节如下：

a)输入用于训练的人脸图像对应的傅里叶描绘子参数，构造训练集；

b)输入一幅待识别人脸图像对应的傅里叶描绘子参数，并与训练集共同构成整体的样本集X，待识别图像的傅里叶描绘子参数作为全局基准点p，并计算其k个邻近点B(p)；

c)计算B(p)的低维坐标和基准点p处切空间的标准正交基，进一步通过Dijkstra算法得到B(p)中的各点到高维样本集X中其他各点的最短距离，近似表示测地距离；由B(p)的低维坐标和距离等信息求出B(p)以外其他各点的低维坐标，即黎曼法坐标，低维坐标即提取特征；

（6）分类识别：

设计基于欧式距离的最邻近分类器，即计算待识别图像提取特征与训练集中每一幅图像提取特征之间的欧氏距离；欧式距离最短的训练样本对应的采样对象就是人脸识别结果。

经过以上这些步骤，该算法在时间相关型图像传感器的成像系统获得人脸数据的基础上，实现精度较高、速度较快的人脸识别。

本发明的实验数据来自基于时间相关型图像传感器（CIS）的三维人脸实时成像系统。该系统可以获取足够的人脸表面深度和纹理信息，解决三维数据获取不足的问题。CIS是图像传感器，它可以获取表示外部参考信号与附带光源之间相关性的相关图像，同时还可以得到灰度图像。CIS得到的深度图像具有如下优点：a）对光照变化具有较强的鲁棒性；b）对姿态的变化具有较强的鲁棒性。

Claims (1)

1.一种基于图像传感器成像系统的人脸识别算法，其特征在于，该算法的步骤如下：

（1）通过图像传感器成像系统获得三维人脸数据；

（2）对上述获得的三维人脸数据进行校正：

手动标记人脸数据中面部的若干关键点（如左眼角点、右右眼角点、鼻尖点等），通过比较关键点的空间位置获得头部的姿态变化情况，并进一步对整体人脸数据进行旋转、插值和对齐，得到标准、统一的“正中面”人脸图像；

（3）利用等深度线表示人脸数据：

校正后的三维人脸数据信息丰富，数据量较大，为便于分类识别提高识别速度，采用等深度线来描绘三维人脸的表面信息；人脸表面同一深度点的集合即等深度线，选择人脸表面若干有代表性的深度，提取相应的等深度线；

（4）利用傅里叶描绘子描述等深度线：

傅里叶描绘子是图像处理中边界描绘子的一种，通过傅里叶描绘子可以表示一条闭合曲线的特征，同时也可以通过该描绘子恢复曲线的原貌；第（3）步中提取的离散形式的等深度线均为一种二维曲线，同样可以利用傅里叶描绘子描述；针对之前第（3）步中提取出的任意一条人脸等深度线都可以视为离散点的坐标序列：

$\begin{array}{cc}c\left(n\right)=[x\left(n\right),y\left(n\right)]& (n=\mathrm{0,1,2},\·\·\·,N-1)---\left(1\right)\end{array}$

该条等深度线由N个离散的点组成，进而可以再xoy二维坐标系下，用复数的形式来表示任意一个离散点：

$c\left(n\right)=x\left(n\right)+i*y\left(n\right)---\left(2\right)$

通过离散傅里叶变换（DFT）以及傅里叶级数展开，可以得到：

$a\left(u\right)=\underset{n=0}{\overset{N-1}{\mathrm{\Σ}}}c\left(n\right)e^{-i*2\mathrm{\πun}/N}(u=\mathrm{0,1,2},\·\·\·,N-1)---\left(3\right)$

a(u)为复系数，即曲线的傅里叶描绘子；傅里叶描绘子可以通过傅里叶的逆变换得到原始的等深度线表示：

$c\left(n\right)=\frac{1}{N}\underset{u=0}{\overset{N-1}{\mathrm{\Σ}}}a\left(u\right)e^{i*2\mathrm{\πun}/N}---\left(4\right)$

在实验中，往往使用前M个傅里叶描绘子来近似恢复原始的等深度线：

$\hat{c}\left(n\right)=\frac{1}{M}\underset{u=0}{\overset{M-1}{\mathrm{\Σ}}}a\left(u\right)e^{i*2\mathrm{\πun}/N}---\left(5\right)$

当M足够大时，

与c(n)的视觉效果相似；所以可以选取每条等深度线的前M个傅里叶描绘子参数表示该条等深度线；

（5）利用对数映射实现特征提取：

对数映射算法是流形学习理论的一个分支，是一种非线性降维方法，该环节具体实现细节如下：

a)输入用于训练的人脸图像对应的傅里叶描绘子参数，构造训练集；

b)输入一幅待识别人脸图像对应的傅里叶描绘子参数，并与训练集共同构成整体的样本集X，待识别图像的傅里叶描绘子参数作为全局基准点p，并计算其k个邻近点B(p)；

c)计算B(p)的低维坐标和基准点P处切空间的标准正交基，进一步通过Dijkstra算法得到B(p)中的各点到高维样本集X中其他各点的最短距离，近似表示测地距离；由B(p)的低维坐标和距离等信息求出B(p)以外其他各点的低维坐标，即黎曼法坐标，低维坐标即提取特征；

（6）分类识别：

设计基于欧式距离的最邻近分类器，即计算待识别图像提取特征与训练集中每一幅图像提取特征之间的欧氏距离；欧式距离最短的训练样本对应的采样对象就是人脸识别结果。

Images