随着电子技术的发展, 人类脸部特征的提取也成了最方便的特征提取对象, 由此产生了人脸识别技术。目前各国政府和各领域公认它是一种有着良好前景的生物识别技术, 日益重视他的研究与发展。
人脸识别技术之所以得到重视, 日益成为身份识别的重要方式, 除了人脸自身的特点外, 主要是因为它广泛的社会需求与应用前景以及去油推动多学科发展的理论意义[1,2]。
一、算法流程方法
纹理信息是识别人脸身份的关键特征之一, 它被广泛应用于滤波器设计以及局部特征描述中。为了加强纹理信息并克服无关噪声对人脸图像的影响, 通常对人脸图像进行滤波或预处理来降低噪声并实现图像增强效果。
尺度不变特征变换 (Scale-invariant feature transform, SIFT) , 是用于图像处理领域的一种描述。这种描述具有尺度不变性, 可在图像中检测出关键点, 是一种局部特征描述子[1]。本文提出了通过构建多方向滤波器于多尺度图像特征不变特性思想对人脸图像进行图像特征的提取相结合。具体思想如下: (1) 基于正态分布函数的方向导数, 我们构建了多方向滤波器。归一化所有像素点的值, 将滤波器响应与密集采样的SIFT特征结合, 我们得到多方向密集SIFT特征。针对人脸图像特征的冗余性, 我们设计了一种过滤器滤波的方式来有效地整合信息, 得到简洁表示的图像特征。 (2) 通过数据可视化比较各个类别的密集SIFT以及多方向密集SIFT的数据分布, 借此来说明我们提出方法的有效性。因为数据维度非常大 (128维) , 人眼无法辨识如此高维度下特征的分布, 我们需要寻求一些可视化的技巧。t-分布随机邻域嵌入 (t-distributed stochastic neighbor embedding, t-SNE) 是由L.van derMaaten和G.Hinton在2008年提出来用于降维的一种机器学习算法[3]。 (3) 在提炼人脸的身份特征时, 必须考虑到手机中的三维人脸在不同拍摄场景会导致的图像差别, 并且通过找到对光照、姿态、噪声都健壮的表示方法。 (4) 图像的局部特征是描述纹理的基础, 对于人来呢识别的任务有着极其重要的作用。一个好的局部特征应该具有一猜特性:具有相同特征的区域应该能不受到旋转、模糊、光照等因素的影响。
二、实验结果
人脸识别技术作为生物特征识别领域中一种基于生人脸识别技术作为生物特征识别领域中一种基于生理特征的识别, 是通过计算机提取人脸特征, 并根据这些特征进行身份验证的一种技术。实验结果分析了高斯差分的标准差。我们在各个数据库上生成不同标准差的二维高斯差分, 并且取大小为10 X 10的四个方向的方向导数滤波器, 检验人脸识别率的变化。
对于AR数据集, 将最终得到的特征经过WPCA降到100维;对于FERET数据集, 使用WPCA降维到400维;对LFW数据集, 使用PCA降维到800并在通过LDA降维到100;通过结果对比, 可以发现整体上标准差等于1时的识别率较标准差更高或更低时有优势, 因此选择标准等于1较为合理。该方法可以有效地编码多方向密集SIFT特征, 并且不增加最终特征维度。通过实验与各种先进方法进行比较, 表明了该特征在维度较低的同时可以在多个人脸鉴别与验证数据集上取得了有竞争性的识别率。同时该方法的参数较易选择, 我们给出了建议使用的参数以及不同参数对识别率的影响。
三、结束语
本文提出多角度人脸特征的人脸识别方法, 基于对人脸特征的观察, 我们使用多个方向的正态分布函数的方向导数作为滤波器与图像卷积, 并将滤波器响应通过密集采样SIFT进一步得到多方向密集SIFT特征。之后, 我们通过t-SNE可视化方法初步说明了该方法对人脸身份识别的有效性:与SIFT特征相比, 保留人脸身份特征的能力更强。
摘要：人脸识别在公民身份验证、监控与社会公共安全领域具有重要应用前景。人脸识别寻求在自然场景下滤除姿态、表情、光照以及遮挡等情况还原人脸图像的真实身份。特征学习是人脸识别的核心问题之一。有效地提取具有分辨意义的特征对于提高人脸识别系统的性能具有相当重要的作用。本文介绍了多方向尺度不变特征:基于高斯差分函数的导数的多方向滤波器, 重归一所有像素点的值, 提取互为补充的人脸图像的纹理信息。
关键词：特征学习,多尺度不变,高斯差分函数,人脸识别,重归一
参考文献
[1] 梁毅雄.基于子空间分析的人脸特征提取及识别研究[D].重庆:重庆大学, 2005:1-2.
[2] 杨丽平.保局子空间人脸特征提取及识别方法研究[D].重庆:重庆大学, 2008:1-2.
[3] 梁文莉.基于独立成分分析的人脸识别算法研究[D].西安:西安科技大学, 2012.