CN103049736A - 一种基于最大稳定极值区域的人脸识别方法 - Google Patents

Abstract

本发明公开了一种基于最大稳定极值区域的人脸识别方法。本发明提供了一种基于最大稳定极值区域的人脸识别方法，该方法通过获取人脸的最大稳定极值区域作为人脸识别的关键特征，提取表征关键特征的属性，并对关键特征进行分类，依据人脸图像的关键特征的属性及其类型对人脸图像的相似性进行判断，从而达到人脸识别的目的。本发明的人脸识别方法对尺度、仿射变化、光照变化、旋转、人脸表情变化、噪声等因素具有很好的鲁棒性，并对复杂背景下的人脸和遮挡的人脸具有一定的识别能力。

Description

一种基于最大稳定极值区域的人脸识别方法

技术领域

本发明涉及模式识别与图像处理技术领域，尤其涉及一种基于最大稳定极值区域的人脸识别方法。

背景技术

当前的生物特征识别技术主要包括有：指纹识别、视网膜识别、虹膜识别、手形识别、掌纹识别、人脸识别等。与其他识别方法相比，人脸识别具有自然，直观，成本较低等特点，使用简单，易于操作，稳定性高，从而获得了广泛的研究与应用。从古到今，人类在确认一个人的身份时，一般都是通过人脸来判断，这一事实为人脸识别概念的出现提供了理论基础和实践依据。

自2001年美国“9.11”恐怖袭击事件发生以来，世界各国普遍就打击恐怖主义，防范恐怖袭击，保护公众安全等问题展开研究与措施。其中，利用高科技技术对机场、码头、地铁车站等易受恐怖袭击的公共场所进行安全防范，并及时、迅速而准确地发现并确认可疑分子是目前各国高度关注的热点问题。而基于视频的人脸识别技术则是目前一种可行的方案。运用自动人脸识别技术，可将安检时所获取的人脸图片与恐怖份子照片数据库进行对比搜索，确定面部特征相似的嫌疑犯以供警务人员调查。在某些特定场合，如海关、出入境、公司部门、考试场等，可通过自动人脸识别技术验证被测人的相关证件，如身份证、护照、驾驶证、职员证、准考证等均附有个人照片的证件，来快速地完成验证识别工作，从而实现这些繁琐事务的自动化智能管理。在各行业重点部门或重要场所，如自动柜员机、银行柜台、金器银器店、公共场所等处都设有二十四小时的视频监控。当出现突发性异常事件或暴力入侵时，可通过实时监控、跟踪获得有效数据、图像或声音信息，对事件过程进行及时监控和记录，对采集到的图像进行具体分析，进行人脸的检测、跟踪和识别，用以提供高效、及时地指挥和调度、布置警力、处理案件等。大型体育赛事、通商口岸、旅游景区、大型会议出入、楼宇住宅、教育考试、政府机构和企业的出入口控制等以及智能型住宅、智能车库等，都可以尝试应用人脸识别来为用户提供安全、便利。

人脸识别应其所特有的技术优势和其较多的应用环境，获得了人们的广泛接受，在取得了很大成果的同时，人们也对这项技术提出了更高的要求。人们希望计算机能够像人一样区分和识别人脸，然而由于所有的人脸看上去结构相同、纹理相近、局部器官之间亦十分相似，要判断和区分人脸，需要对人脸之间的细微差别进行精确的识别。并且由于人脸的弹性特点使其具有一个不稳定外形，与刚体物体相比，人脸是弹性形变的。人脸是有表情的，人的喜怒哀乐都伴随着表情的变化从而引起人脸的形状变化和特征变化，从不同的角度、不同姿势所观测到的人脸图像差异也很大。另外，在实际生活中，人脸常常佩戴各种装饰物，如眼镜、口罩、围巾、帽子；或者改变发型、蓄留胡须、化妆打扮；或是随着年龄的增长，头发花白、皮肤松弛、眉眼深陷等；这些随机的、弹性的人脸变化势必会给人脸识别的准确性带来很大的干扰。人们希望计算机也能和人眼一样，区分出这些表情并将同一个体在不同表情下的人脸关联和识别出来，这就需要鲁棒性更强的人脸识别算法来完成更高级的识别任务。

随着人脸识别越来越高的实际需求，基于计算机系统的全自动人脸识别依然面临着许多困难，多姿态、跨年龄、抗遮挡的人脸识别技术，在不同光照、复杂背景条件下的精确的人脸识别，实时便捷地使用要求等，这都是人脸识别算法需要解决的核心问题。

发明内容

本发明针对现有技术的不足，提出了一种简单而行之有效的基于最大稳定极值区域的人脸识别方法。

为了达到上述目的，本发明采用下述技术方案。

一种基于最大稳定极值区域的人脸识别方法，包括以下步骤：

步骤101、基于MSER原理对人脸图像进行特征区域检测；

步骤102、采用GLOH特征描述算子对检测到人脸特征区域进行描述，生成描述特征区域的特征向量；

步骤103、采用PCA算法对得到的特征向量进行降维，生成维数更低的描述特征区域的特征向量；

步骤104、依据特征区域的位置和特征向量对特征区域进行分类；

步骤105、针对待比对的两幅人脸图像，依据各自特征区域所属的类别和其相应的特征向量对特征区域进行相似性判定，得到各特征区域的相似度；

步骤106、依据特征区域的相似性判定结果得到人脸图像的总的相似度，根据总的相似度判定对待比对的两幅人脸图像是否匹配，进而达到人脸识别的目的。

所述的步骤101中，在人脸图像的不同转换空间进行，所述的不同转换空间是指图像的多种表达方式，图像彩色空间可以用RGB，HIS等颜色空间表示，这里的不同转换空间也包括图像的灰度空间。

所述的步骤104中，特征区域的分类是依据特征区域所在位置和其自身的特征向量进行划分的，划分的方法可以有多种选择，如可采用神经网络聚类算法或SVM聚类算法等。

通过步骤101～步骤104完成对待比对的两幅人脸图像的处理，而后对两幅人脸的识别与配准问题则转变为对相应的特征向量间的相似度匹配问题，所述的步骤105中，各特征区域的相似度判定方法是依据特征区域所属的类别和其自身的特征向量与同类别的特征区域进行特征向量间的匹配，根据匹配结果判定其相似度。

所述的步骤105中，特征区域的特征向量的匹配可采用计算向量间的欧式距离或者工程数学领域中度量向量相似性的余弦计算方法。

所述的步骤106中，是依据人脸图像间的各特征区域的相似度来判定两幅人脸图像的总的相似度，总的相似度达到一定程度的两幅人脸图像才被认为是匹配的，从而达到人脸识别的目的。

所述的步骤106中，两幅人脸图像的总的相似度是由各特征区域的相似度加权得到的，各特征区域的权重系数由特征区域匹配的准确性决定。

所述的步骤106中，各特征区域的匹配的准确性可通过多次实验验证得到，通过正确匹配的次数和总的实验次数的比值确定各特征区域的匹配的准确性，并对准确性低于一定阈值的特征区域的权重赋零。

本发明的有益效果在于：

1、基于MSER原理进行的特征区域的人脸识别不但具有良好的仿射不变性，而且在画面选择、尺度缩放、视角变动、光照差异、遮挡、噪声方面都具有良好的适应能力。

2、本发明中，基于特征的人脸识别方法，实现简单、运行快速，功能实用。

附图说明：

图1是本发明一种基于最大稳定极值区域的人脸识别方法的流程图；

图2是GLOH算子极坐标空间的示意图；

图3是GLOH算子兴趣区域划分方式示意图。

具体实施方式：

下面结合附图对本发明进行详细描述。

近年来，计算机视觉领域在图像局部不变特征的研究方面取得了显著的进展，其成果极大地推动了图像配准相关技术的发展。2002年Matas等人提出了一种利用类似分水岭算法的分割算法来提取图像中有良好仿射不变性的最大稳定极值区域MSER(Maximally Stable Extremal regions)。MSER特征区域具有良好的仿射不变性，其稳定性好、重现性高，对光照、视角和局部遮挡等情况也具有良好的鲁棒性，由于其特殊的提取过程，MSER对尺度变化也具有一定的适应性。

为了实现特征的匹配，需要对检测到的特征进行描述。在2005年，Krystian Mikolajczyk提出了一种尺度和仿射不变量的兴趣点检测算法-GLOH(Gradient Location and Orientation Histogram)，即“梯度定位方向直方图”。此描述子具有较好的分辨能力且其性能不依赖于具体的特征检测算法，采用GLOH特征描述法在此基础上更增强其鲁棒性和独特性，因而我们采用此方法进行特征描述。

本实施例采用如下技术方案。如图1所示，一种基于最大稳定极值区域的人脸识别方法，包括：步骤101，基于MSER原理对人脸图像进行特征区域检测；步骤102、采用GLOH特征描述算子对检测到人脸特征区域进行描述，生成描述特征区域的特征向量；步骤103、采用PCA算法对得到的特征向量进行降维，生成维数更低的描述特征区域的特征向量；步骤104、依据特征区域的位置和特征向量对特征区域进行分类；步骤105、依据特征区域所属的类别和其相应的特征向量对分类区域进行相似性判定，得到各分类区域的相似度；步骤106、依据特征区域的相似性判定结果得到人脸图像的总的相似度，根据总的相似度判定人脸图像是否匹配，进而达到人脸识别的目的。

步骤101，基于MSER原理对人脸图像进行特征区域检测。MSER检测子的基本原理是：对一幅灰度图像，从0～255分别取阈值，将大于阈值的点设为1，小于阈值的点设为0，从而得到256幅阈值分割的二值图像，通过前后相邻阈值图像间区域比较，得出区域面积关于阈值变化的关系。最后选取当区域面积的变化相对于阈值的变化小于某个值时所检测出的区域即为最大稳定极值区域。由于阈值可以向两个相反的方向变化，所以会产生两种不同的极值区域，因此，最大稳定极值区域包括最大稳定极大值区域(较亮的极值区域)与最大稳定极小值区域(较暗的极值区域)两种。

步骤102，采用GLOH特征描述算子对检测到人脸特征区域进行描述，生成描述特征区域的特征向量。GLOH算子的具体构造如下：在对数极坐标中半径方向建立三个半径从小到大的位置带(r＝6，r＝11，r＝15)和8个角度方向，如图2所示。其中，极坐标的空间可定义为分别代表极坐标的半径、方向和像素梯度方向。采用仿射状的同心圆的17个方向柱划分特征区域，并计算其中的梯度方向直方图，梯度方向分为16种，因此共16×17＝272维。

步骤103，采用PCA算法对得到的特征向量进行降维，生成维数更低的描述特征区域的特征向量。在具有272维的GLOH算子空间中，为了优化维度而进行降维时，需要舍弃一些信息，即舍弃一些我们认为是“最不好”的信息。在这里我们使用的是PCA(Principal Component Analysis)方法，即主成分分析法。主成分分析是一种掌握事物主要矛盾的统计分析方法，它可以从多元事物中解析出主要影响因素，揭示事物的本质，简化复杂的问题。计算主成分的目的是将高维数据投影到较低维空间，达到数据降维的目的。使用PCA将其降为128维，并进行归一化。

GLOH特征描述子相比于典型的SIFT描述子具有更好的特征描述能力，SIFT特征描述子的特征向量是128维，特征向量的维数直接影响了后面计算特征匹配的时间，将272维的GLOH特征向量选择降为128维是为了在后面计算特征匹配时间相等的情况比较GLOH特征描述子和SIFT特征描述子的特征描述能力，以表现GLOH更好的效果。

步骤104，依据特征区域的位置和特征向量对特征区域进行分类。聚类算法就是一个将数据集划分为若干组或类的过程，通过聚类使得同一组内的数据对象具有较高的相似度，而不同组中的数据对象则是不相似的。聚类的方法有很多，在本实施例中采用支持向量机SVM(Support VectorMachine)来实现人脸特征的分类。由于SVM在训练样本较少的情况下就可获得较高识别率，因此被公认为最成熟、应用最广的机器学习方法之一。我们将各个特征区域与整个人脸图像中心的距离做为SVM分类器方法的输入，以各特征区域所在位置如额头区域、眼部区域、鼻子区域，脸部区域，嘴部区域作为输出，对分类器进行训练，得到训练器之后可以实现对待识别的人脸图像的MSER区域的分类。在经过了分类处理后的人脸图像中，其特征向量已被“归类”为5个不同的集合之中。

步骤105，依据特征区域所属的类别和其相应的特征向量对分类区域进行相似性判定，得到各分类区域的相似度；经过MSER特征提取及分类，对两幅人脸的识别与配准问题则转变为对相应的特征向量间的相似度匹配问题，可通过计算向量之间的相似性来度量人脸图像间的相似性。在得到描述特征区域的特征向量后可采用128维的特征向量的欧氏距离作为两幅图像特征区域的相似性度量。基于欧氏空间距离的测度，设X，Y分别是两个128维特征矢量，代表进行匹配的两个特征区域，则

$d(X,Y)={\left(\underset{i=0}{\overset{i=127}{\mathrm{\Σ}}}{(x_i-y_i)}^2\right)}^{1/2}---\left(1\right)$

对属于同一类别区域的两组特征向量用向量间的欧式距离判定是否匹配，判断匹配的方法是用一组特征向量中的一个特征向量1计算其与另一组特征向量的所有向量的欧式距离，选取距离最小的特征向量2作为与特征向量1的匹配特征向量。再反过来对特征向量2计算其与另一组所有特征向量的欧式距离，如果与其欧式距离最近的特征向量是特征向量1则认为特征向量1和特征向量2相互匹配，否则认为没有匹配的特征向量。得到各个特征区域的相互匹配的特征向量之后就可以分别计算各分类区域的相似度。可将各分类区域的相互匹配的特征向量间的欧式距离的平均值做为各分类区域的相似度，平均距离越小说明分类区域的相似度越大。

步骤106，依据特征区域的相似性判定结果得到人脸图像的总的相似度，根据总的相似度判定人脸图像是否匹配，进而达到人脸识别的目的。经过步骤5我们获得了各个分类区域中相互匹配的特征向量。由于经过分类所得到的各个分类区域的独特性是不同的，其对于人脸识别的重要性也各不相同。从日常生活角度来说，就是我们看一个人的眼部区域比看一个人的嘴部区域，更容易区分出此人的身份信息。因此，对每个区域的局部区域相似度，应赋予不同的权重值来进行计算。权重的获取方法是，分别用各个区域进行人脸识别的实验，得到各分类区域进行人脸识别的正确的概率，将此概率值作为该分类区域的相似度权重。如用额头区域的特征向量进行识别中100幅图像，正确识别出80张人脸，则取该分类区域的权重为0.8。这样在得到各分类区域的相似度及其权重的情况下，整张人脸图像的的总的相似度就可以通过对各分类区域的相似度及其权重加权求和得到，即通过下式得到：

$S=\underset{i=0}{\overset{i=4}{\mathrm{\Σ}}}{s}_i{w}_i---\left(2\right)$

其中s_i是各分类区域的相似度，w_i该分类区域的权重。得到人脸的总的相似度以后，通过寻找待识别人脸图像与人脸图像库中所有图像的相似度的最大值，并加以一定的阈值限制，存在最大相似度大于一定阈值的人脸图像时，才可以判断存在与待识别人脸相匹配的人脸图像，因而可以得到与待识别人脸图像匹配的人脸，达到了人脸识别的目的。

综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应在本发明的保护范围之内。

Claims (7)

1.一种基于最大稳定极值区域的人脸识别方法，其特征在于，包括以下步骤：

步骤101、基于MSER原理对人脸图像进行特征区域检测；

步骤102、采用GLOH特征描述算子对检测到人脸特征区域进行描述，生成描述特征区域的特征向量；

步骤103、采用PCA算法对得到的特征向量进行降维，生成维数更低的描述特征区域的特征向量；

步骤104、依据特征区域的位置和特征向量对特征区域进行分类；

步骤105、针对待比对的两幅人脸图像，依据各自特征区域所属的类别和其相应的特征向量对特征区域进行相似性判定，得到各特征区域的相似度；

步骤106、依据特征区域的相似性判定结果得到人脸图像的总的相似度，根据总的相似度判定对待比对的两幅人脸图像是否匹配。

2.如权利要求1所述的基于最大稳定极值区域的人脸识别方法，其特征在于，步骤104中，对特征区域进行分类时，采用神经网络聚类算法或SVM聚类算法。

3.如权利要求2所述的基于最大稳定极值区域的人脸识别方法，其特征在于，步骤105中，对特征区域进行相似性判定时，依据特征区域所属的类别和其自身的特征向量与同类别的特征区域进行特征向量间的匹配，根据匹配结果判定其相似度。

4.如权利要求3所述的基于最大稳定极值区域的人脸识别方法，其特征在于，步骤105中，特征区域的特征向量的匹配可采用计算向量间的欧式距离或者度量向量相似性的余弦计算方法。

5.如权利要求4所述的基于最大稳定极值区域的人脸识别方法，其特征在于，步骤106中，总的相似度达到一定程度的两幅人脸图像才被认为是匹配的。

6.如权利要求5所述的基于最大稳定极值区域的人脸识别方法，其特征在于，步骤106中，两幅人脸图像的总的相似度是由各特征区域的相似度加权得到的，各特征区域的权重系数由特征区域匹配的准确性决定。

7.如权利要求6所述的基于最大稳定极值区域的人脸识别方法，其特征在于，步骤106中，通过正确匹配的次数和总的实验次数的比值确定各特征区域的匹配的准确性，并对准确性低于一定阈值的特征区域的权重赋零。

Images