人脸分形特征提取与识别算法分析与探究

来源:用户上传      作者:

　　 摘要：人脸识别技术是计算机应用领域的一项重要技术，具有十分广泛的用途.文章首先对人脸识别的一般流程进行介绍，进而研究人脸分形特征提取方法及识别算法，主要利用人脸分形特征完成识别过程，识别算法主要采用隐马尔可夫模型，并详细探讨其实现过程.
　　 关键词：人脸分形;特征提取;识别算法
　　中图分类号：TP391  文献标识码：A  文章编号：1673-260X（2019）05-0027-03
　　 在计算机图形学和计算机视觉技术等的快速发展下，计算机人脸识别技术已经实现，其理论基础日益完善，识别算法也不断优化，识别性能明显提升.目前，计算机人脸识别技术已经在电子商务、门禁系统、监控系统等领域得到广泛应用，对提升公共安全、金融安全有重要帮助.应继续推动相关研究，提高识别准确率和识别效率.
　　1 人脸识别的一般流程
　　 人脸识别技术的本质是对输入的人脸图像或视频流进行识别，与数据库中的人脸图像进行对比，通过捕捉人脸位置、大小、面部特征信息等，实现辨识身份的功能.计算机人脸识别技术的优点在于识别效率高、隐蔽性好，不易被识别对象所察觉，可减少恶意欺骗的现象.但是其识别过程也具有一定难度，容易受人的表情、外界光照、取像视角等因素的干扰，出现无法识别或识别错误的情况.目前人脸识别技术具体分为识别和认证技术两大类，识别技术主要用来确定识别对象身份，认证技术则用来判断识别对象是否为目标对象.此外，按照识别过程是否需要进行人工干预，还可以分为半自动、全自动识别技术两类[1]，目前大多数研究和应用都采用手动设计[2].
　　 无论是哪一种人脸识别技术，其基本流程都包含以下环节：（1）人脸检测，包括对人脸进行检测、定位和跟踪等，主要目的是确定检测环境中是否存在人脸，然后调用人脸定位等程序，对人脸的形状、大小和位置信息进行确定.在动态视频中进行人脸检测，即人脸跟踪技术，相比之下难度更高;（2）人脸图像预处理，主要包括图像矫正、归一化处理、灰度均衡处理等，需要增强图像对比度，并对图像进行去噪，从而方便后续的特征提取操作;（3）特征提取，通过对原始图像数据进行变化，提取出能够反映人脸图像分类本质的特征，其提取过程即为从现实空间到机器空间的映射过程[3].人脸识别的实现基础是人脸的多样性和唯一性，特征提取就是对人脸的共性、特性问题进行处理，并用尽可能少的数据反映出尽可能多的特征信息，其处理过程是一个降维的过程;（4）分类识别，提取出人脸特征后，采用分类方法对其进行归类，一般需要对样本进行训练，在训练集上确定判别规则，然后进行人脸图像识别，最终准确识别出人脸图像信息[4].
　　2 人脸分形特征提取方法
　　2.1 分形维数计算
　　 本次研究的人脸分形特征提取和识别算法以分形理论为基础，该理论主要研究不规则且具有自相似性的形状，比如河流、云彩、树叶叶脉、大脑皮层等.分形理论的数学基础包括仿射变换、迭代函数系、图像分形编码等.目前该理论已经在计算机人脸识别领域得到广泛应用，是提取人脸图像特征的有效方法.与上述分形理论的研究对象相似，人脸图像也具有较高的复杂性和自相似性，其中包含大量纹理信息，可以利用分形维数描述人脸纹理粗糙程度.这是一种稳定的人脸特征，可利用分形盒维数判断待检测图像是否为人脸图像[5].
　　2.2 分形特征获取
　　 在人脸图像分形特征的获取过程中，首先将人脸图像分成互不交叠的值域块集，即：Ri∩Rj=？覬.将人脸图像划分成可相互重叠的定义域块集，即：Di∩Dj当i不等于j时可以不为？覬.值域块Range大小为B*B，定义域块Domain大小为2B*2B.对值域块集中的任意一个Ri在定义域块集{Di}中找到匹配的Di，使：
　　 Wi（Di）=Ri’，d（Ri，Ri’）=ε
　　 其中Wi是压缩仿射变换函数，d是最小距均方误差距离函数，ε为任意小正数.
　　 设置一个阈值σ，使σ=0.01，如果d（Ri，Wi（Di））<σ，则认为找到了值域块与定义域块的匹配项.分别记录每个值域块对应的Wi参数，然后与值域块和定义域块位置构成特征码矩阵，用以描述人脸圖像分形特征.该方法的解码过程较为简单，特征码矩阵在对原始图形进行反复迭代后，会收敛在一个不变图像上，因此分形特征码矩阵可重构人脸图像，反映人脸特征[6].
　　2.3 定义域块搜索
　　 在上述值域块与定义域块的匹配过程中，还可以稍加改进，实现定义域块快速搜索.改进方法是在定义域块的所搜过程中，不是每次都从头开始搜索，而是从上次记录映射位置开始搜索.并对值域块和定义域块进行分类，比如分成灰度无变化区、灰度渐变区和灰度突变区.进行匹配时，只需要在同一类值域块和定义域块中进行搜索，从而极大地提高定义域块搜索效率.多数情况下，人脸图像具有左右对称性，在匹配过程中，值域块Ri的匹配定义域块Di一般出现在其中心对称区域.但是由于实际识别过程中人脸图像的表情变化等干扰，对称线不总是出现在图像中心线处.如果在中心轴对称区域没有找到匹配的定义域块，可按一定规律进行扩大区域搜索.比如先将候选区域扩大四倍，若仍无法找到，扩大至对称轴右半区域，最后扩大至整幅图像.这种方法也比每次都在整幅图像中进行搜索效率要高[7].
　　2.4 特征快速提取
　　 基于定义域快速搜索方法，可以实现人脸图像分形特征的快速提取.采用上述值域块和定义域块确定方法，对定义域块采用快速搜索算法.首先判断值域块集{Ri}是否为空，从而在提取完最后一个Ri后退出.在对Ri进行匹配时，先确定其轴对称位置4倍Ri范围的Si0，表示为{Di0}，在{Di0}中按顺序取Di，与Ri的仿射变换进行比较，如果相似度小于设置的阈值，则完成匹配，记录其位置和仿射参数.如果在{Di0}中没有找到可匹配的Di，则对候选区域进行扩大，将扩大范围表示为{Di1}，继续对其中的Di进行比较和判断，如此进行迭代处理，直到找到匹配的Di.采用这种算法可以在保证图像质量的前提下，提高特征提取效率. 　　3 人脸分形特征识别算法
　　3.1 分形码观察值聚类
　　 目前使用的人类分形特征识别算法分为许多种，以往应用较多的是基于分形距离的识别算法，其优点是容易实现，而且简单易懂.但是这种方法也有明显的缺点，由于要记录每个图像的分形码矩阵，会严重增加人脸图像数据库规模，而且数据冗余的问题较为严重，会影响人脸识别速度.本次研究采用隐马尔可夫识别算法，其训练过程是对同一人的多幅人脸图像进行训练，建立数据库时只需要储存一个训练集就可以保存该对象的所有人脸图像信息，从而解决基于分形距离识别算法存在的问题.隐马尔可夫识别算法的状态值是隐藏的，要通过观察值序列估计模型状态.但在上述特征提取过程中得到的分形特征矩阵，不是观察值序列，而是多个分形特征码向量.在转换成观察值序列的过程中，需要采用均值模糊聚类算法.如果两个分形特征码t1和t2的维数相同，则定义其距离为D（t1，t2）.假设有C个观察值，将前C个特征码向量作为初始的聚类中心，分别计算每个向量到中心的距离，根据就近原则进行归类.再对每个类的向量均值进行计算，更新聚类中心，当聚类中心不再变化后，即可得到所要的观察值序列.
　　3.2 隐马尔可夫识别模型
　　 利用隐马尔可夫模型进行人脸特征识别虽然可以解决基于分形距离识别算法存在的问题，但其本质上属于一维模型，而人脸是二维图像，容易出现描述不精确的问题.因此，在具体应用过程中，可采用基于分形特征的双重嵌入式模型，解决隐马尔可夫模型存在的不足.利用双重嵌入式隐马尔可夫模型进行人脸特征识别，具体按照垂直方向，将人脸分为六个状态，分别为头发、额头、眼、鼻、嘴和下巴，每個状态对应一个隐马尔可夫模型.然后在水平方向上嵌入一个隐马尔可夫模型，用于描述人脸图像，从而实现一维模型向二维模型的转变.在特征识别过程中，同样采取上述方法计算分形特征码矩阵，然后对分形特征码矩阵进行分割，获取分形特征向量.再采用上述观察值聚类方法，转换成观察值序列，最后采取双重嵌入方式，建立二维隐马尔可夫识别模型.
　　3.3 训练过程
　　 人脸图像的特征集训练是人脸识别的一个重要步骤，提取分形特征码矩阵后，对其进行均匀分割，得到特征向量，并转换成观察值序列.然后对状态转移矩阵A进行初始化，假设一个状态只能被转移到前一个或后一个状态.同时设置一个观察概率矩阵B，也对其进行初始化，初始状态的概率分布是从第一个状态识别开始的.接下来进行双重分割，在嵌入式隐马尔可夫模型上划分，将最大值作为观察概率，计算所有主状态观察概率.最后再对模型参数进行重新估计，判断模型是否收敛.如果两次迭代误差小于设定阈值，则训练完成.完成所有特征集的训练后，存储对应模型，保存隐马尔可夫模型参数，用以进行人脸图像特征识别.
　　3.4 识别过程
　　 在最后的识别过程中，首先向系统输入人脸图像，然后提取分形特征观察值序列.对输入的人脸图像进行快速分形特征提取，获取分形码矩阵和特征向量，然后转化为隐马尔可夫观察值序列.连接训练集数据库，根据观察序列的计算结果，判断隐马尔可夫似然概率值，将似然概率值最大值对应的类，作为人脸图像所属类.从而完成人脸图像的匹配过程，判断输入的人脸图像是否为数据库中存储的图像，完成身份识别过程.上述整个识别过程，可采用VC++和OpenCV进行编码实现，并采用ORL标准人脸库进行验证.随机选取300张人脸图像进行验证实验，平均识别率高达86.15%，高于改进前算法，而且识别时间也得到明显下降，算法可用性较高.
　　4 结束语
　　 综上所述，人脸分形特征提取和识别算法是一种计算机人脸识别的有效手段，通过对其具体提取方法及识别算法进行改进，可以提升人脸识别结果的准确性，进一步提高人脸识别效率.随着相关研究的不断深入，在先进理论的支持下，人脸识别技术将逐渐成熟，在实际应用中，也能够为识别结果的可靠性提供保障.
　　参考文献：
　　〔1〕卢佳琨.浅谈人工智能中人脸识别技术的应用[J].通讯世界，2019（01）：221-222.
　　〔2〕张少巍，倪绍洲.基于混合神经网络的人脸表情识别研究[J].长春大学学报，2019（02）：37-40.
　　〔3〕冯学晓，古险峰.基于分形理论的图像边缘特征提取算法[J].新乡学院学报，2018（06）：40-43.
　　〔4〕黄丽媛，吴南寿，王雪花.基于特征向量提取和SVM分类器的课堂人脸识别研究[J].仪器仪表用户，2019（02）：15-17.
　　〔5〕杨艳，郭振铎，徐庆伟.基于PCA和LBP的自适应加权融合人脸识别算法[J].中原工学院学报，2018（06）：75-80.
　　〔6〕杨鑫，王爱学.激光光点定位技术在移动人脸识别中的应用[J].激光杂志，2018（12）：116-120.
　　〔7〕何强，文凯.一种复杂背景下的人脸识别算法研究[J].电视技术，2017（Z4）：207-213.
转载注明来源:https://www.xzbu.com/1/view-14854626.htm