CN103955668A - 基于图像质量评价的合成人脸图像识别方法 - Google Patents
基于图像质量评价的合成人脸图像识别方法 Download PDFInfo
- Publication number
- CN103955668A CN103955668A CN201410133868.9A CN201410133868A CN103955668A CN 103955668 A CN103955668 A CN 103955668A CN 201410133868 A CN201410133868 A CN 201410133868A CN 103955668 A CN103955668 A CN 103955668A
- Authority
- CN
- China
- Prior art keywords
- image
- human face
- image quality
- identification
- quality evaluation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 28
- 239000002131 composite material Substances 0.000 title abstract description 15
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 230000001815 facial effect Effects 0.000 claims description 22
- 238000001303 quality assessment method Methods 0.000 claims description 11
- 239000004576 sand Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 abstract description 14
- 238000012549 training Methods 0.000 abstract description 2
- 238000007781 pre-processing Methods 0.000 abstract 1
- 238000002474 experimental method Methods 0.000 description 12
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 8
- 238000000513 principal component analysis Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000011840 criminal investigation Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Landscapes
- Collating Specific Patterns (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于图像质量评价的合成人脸图像识别方法,主要解决现有人脸识别方法直接应用在合成人脸图像识别中识别率低,计算复杂度高的问题。其实现过程是:1)对合成人脸图像数据库与原图像数据库进行预处理,使其尺寸一致;2)对合成图像集与原图像集中的图像分别进行高斯差分滤波,并将滤波后的合成图像与原图像分别作为测试图像与参考图像,进行图像质量评价;3)利用图像质量评价分数判断合成图像是否正确识别,并计算其识别率。本发明与现有方法相比,无需训练过程,计算复杂度低,且提高了合成人脸图像识别率,可用于犯罪嫌疑人身份识别。
Description
技术领域
本发明属于图像处理技术领域,涉及人脸图像识别,可用于犯罪嫌疑人身份识别。
背景技术
随着信息时代的到来,人们越来越感受到信息安全的重要性。近年来身份识别与认证技术发展越来越迅速,是保证信息安全的有效手段。基于人脸的身份识别和认证技术是最方便、最有效的身份认证技术之一,因此人脸识别近年来备受关注。基于照片的人脸识别在很多领域得到了应用如门禁系统,搜索引擎,视频监控等。但是,由于成像方式的不同,人脸图像可以有多种示例,如照片,画像等,所以人脸识别并不局限于人脸照片识别。实际生活中,在很多情况下,例如刑侦破案和反恐追逃中,往往没有犯罪嫌疑人的照片,仅有一幅来自于画家和目击者合作完成的画像,进而人脸识别就要基于得到的画像和已有的警察数据库进行身份的识别。另外,在抓获一个犯罪嫌疑人时,可以得到该犯罪嫌疑人的人脸照片,需确定该嫌疑人以前是否犯过罪,就可以用得到的人脸照片在画像库中进行检索,根据检索结果确定是否犯过罪或者根据检索到的画像数量确定犯罪次数。
综上,人脸照片-画像识别主要是应用于以下两种情况:一是判定犯罪嫌疑人的身份,二是验证某人是否有犯罪历史或者进一步确定犯罪次数。但是,由于照片、画像生成机制不一样,信息表达方式不一样,存在较大的纹理信息差异,所以直接进行照片-画像识别比较困难,则需将照片-画像转换到同一表达方式下,然后进行识别。对于第一种情况,需先将画像合成为照片,然后将其作为测试图像在已有的警察照片数据库中进行匹配识别。对于第二种情况,需先将人脸照片合成为画像,然后作为测试图像,在已有的警察画像数据库中进行匹配识别。
传统的人脸识别方法主要集中在研究人脸照片-照片之间的识别,其主要分为三类:
一、基于局部特征的人脸识别
局部特征主要是指人脸五官的自身特点以及分布特点。基于局部特征的人脸识别也就是将人脸基准点的相对比率和其它描述人脸部件特征的形状参数或类别参数等一起构成识别的特征矢量。基于局部特征的人脸识别主要包含基于几何方法的人脸识别和基于模板匹配方法的人脸识别。
二、基于整体特征的人脸识别
人脸整体特征表示最常用的方法是特征子空间法,特征子空间法的基本原理是寻找一个线性或非线性的空间变换,将原始图像数据映射到某个子空间中,从而降低人脸图像的特征维数,从而更加利于分类。
主成分分析PCA是其中最重要的一种线性子空间方法,其思想来源于K-L变换,目的是通过线性变换寻求一组最优的单位正交向量基,利用它们的线性组合来重建原样本,并使重建后的样本和原样本的误差最小。特征脸方法是基于PCA的经典人脸识别算法。特征脸识别方法的核心是寻求一个最佳的低维空间来描述人脸,然后将原始的人脸图像投影到这个特征空间中重构,并进行人脸识别。
三、基于混合特征的人脸识别
该类方法混合利用整体特征和局部特征进行人脸识别。具有代表性的有基于弹性图匹配的方法和基于局部特征分析的方法。局部特征分析技术LFA也是一种常用的混合特征描述模型。LFA在PCA的基础上添加了一个拓扑索引,从而克服了PCA只能提取全局特征而忽略了局部拓扑关系的缺点。LFA方法首先利用PCA方法构建一个包含原始输入层次结构标准正交基的线性子空间,然后利用稀疏表示方法在子空间中选取一组相关性最小且包含拓扑索引信息的特征矢量构成新的子空间。LFA通过引入稀疏表示的核函数来提取人脸图像的特征空间,并成功构建了商用自动人脸识别系统。
上述方法应用于合成人脸画像及合成人脸照片识别时,需要训练过程,复杂度高,且由于没有考虑到合成人脸图像的特殊性,造成识别率低,导致错误识别的人脸数量大。
发明内容
本发明的目的在于针对上述现有方法在合成人脸图像识别上的不足,提出一种基于图像质量评价的合成人脸图像识别方法,以减小复杂度,提高合成人脸图像的识别率,为识别犯罪嫌疑人的身份提供准确依据。
实现本发明目的的技术方案包括如下步骤:
(1)将合成人脸图像数据库Ss中的图像个数表示为N,将与合成人脸图像数据库中N幅图像一一对应的原图像所组成的数据库表示为S;
(2)对Ss及S中所有图像加高斯差分滤波,将滤波处理后的合成人脸图像库及原图像库分别表示为
(3)选取所述库中第i幅合成图像利用图像质量评价方法,逐个与所述原图像库中的每幅图像进行图像质量评价,得到图像质量评价分数Xi={xi1,xi2,...,xiN},其中xim表示第i幅合成图像与第m幅原图像的质量评价分数;i=1,2,...,N,m=1,2,...,N;
(4)利用图像质量评价分数进行合成人脸图像识别:
(4a)将正确识别的合成图像个数表示为l,并将l初始化为0;
(4b)根据图像质量评价分数Xi,判断合成图像是否正确识别:若Xi中xii的值最接近于1,表示识别正确,则l增加1;否则,识别错误;
(5)重复步骤(3)-(4),直至处理完所有合成图像,最后计算出合成人脸图像的识别率:
r=l/N。
本发明由于对图像进行高斯差分滤波处理后,利用图像质量评价方法,充分考虑了合成人脸图像结构的相似性,实现合成人脸图像的识别,与现有方法相比不仅降低了计算复杂度,而且合成人脸图像的识别率高。
附图说明
图1为本发明基于图像质量评价的合成人脸画像识别实例流程图。
图2为本发明基于图像质量评价的合成人脸照片识别实例流程图。
具体实施方式
本发明的核心思想是:针对现有的人脸识别算法应用在合成人脸图像识别时识别率低、算法复杂高等问题,提出基于图像质量评价的合成人脸图像识别方法。以下给出该方法在合成人脸画像及合成人脸照片这两种图像上的应用实例。
实例1,基于图像质量评价的合成人脸画像识别
参照图1,本实例的实施步骤如下:
步骤1,画像预处理;
将合成人脸画像数据库Ss中的图像个数表示为N,将与合成人脸画像数据库中N幅图像一一对应的原画像所组成的数据库表示为S,若合成画像的大小与原画像的大小不同,则将二者裁剪成相同尺寸。
步骤2,对合成画像和原画像分别进行高斯差分滤波处理;
2.1)选用高斯差分滤波函数为:
其中,σ1为第一高斯核,σ2为第二高斯核,(x,y)为图像像素点坐标;
2.2)设定σ1=4,σ2=1,对合成画像数据库Ss及原画像库S中所有图像分别进行高斯差分滤波后,再进行归一化处理,并将归一化处理后的合成人脸画像库及原画像库分别表示为
步骤3,合成人脸画像质量评价;
3.1)选用图像质量评价方法
图像质量评价是目前比较成熟热门的研究方向,其评价方法分为全参考图像质量评价方法,半参考图像质量评价方法,以及无参考图像质量评价方法,目前经典方法有MSE、SSIM、VIF、FSIM、BLINDS、BIQI等。
本实例选用但不局限于FSIM法,该FSIM法的公开代码FeatureSIM.m函数文件可从地址http://www4.comp.polyu.edu.hk/~cslzhang/IQA/FSIM/FSIM.htm处下载,函数表示式为:
[FSIM]=FeatureSIM(imageRef,imageDis),
其中,输入参数:imageRef为一幅参考图像,
imageDis为一幅测试图像;
输出参数:FSIM为通过FSIM算法得到的质量评价分数;
3.2)选择参考画像与测试画像,进行人脸合成画像的质量评价
选取第i幅合成画像为测试图像,并依次选取第j幅原画像为参考图像,利用FSIM方法进行图像质量评价,得到图像质量评价分数Xi={xi1,xi2,...,xiN},其中xim表示第i幅合成画像与第m幅原画像的质量评价分数;i=1,2,....,N,j=1,2,....,N,m=1,2,...,N。
步骤4,利用图像质量评价分数进行合成人脸画像的识别;
4.1)将正确识别的合成画像个数表示为l,并将l初始化为0;
4.2)判断合成画像是否为正确识别:
若图像质量评价分数集Xi中第i个元素xii的值最接近于1,说明作为测试图像的合成画像与作为参考图像的原画像最相似,即表示识别正确,则l增加1;否则,识别错误。
步骤5,计算合成人脸画像的识别率;
重复步骤3和步骤4,直至处理完所有合成人脸画像,得到最终的合成人脸画像的识别率为
r=l/N。
实例2,基于图像质量评价的合成人脸照片识别
参照图2,本实例的实施步骤如下:
步骤1,照片预处理;
设合成人脸照片库Ps共N幅图像,将与合成人脸照片数据库中N幅图像一一对应的照片所组成的数据库表示P,若合成照片的大小与原照片的大小不同,则需将二者裁剪成相同尺寸。
步骤2,对合成照片和原照片分别进行高斯差分滤波处理;
2.1)选用高斯差分滤波函数为:
其中,σ1为第一高斯核,σ2为第二高斯核,(x,y)为图像像素点坐标;
2.2)设定σ1=4,σ2=1,对合成照片数据库Ps及原照片库P中所有图像分别进行高斯差分滤波,然后进行归一化处理,并将归一化处理后的合成人脸画像库及原画像库分别表示为
步骤3,合成人脸照片质量评价;
3.1)选用图像质量评价方法
本实例选用但不局限于FSIM法,该FSIM法公开代码FeatureSIM.m函数文件可从地址http://www4.comp.polyu.edu.hk/~cslzhang/IQA/FSIM/FSIM.htm处下载,函数表示为:
[FSIM]=FeatureSIM(imageRef,imageDis)
其中,输入参数:imageRef为一幅参考图像,
imageDis为一幅测试图像;
输出参数:FSIM为通过FSIM算法得到的质量评价分数;
3.2)选用参考照片与测试照片,进行合成人脸照片的质量评价
选取第i幅合成照片作为测试图像,并依次选取第j幅原照片作为参考图像,利用FSIM方法进行图像质量评价,得到图像质量评价分数集Xi={xi1,xi2,...,xiN},其中xim表示第i幅合成照片与第m幅原照片的质量评价分数,i=1,2,....,N,j=1,2,....,N,m=1,2,...,N。
步骤4,利用图像质量评价分数进行合成人脸照片的识别;
4.1)将正确识别的合成照片个数表示为l,并将l初始化为0;
4.2)判断合成照片是否正确识别:
若图像质量评价分数集Xi中第i个元素xii的值最接近于1,说明作为测试图像的合成照片与作为参考图像的原照片最相似,即表示识别正确,则l增加1;否则,识别错误。
步骤5,重复步骤3和步骤4,直至处理完所有合成照片,得到最终的合成人脸照片的识别率为
r=l/N。
本发明的效果可以通过以下实验来进一步说明:
将本发明方法在现有可得到的合成人脸画像库及合成人脸照片库上进行试验,并与最近邻人脸识别方法及特征脸人脸识别算法进行实验对比,说明本发明的可行性。
1,实验条件与实验说明
实现本发明的软件环境为美国Mathworks公司开发的MATLAB2010a,所用计算机为2GHz的个人计算机。
2,实验内容
实验1:合成人脸画像识别
实验中使用的原画像数据库为CUHK Student画像数据库,其包含共188张人脸画像,标号为1-188;
实验中使用的合成人脸画像数据库中的合成画像是:利用直推式人脸照片-画像合成算法TFSPS处理CUHK Student画像数据库上每幅画像得到的,标号为1-188。
实验中选取合成画像数据库标号为89-188的共100张图像及原画像数据库中标号为89-188的共100张图像进行试验。
根据本发明具体实施方式1所述,计算合成人脸画像的识别率,并与最近邻人脸识别算法以及特征脸人脸识别算法进行比较,结果如表1所示:
表1中的“最近邻”表示现有最近邻人脸识别算法,“特征脸”表示现有特征脸人脸识别算法;
表1合成人脸画像识别率
从表1可见,本方法识别率比特征脸人脸识别算法的识别率提高了46%。
实验2:合成人脸照片识别实验
实验中使用的原照片数据库为CUHK Student照片数据库,包含188张人脸照片,标号为1-188;
实验中使用的合成人脸照片数据库中合成照片是:利用直推式人脸照片-画像合成算法TFSPS处理CUHK Student照片数据库上每幅照片得到的,标号为1-188。
实验中选取合成照片数据库标号为89-188的100张图像及原照片数据库中标号为89-188的100张图像进行试验。
根据本发明具体实施方式2所述,计算合成人脸照片的识别率,并与最近邻人脸识别算法以及特征脸人脸识别算法进行比较,结果如表2所示:
表2中的“最近邻”表示现有最近邻人脸识别算法,“特征脸”表示现有特征脸人脸识别算法;
表2.合成人脸照片识别率
从表2可见,本方法识别率比特征脸人脸识别算法的识别率提高了59%,比最近邻人脸识别算法的识别率提高了15%。
综上,本发明不仅在合成人脸画像识别方面,而且在合成人脸照片识别方面,其识别率均有明显的提高。
Claims (2)
1.一种基于图像质量评价的合成人脸图像识别方法,包括如下步骤:
(1)将合成人脸图像数据库Ss中的图像个数表示为N,将与合成人脸图像数据库中N幅图像一一对应的原图像所组成的数据库表示为S;
(2)对Ss及S中所有图像进行高斯差分滤波,滤波处理后的合成人脸图像库及原图像库分别表示为
(3)选取所述库中第i幅合成图像利用图像质量评价方法,逐个与所述原图像库中的每幅图像进行图像质量评价,得到图像质量评价分数集Xi={xi1,xi2,...,xiN},其中xim表示第i幅合成图像与第m幅原图像的质量评价分数;i=1,2,...,N,m=1,2,...,N;
(4)利用图像质量评价分数进行合成人脸图像识别:
(4a)将正确识别的合成图像个数表示为l,并将l初始化为0;
(4b)若质量评价分数集Xi中第i个元素xii的值最接近于1,表示识别正确,则l增加1;否则,识别错误;
(5)重复步骤(3)-(4),直至处理完所有合成图像,最后得出合成人脸图像的识别率:
r=l/N。
2.根据权利要求书1所述的方法,其中所述步骤3中的图像质量评价方法,包括全参考图像质量评价方法,半参考图像质量评价方法,以及无参考图像质量评价方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410133868.9A CN103955668B (zh) | 2014-04-03 | 2014-04-03 | 基于图像质量评价的合成人脸图像识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410133868.9A CN103955668B (zh) | 2014-04-03 | 2014-04-03 | 基于图像质量评价的合成人脸图像识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103955668A true CN103955668A (zh) | 2014-07-30 |
CN103955668B CN103955668B (zh) | 2017-03-29 |
Family
ID=51332943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410133868.9A Expired - Fee Related CN103955668B (zh) | 2014-04-03 | 2014-04-03 | 基于图像质量评价的合成人脸图像识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103955668B (zh) |
-
2014
- 2014-04-03 CN CN201410133868.9A patent/CN103955668B/zh not_active Expired - Fee Related
Non-Patent Citations (4)
Title |
---|
NANNAN WANG 等: "《Transductive Face Sketch-Photo Synthesis》", 《IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS》 * |
李春芝,陈晓华: "《基于人脸图像的质量评价模型及应用》", 《电脑编程技巧与维护》 * |
石蕴玉: "《自然图像的客观质量评价研究》", 《中国优秀博士学位论文全文数据库》 * |
高新波,王楠楠: "《机器学习及其应用2013》", 31 October 2013 * |
Also Published As
Publication number | Publication date |
---|---|
CN103955668B (zh) | 2017-03-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | Discriminatively trained and-or graph models for object shape detection | |
Rathod et al. | Automated attendance system using machine learning approach | |
WO2018023734A1 (zh) | 一种3d图像的显著性检测方法 | |
CN104517104A (zh) | 一种基于监控场景下的人脸识别方法及系统 | |
CN104915673B (zh) | 一种基于视觉词袋模型的目标分类方法和系统 | |
CN103679158A (zh) | 人脸认证方法和装置 | |
CN101958000B (zh) | 基于稀疏表示的人脸画像-照片生成方法 | |
CN109800643A (zh) | 一种活体人脸多角度的身份识别方法 | |
Redondo-Cabrera et al. | All together now: Simultaneous object detection and continuous pose estimation using a hough forest with probabilistic locally enhanced voting | |
CN106096517A (zh) | 一种基于低秩矩阵与特征脸的人脸识别方法 | |
CN102637255A (zh) | 用于处理图像中包含的面部的方法和设备 | |
CN103902991A (zh) | 基于法医素描的人脸识别方法 | |
Geetha et al. | Gender classification from face images by mixing the classifier outcome of prime, distinct descriptors | |
CN103984954A (zh) | 基于多特征融合的图像合成方法 | |
CN103714340A (zh) | 基于图像分块的自适应特征提取方法 | |
Chouchane et al. | Improving CNN-based Person Re-identification using score Normalization | |
Zong et al. | Transductive transfer lda with riesz-based volume lbp for emotion recognition in the wild | |
CN105844605A (zh) | 基于自适应表示的人脸画像合成方法 | |
Singh et al. | Performance analysis of ELA-CNN model for image forgery detection | |
Usgan et al. | Deep learning pre-trained model as feature extraction in facial recognition for identification of electronic identity cards by considering age progressing | |
CN110428402A (zh) | 图像篡改识别方法、装置、计算机设备及存储介质 | |
CN113592016B (zh) | 基于互信息增强的自监督新颖性检测方法 | |
Amin | A face recognition system based on deep learning (FRDLS) to support the entry and supervision procedures on electronic exams | |
Pei et al. | Pedestrian detection based on hog and lbp | |
Sreelekshmi et al. | Deep forgery detect: enhancing social media security through deep learning-based forgery detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170329 |
|
CF01 | Termination of patent right due to non-payment of annual fee |