CN107909019A - 一种基于ti‑spca的人脸自动对齐及识别方法 - Google Patents
一种基于ti‑spca的人脸自动对齐及识别方法 Download PDFInfo
- Publication number
- CN107909019A CN107909019A CN201711085240.6A CN201711085240A CN107909019A CN 107909019 A CN107909019 A CN 107909019A CN 201711085240 A CN201711085240 A CN 201711085240A CN 107909019 A CN107909019 A CN 107909019A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msup
- msub
- image
- munderover
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Human Computer Interaction (AREA)
- Life Sciences & Earth Sciences (AREA)
- Nonlinear Science (AREA)
- Medicines Containing Antibodies Or Antigens For Use As Internal Diagnostic Agents (AREA)
Abstract
本发明请求保护一种基于TI‑SPCA的自动人脸对齐及识别方法，属于模式识别技术领域。所述方法主要包括以下步骤：首先针对训练集中的样本生成镜像图像，再利用数学中的奇偶分解原理生成奇偶对称图像；对奇偶图像集分别使用对称主成分分析，根据特征值大小选取相应的特征向量，形成初始的特征空间；利用该特征空间初始化下一阶段的迭代学习，结合同时反向合成算法，交替迭代更新扭曲参数和编码参数，最终得到一个旋转不变的特征空间，对平面内旋转的人脸图像进行自动对齐，进而可进行人脸识别。本发明具有更为鲁棒的性能。此外，本发明所提方法还可与其它特征提取算子相结合，取得优异的识别率。
Description
技术领域
本发明属于模式识别技术领域，特别涉及一种基于对称主成分分析的对平面内旋转鲁棒的自动人脸对齐及识别方法。
背景技术
人脸识别作为计算机视觉领域的重要研究方向之一，在近几十年已取得了显著的进步。一个完整的人脸识别系统包括三个部分：人脸检测、人脸对齐、人脸识别。然而，人脸检测后得到的人脸图像往往存在着空间上的未对齐，比如旋转、尺度变化以及偏转等。为了减缓其对识别率的负面影响，许多人脸识别方法都致力于提高对于图像未对齐情况下算法的鲁棒性。然而，这些方法需要增加大量的训练样本，在未对齐情况下却依然很难取得理想的识别结果。此外，还有一些研究通过标定点算法实现人脸对齐，例如人眼坐标或者轮廓关键点。但是，此类方法容易受人为因素或者外界环境干扰。例如：人为参与具有一定的主观性，很小的标定差距就可能导致较大的误差；当测试对象配戴了眼镜等干扰物时容易出现人眼定位失败的情况等。
对称主成分分析(SPCA)是一种利用了人脸对称的自然特性以及数学中奇偶分解原理的方法。SPCA首先引入镜像变换，生成镜像样本；然后根据奇偶分解原理，生成奇偶对称样本，并分别对奇偶样本进行PCA变换，取得镜像奇偶对称特征分量；最后，根据选择性集成思想，依据奇偶特征所含信息量的不同进行特征选择，构成特征空间。SPCA巧妙地利用镜像样本，扩大样本容量，从而有助于识别率的提高。尤其是一些小样本场合，该方法非常具有价值。
发明内容
本发明旨在解决以上现有技术的问题。提出了一种针对平面内旋转鲁棒的基于TI-SPCA的人脸自动对齐及识别方法。本发明的技术方案如下：
一种基于TI-SPCA的人脸自动对齐及识别方法，其包括以下步骤：
101、获取人脸图像的训练集，根据训练集中的训练样本生成相应的人脸镜像图像Im，再利用数学中的奇偶分解原理，将人脸图像I分解为I＝Ie+Io，其中，Ie＝(I+Im)/2是偶对称人脸，Io＝(I-Im)/2是奇对称人脸，Im为I的镜像图像；
102、在步骤101的基础之上，采用对称主成分分析法SPCA分别对奇偶对称图像进行处理，再根据特征值大小选取其对应的特征向量，形成初始特征空间；
103、利用步骤102的初始特征空间初始化下一阶段的迭代学习，将训练图像和特征向量分别表示为I(x)和φj(x)，设扭曲函数为W(x；p)，则可将旋转后的图像表示为其中x＝(x0,y0)T表示像素坐标形成的向量，p＝(p1,…,pn)T是扭曲参数组成的向量，u(x)为模板图像，φj(x)为特征向量，λj为编码参数，e(x)为误差；
104、在步骤103的基础之上，对于输入人脸图像，结合同时反向合成算法SIC交替迭代更新扭曲参数和编码参数，使得重构图像和扭曲图像之间的误差最小化，以此来学习TI-SPCA的特征空间，即最小化最终得到一个旋转不变的特征空间。
进一步的，所述步骤102对奇偶对称图像分别进行PCA分解，根据特征值大小选取相应的特征向量形成特征空间具体包括：将原始图像投影到低维特征空间，则人脸图像可表示为：
其中，u为平均脸，λ＝(λ1,…,λm)T为编码参数，φ1,…,φm为特征向量，e为噪声成分。
进一步的，所述步骤104中通过交替迭代优化{u,φj}和{pi,λi}实现误差最小的具体方法为：
A、最小化重构图像和扭曲图像之间的误差也就等同于最小化公式(1)：
B、根据公式(1)，利用步骤102中学习得到的特征空间初始化TI-SPCA的训练阶段，即固定结合SIC算法优化SIC算法本质上是利用高斯牛顿梯度下降算法同时优化扭曲参数pi和编码参数λi，通过多次迭代不断更新扭曲参数和编码参数：
C、根据公式(2)，进行一阶泰勒展开：
D、根据公式(3)，忽略二阶项可简化为：
E、令则梯度下降图为：
F、根据公式(5)，公式(4)可简化为：
则
在每一迭代中，对扭曲参数采用反向更新的方式，对编码参数采用前向相加的更新方式，即
λ←λ+Δλ (9)
直至误差最小，更新停止；
G、根据步骤F中得到的扭曲参数，更新特征空间，即固定优化对每幅图像做扭曲变换得到Ii(W(x；pi))，再对旋转图像集进行类似的SPCA处理，根据特征值大小选取相应的特征向量。更新u和φj，从而得到一个旋转不变的特征空间。
本发明的优点及有益效果如下：
本发明主要针对人脸在平面内的旋转，设计了一个无监督的迭代学习框架，最终得到一个旋转不变的特征空间。本发明不同于传统的对齐方法，属于无人为干涉的全自动人脸对齐，针对有干扰物或无法定位人眼的情况下具有更为鲁棒的性能。此外，本发明所提方法还可与其它特征提取算子相结合，可取得优异的识别率。
附图说明
图1是本发明提供优选实施例基于TI-SPCA的自动人脸对齐及识别框架流程图；
图2是在ORL人脸库上原样本、镜像样本以及奇偶对称图像的对比图；
图3是在FERET人脸库上原样本、镜像样本以及奇偶对称图像的对比图；
图4是在ORL人脸库上两种不同对齐方法与检测图像的对齐效果对比；
图5是在FERET人脸库上两种不同对齐方法与检测图像的对齐效果对比。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。
本发明解决上述技术问题的技术方案是：
本发明所提出的对平面内旋转鲁棒的自动识别框架具体操作包括如下步骤：
1.SPCA学习初始特征空间
1)奇偶分解
如附图2和附图3所示，定义对称为关于图像中心垂直线的镜像对称形成镜像对称图像Im，其中，(a)为原始图像，(b)为镜像对称图像。将数学中的奇偶分解原理应用至此，则可将人脸图像I分解为奇对称图像Io＝(I-Im)/2与偶对称图像Ie＝(I+Im)/2的和，即I＝Ie+Io。附图1中，(c)为偶对称图像，(d)奇对称图像。
2)特征选取
对奇偶对称图像分别进行PCA分解，根据特征值大小选取相应的特征向量形成特征空间，将原始图像投影到该低维特征空间，则人脸图像可表示为：
其中，u为平均脸，λ＝(λ1,…,λm)T为编码参数，φ1,…,φm为特征向量，e为噪声成分。
2.结合SIC算法学习学习旋转不变的特征空间
1)根据公式(1)，将训练图像和特征向量分别表示为I(x)和φj(x)，设扭曲函数为W(x；p)，则可将旋转后的图像表示为：
其中x＝(x0,y0)T表示像素坐标形成的向量，p＝(p1,…,pn)T是扭曲参数组成的向量，u(x)为模板图像，φj(x)为特征向量，λj为编码参数，e(x)为误差。
2)对于数据集中的人脸图像我们假设变换后的图像为Ii(W(x；pi))，通过最小化重构图像和扭曲图像之间的误差来学习TI-SPCA的特征空间：
其中
3)根据公式(4)，交替迭代{u,φj}和{pi,λi}来解决最小化的问题，并利用SPCA学到的特征空间初始化TI-SPCA的训练阶段。
a)固定结合SIC算法优化SIC算法本质上是利用高斯牛顿梯度下降(Gaussian-Newton gradient descent)算法同时优化扭曲参数pi和编码参数λi，通过多次迭代不断更新扭曲参数和编码参数，最小化重构图像和扭曲图像之间的误差也就等同于最小化公式(5)：
b)使用反向合成的方式处理公式(5)：
c)对公式(6)进行一阶泰勒展开：
d)忽略二阶项，公式(7)可简化为：
e)令则梯度下降图为：
则公式(5)可简化为：
则
在每一迭代中，对扭曲参数采用反向更新的方式，对编码参数采用前向相加的更新方式，即
λ←λ+Δλ \*MERGEFORMAT(13)
直至误差最小，更新停止。
f)固定优化更新特征空间。对每幅图像做扭曲变换得到Ii(W(x；pi))，再对旋转图像集进行类似的SPCA处理，根据特征值大小选取相应的特征向量。更新u和φj，从而得到一个旋转不变的特征空间，进行人脸对齐，进而进行人脸识别。
本发明的一个实施例如下：
采用FERET和ORL两个灰度人脸库作为实验数据库。
FERET数据库包含1196人物的人脸图像，其中有1000张是随机选取的500个人物的正面人脸，每一个人物有两张图像分为“fa”和“fb”。在FERET数据库中，随机选取200个具有正面人脸的人物作为实验对象，其中，以“fa”作为训练集，“fb”作为测试集。
ORL数据库包含40个人的400张图像，其中每个对象包含10张人脸图像。我们分别从每个对象的10张图像中选取其中的两张正脸图像，一张作为训练样本，另一张作为测试样本。
1)为了有效地评估对齐的效果，利用两种不同对齐方法的输出图像从视觉效果上直观地来展示对齐效果。
具体对齐效果如附图4和附图5所示，其中，(a)为TI-SPCA对齐后的输出图像，(b)为检测到得原始图像，(c)为以人眼坐标对齐后的输出图像。附图4表示本发明在ORL人脸库上两种不同对齐方法的部分输出图像与检测图像的对比，分别是比较有代表性的几个对比样本：不同的性别，不同的表情以及遮挡物(比如胡子和眼镜)。附图5是本发明在FERET人脸库上两种不同对齐方法的部分输出图像与检测图像的对比。
2)为了有效评估TI-SPCA对齐后人脸图像识别时的有效性，结合不同距离函数和不同局部算子的对比实验，最终从识别性能的角度严谨的证明了本发明所提自动对齐方法的有效性。在FERET人脸库上以三种不同识别方式的识别率来评估对齐效果，分别利用三种不同的距离来计算识别率：马氏距离、欧式距离、余弦距离。从表1可以看出，将检测的人脸图像经PCA处理后直接进行识别，整体效果都不够好。本发明所提方法在三种距离函数下均取得了优于人工对齐的识别率。
表格1三种方法的识别率比较
3)除了通过精确的对齐方法提升人脸识别率之外，本发明所提方法同样也可以和其他局部算子结合，对其产生助益。在FERET人脸库上分别使用两种对齐方法分别与四种局部算子结合后的识别率作比较。如表2所示，相对于直接使用检测图像进行识别，两种对齐后的识别效果更优。此外，本发明所提方法虽与人眼对齐的方法存在细微差距，但本发明的方法是全自动的识别系统，无需手动标定或利用其他算子来检测人眼坐标。人眼对齐方法由于人工介入，具有主观性，容易受到人为因素的干扰。
表格2三种方法分别与LBP和HOG算子结合后的识别率比较
以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明的记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。
Claims (3)
1.一种基于TI-SPCA的人脸自动对齐及识别方法，其特征在于，包括以下步骤：
101、获取人脸图像的训练集，根据训练集中的训练样本生成相应的人脸镜像图像Im，再利用数学中的奇偶分解原理，将人脸图像I分解为I＝Ie+Io，其中，Ie＝(I+Im)/2是偶对称人脸，Io＝(I-Im)/2是奇对称人脸，Im为I的镜像图像；
102、在步骤101的基础之上，采用对称主成分分析法SPCA分别对奇偶对称图像进行处理，再根据特征值大小选取其对应的特征向量，形成初始特征空间；
103、利用步骤102的初始特征空间初始化下一阶段的迭代学习，将训练图像和特征向量分别表示为I(x)和φj(x)，设扭曲函数为W(x；p)，则可将旋转后的图像表示为其中x＝(x0,y0)T表示像素坐标形成的向量，p＝(p1,…,pn)T是扭曲参数组成的向量，u(x)为模板图像，φj(x)为特征向量，λj为编码参数，e(x)为误差；
104、在步骤103的基础之上，对于输入人脸图像，结合同时反向合成算法SIC交替迭代更新扭曲参数和编码参数，使得重构图像和扭曲图像之间的误差最小化，以此来学习TI-SPCA的特征空间，即最小化最终得到一个旋转不变的特征空间。
2.根据权利要求1所述的基于TI-SPCA的人脸自动对齐及识别方法，其特征在于，所述步骤102对奇偶对称图像分别进行PCA分解，根据特征值大小选取其对应的特征向量形成特征空间具体包括：将原始图像投影到低维特征空间，则人脸图像可表示为：
<mrow>
<mi>I</mi>
<mo>=</mo>
<mi>u</mi>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&lambda;</mi>
<mi>j</mi>
</msub>
<msub>
<mi>&phi;</mi>
<mi>j</mi>
</msub>
<mo>+</mo>
<mi>e</mi>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
其中，u为平均脸，λ＝(λ1,…,λm)T为编码参数，φ1,…,φm为特征向量，e为噪声成分。
3.根据权利要求1所述的基于TI-SPCA的人脸自动对齐及识别方法，其特征在于，所述步骤104中通过结合同时反向合成算法SIC交替迭代优化{u,φj}和{pi,λi}实现误差最小的具体方法为：
A、最小化重构图像和扭曲图像之间的误差也就等同于最小化公式(1)：
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>x</mi>
</munder>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>&lambda;</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<msub>
<mi>&phi;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mi>I</mi>
<mi>i</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>W</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>;</mo>
<msup>
<mi>p</mi>
<mi>i</mi>
</msup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
B、根据公式(1)，利用步骤102中学习得到的特征空间初始化TI-SPCA的训练阶段，即固定结合SIC算法优化SIC算法本质上是利用高斯牛顿梯度下降算法同时优化扭曲参数pi和编码参数λi，通过多次迭代不断更新扭曲参数和编码参数：
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>x</mi>
</munder>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>W</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>;</mo>
<mi>&Delta;</mi>
<mi>p</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&lambda;</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>&Delta;&lambda;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>&phi;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>W</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>;</mo>
<mi>&Delta;</mi>
<mi>p</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mi>I</mi>
<mi>i</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>W</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>;</mo>
<msup>
<mi>p</mi>
<mi>i</mi>
</msup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
C、根据公式(2)，进行一阶泰勒展开：
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>x</mi>
</munder>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mo>&dtri;</mo>
<mi>u</mi>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>W</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msup>
<mi>p</mi>
<mi>i</mi>
</msup>
</mrow>
</mfrac>
<mi>&Delta;</mi>
<mi>p</mi>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<mrow>
<mo>(</mo>
<msubsup>
<mi>&lambda;</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<mo>+</mo>
<msub>
<mi>&Delta;&lambda;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>&phi;</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>+</mo>
<mo>&dtri;</mo>
<msub>
<mi>&phi;</mi>
<mi>j</mi>
</msub>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>W</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msup>
<mi>p</mi>
<mi>i</mi>
</msup>
</mrow>
</mfrac>
<mi>&Delta;</mi>
<mi>p</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mi>I</mi>
<mi>i</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>W</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>;</mo>
<msup>
<mi>p</mi>
<mi>i</mi>
</msup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
D、根据公式(3)，忽略二阶项可简化为：
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>x</mi>
</munder>
<msup>
<mrow>
<mo>&lsqb;</mo>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>&lambda;</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<msub>
<mi>&phi;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mi>I</mi>
<mi>i</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>W</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>;</mo>
<msup>
<mi>p</mi>
<mi>i</mi>
</msup>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mrow>
<mo>(</mo>
<mo>&dtri;</mo>
<mi>u</mi>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>&lambda;</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<mo>&dtri;</mo>
<msub>
<mi>&phi;</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>W</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msup>
<mi>p</mi>
<mi>i</mi>
</msup>
</mrow>
</mfrac>
<mi>&Delta;</mi>
<mi>p</mi>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>&phi;</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>&Delta;&lambda;</mi>
<mi>j</mi>
</msub>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
E、令则梯度下降图为：
<mrow>
<msup>
<mi>SD</mi>
<mi>i</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<mo>&dtri;</mo>
<mi>u</mi>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>&lambda;</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<mo>&dtri;</mo>
<msub>
<mi>&phi;</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>W</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msubsup>
<mi>p</mi>
<mn>1</mn>
<mi>i</mi>
</msubsup>
</mrow>
</mfrac>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mo>(</mo>
<mrow>
<mo>&dtri;</mo>
<mi>u</mi>
<mo>+</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msubsup>
<mi>&lambda;</mi>
<mi>j</mi>
<mi>i</mi>
</msubsup>
<mo>&dtri;</mo>
<msub>
<mi>&phi;</mi>
<mi>j</mi>
</msub>
</mrow>
<mo>)</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>W</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msubsup>
<mi>p</mi>
<mi>n</mi>
<mi>i</mi>
</msubsup>
</mrow>
</mfrac>
<mo>,</mo>
<msub>
<mi>&phi;</mi>
<mn>1</mn>
</msub>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<msub>
<mi>&phi;</mi>
<mi>m</mi>
</msub>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>5</mn>
<mo>)</mo>
</mrow>
</mrow>
F、根据公式(5)，公式(4)可简化为：
<mrow>
<munder>
<mo>&Sigma;</mo>
<mi>x</mi>
</munder>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msup>
<mi>e</mi>
<mi>i</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<msup>
<mi>SD</mi>
<mi>i</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mi>&Delta;</mi>
<mi>q</mi>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>6</mn>
<mo>)</mo>
</mrow>
</mrow>
则
<mrow>
<mi>&Delta;</mi>
<mi>q</mi>
<mo>=</mo>
<mo>-</mo>
<msup>
<mrow>
<mo>&lsqb;</mo>
<munder>
<mo>&Sigma;</mo>
<mi>x</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>SD</mi>
<mi>i</mi>
</msup>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msup>
<mi>SD</mi>
<mi>i</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mrow>
<mo>-</mo>
<mn>1</mn>
</mrow>
</msup>
<munder>
<mo>&Sigma;</mo>
<mi>x</mi>
</munder>
<msup>
<mrow>
<mo>(</mo>
<msup>
<mi>SD</mi>
<mi>i</mi>
</msup>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<msup>
<mi>e</mi>
<mi>i</mi>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
在每一迭代中，对扭曲参数采用反向更新的方式，对编码参数采用前向相加的更新方式，即
λ←λ+Δλ (9)
直至误差最小，更新停止；
G、根据步骤F中得到的扭曲参数，更新特征空间，即固定优化对每幅图像做扭曲变换得到Ii(W(x；pi))，再对旋转图像集进行类似的SPCA处理，根据特征值大小选取相应的特征向量，更新u和φj，从而得到一个旋转不变的特征空间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711085240.6A CN107909019A (zh) | 2017-11-07 | 2017-11-07 | 一种基于ti‑spca的人脸自动对齐及识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711085240.6A CN107909019A (zh) | 2017-11-07 | 2017-11-07 | 一种基于ti‑spca的人脸自动对齐及识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107909019A true CN107909019A (zh) | 2018-04-13 |
Family
ID=61842709
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711085240.6A Pending CN107909019A (zh) | 2017-11-07 | 2017-11-07 | 一种基于ti‑spca的人脸自动对齐及识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107909019A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108717527A (zh) * | 2018-05-15 | 2018-10-30 | 重庆邮电大学 | 基于姿态先验的人脸对齐方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101719270A (zh) * | 2009-12-25 | 2010-06-02 | 武汉大学 | 一种基于非负矩阵分解的人脸超分辨率处理方法 |
| CN102779271A (zh) * | 2012-06-28 | 2012-11-14 | 南京信息工程大学 | 基于谱稀疏典型相关分析的表情语义稀疏量化方法 |
| US8478077B2 (en) * | 2011-03-20 | 2013-07-02 | General Electric Company | Optimal gradient pursuit for image alignment |
| CN104281845A (zh) * | 2014-10-29 | 2015-01-14 | 中国科学院自动化研究所 | 基于旋转不变字典学习模型的人脸识别方法 |
| US20150169940A1 (en) * | 2013-12-18 | 2015-06-18 | Catholic University Industry Academic Cooperation Foundation | Method for face model alignment on unseen faces |
| CN105718885A (zh) * | 2016-01-20 | 2016-06-29 | 南京邮电大学 | 一种人脸特征点跟踪方法 |
| CN105718914A (zh) * | 2016-01-27 | 2016-06-29 | 中国石油大学(华东) | 一种人脸编码及识别方法 |
| CN105760821A (zh) * | 2016-01-31 | 2016-07-13 | 中国石油大学(华东) | 基于核空间的分类聚集稀疏表示的人脸识别方法 |
| CN106326876A (zh) * | 2016-08-31 | 2017-01-11 | 广州市百果园网络科技有限公司 | 一种训练模型生成方法、人脸对齐处理方法及装置 |
-
2017
- 2017-11-07 CN CN201711085240.6A patent/CN107909019A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101719270A (zh) * | 2009-12-25 | 2010-06-02 | 武汉大学 | 一种基于非负矩阵分解的人脸超分辨率处理方法 |
| US8478077B2 (en) * | 2011-03-20 | 2013-07-02 | General Electric Company | Optimal gradient pursuit for image alignment |
| CN102779271A (zh) * | 2012-06-28 | 2012-11-14 | 南京信息工程大学 | 基于谱稀疏典型相关分析的表情语义稀疏量化方法 |
| US20150169940A1 (en) * | 2013-12-18 | 2015-06-18 | Catholic University Industry Academic Cooperation Foundation | Method for face model alignment on unseen faces |
| CN104281845A (zh) * | 2014-10-29 | 2015-01-14 | 中国科学院自动化研究所 | 基于旋转不变字典学习模型的人脸识别方法 |
| CN105718885A (zh) * | 2016-01-20 | 2016-06-29 | 南京邮电大学 | 一种人脸特征点跟踪方法 |
| CN105718914A (zh) * | 2016-01-27 | 2016-06-29 | 中国石油大学(华东) | 一种人脸编码及识别方法 |
| CN105760821A (zh) * | 2016-01-31 | 2016-07-13 | 中国石油大学(华东) | 基于核空间的分类聚集稀疏表示的人脸识别方法 |
| CN106326876A (zh) * | 2016-08-31 | 2017-01-11 | 广州市百果园网络科技有限公司 | 一种训练模型生成方法、人脸对齐处理方法及装置 |
Non-Patent Citations (6)
| Title |
|---|
| D. EVANGELIDIS 等: "Parametric Image Alignment Using Enhanced Correlation Coefficient Maximization Georgios", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
| QIONG YANG 等: "Symmetrical PCA in face recognition", 《PROCEEDINGS. INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
| 朱晓琪: "人脸标记点跟踪快速对齐算法及其树莓派应用", 《中国优秀硕士学位论文全文数据库（信息科技辑）》 * |
| 王丽华 等: "基于完全二维对称主成分分析的人脸识别", 《计算机工程》 * |
| 赵丽红 等: "基于二维对称主成分分析的人脸识别", 《仪器仪表学报》 * |
| 郑曦: "人脸识别的面部特征配准及人脸比对问题研究", 《万方》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108717527A (zh) * | 2018-05-15 | 2018-10-30 | 重庆邮电大学 | 基于姿态先验的人脸对齐方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rosman et al. | Nonlinear dimensionality reduction by topologically constrained isometric embedding | |
| US10430551B2 (en) | Scan data retrieval with depth sensor data | |
| Sun et al. | Gender classification based on boosting local binary pattern | |
| Ashraf et al. | Learning patch correspondences for improved viewpoint invariant face recognition | |
| US8155399B2 (en) | Generic face alignment via boosting | |
| US20060210168A1 (en) | Apparatus and method for generating shape model of object and apparatus and method for automatically searching for feature points of object employing the same | |
| CN107424161B (zh) | 一种由粗至精的室内场景图像布局估计方法 | |
| CN105354558B (zh) | 人脸图像匹配方法 | |
| US20030035573A1 (en) | Method for learning-based object detection in cardiac magnetic resonance images | |
| US11194997B1 (en) | Method and system for thermal infrared facial recognition | |
| US20060217925A1 (en) | Methods for entity identification | |
| CN105608478B (zh) | 一种图像的特征提取与分类联合方法及系统 | |
| CN107451594B (zh) | 一种基于多元回归的多视角步态分类方法 | |
| CN110490913A (zh) | 基于角点与单线段编组的特征描述算子进行影像匹配方法 | |
| CN111310688A (zh) | 一种基于多角度成像的手指静脉识别方法 | |
| CN105760815A (zh) | 基于第二代身份证人像和视频人像的异构人脸核实方法 | |
| CN107967477A (zh) | 一种改进的sift特征联合匹配方法 | |
| Horvat et al. | Density estimation on low-dimensional manifolds: an inflation-deflation approach | |
| CN113642385B (zh) | 基于深度学习的脸部痣识别方法及系统 | |
| CN112767376B (zh) | 引力模型优化条件随机场的多尺度融合图像变化检测方法 | |
| CN107909019A (zh) | 一种基于ti‑spca的人脸自动对齐及识别方法 | |
| Camassa et al. | A geodesic landmark shooting algorithm for template matching and its applications | |
| CN103093239A (zh) | 一种融合了点对和邻域信息的建图方法 | |
| Du et al. | SVM based ASM for facial landmarks location | |
| CN113269136B (zh) | 一种基于triplet loss的离线签名验证方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180413 |
|
| RJ01 | Rejection of invention patent application after publication |