段龍?jiān)啤》窖沛谩菨崱?/p>

摘要：在實(shí)際應(yīng)用中，人臉識(shí)別系統(tǒng)采集到的人臉圖像中人臉姿態(tài)變化范圍較大，這給識(shí)別過程帶來了較大的挑戰(zhàn)，大大降低了識(shí)別算法的準(zhǔn)確率。該文針對(duì)姿態(tài)問題對(duì)人臉識(shí)別的影響展開研究，提出了一種新的人臉識(shí)別算法，可以實(shí)現(xiàn)士90°范圍內(nèi)人臉的準(zhǔn)確識(shí)別。本文提出的算法將多任務(wù)學(xué)習(xí)概念引入對(duì)轉(zhuǎn)換字典的學(xué)習(xí)過程中，將不同姿態(tài)看成不同任務(wù)，對(duì)每一個(gè)姿態(tài)分別進(jìn)行轉(zhuǎn)換字典的學(xué)習(xí)。在FERET和CMU-PIE等數(shù)據(jù)庫(kù)中的大量實(shí)驗(yàn)結(jié)果表明，該文提出的算法明顯優(yōu)于基于單任務(wù)學(xué)習(xí)的人臉識(shí)別算法，在非限定姿態(tài)下的人臉識(shí)別達(dá)到了較好的效果。

關(guān)鍵詞：人臉識(shí)別系統(tǒng)；算法；多任務(wù)學(xué)習(xí)

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2016）29-0178-03

1緒論

1.1研究背景及意義

近幾十年來，人臉識(shí)別在計(jì)算機(jī)視覺領(lǐng)域是最熱門的研究課題之一。早在1888年和1910年高爾頓就在《Nature》雜志發(fā)表了兩篇關(guān)于利用人臉進(jìn)行身份識(shí)別的文章，對(duì)人臉自身的人臉識(shí)別能力進(jìn)行了分析。但當(dāng)時(shí)還沒有條件研究人臉的自動(dòng)識(shí)別問題。直到近幾十年才真正的研究了人臉自動(dòng)識(shí)別，經(jīng)過幾十年的努力，現(xiàn)在已經(jīng)實(shí)現(xiàn)了自動(dòng)的人臉識(shí)別。

人臉識(shí)別作為一種生物體征識(shí)別與其他較成熟的識(shí)別方法（如指紋、虹膜、DAN檢測(cè)等）相比有以下幾個(gè)優(yōu)點(diǎn)：無侵犯性；低成本、易安裝；無人工參與。由于具有以上優(yōu)點(diǎn)，近幾年來，人臉識(shí)別技術(shù)引起了越來越多科研人員的關(guān)注。

1.2研究現(xiàn)狀

人臉識(shí)別技術(shù)經(jīng)過幾十年的發(fā)展，也取得了很大的突破?，F(xiàn)階段自動(dòng)人臉識(shí)別系統(tǒng)已經(jīng)投入到應(yīng)用中，主要應(yīng)用于考勤機(jī)等方面，在非限定姿態(tài)下進(jìn)行人臉識(shí)別還不能達(dá)到應(yīng)用的要求。人臉識(shí)別仍然受很多因素的影響，如姿態(tài)、光照和表情等。因?yàn)樽藨B(tài)變化在實(shí)際應(yīng)用中是最常見的情況，所以本文主要介紹了一種解決姿態(tài)問題的人臉識(shí)別算法，將自由姿態(tài)下的人臉與正臉進(jìn)行匹配，從而解決姿態(tài)變化對(duì)人臉識(shí)別準(zhǔn)確率的影響。

姿態(tài)變化導(dǎo)致人臉圖像產(chǎn)生很大變化，從本質(zhì)上來講，導(dǎo)致這一問題的原因主要是人頭3D幾何結(jié)構(gòu)很復(fù)雜。如圖1所示，人頭的旋轉(zhuǎn)導(dǎo)致正臉圖像產(chǎn)生封閉區(qū)域，也就是說一些臉部特征變得不可見，而且圖像中人臉的可視的區(qū)域的形狀和位置也是非線性變化的。這些問題給人臉識(shí)別帶來了很多問題，使很多識(shí)別算法的識(shí)別率大大下降。

2多任務(wù)姿態(tài)不變的人臉識(shí)別算法

2.1人臉特征表示法

現(xiàn)有的很多人臉表示法都是試圖在人臉圖像中提取出一些固定長(zhǎng)度的特征，但是這是在人臉圖像都是在可見范圍內(nèi)的基礎(chǔ)上才能實(shí)現(xiàn)的。在實(shí)際應(yīng)用中，很難保證這一點(diǎn)，因?yàn)樵趥?cè)臉是很多人臉產(chǎn)生了自我封閉性，導(dǎo)致很多信息變得不可見?？紤]到這個(gè)問題，本文提出基于塊的人臉表示法，并將人臉的表示與人臉姿態(tài)相聯(lián)系。因?yàn)檎標(biāo)男畔⒁欢ㄊ潜葌?cè)臉要多的，所以正臉需要更多數(shù)據(jù)來表示。本文所提出的基于塊的表示方法主要包括以下三個(gè)步驟：人臉姿態(tài)歸一化；非封閉人臉區(qū)域檢測(cè)；圖像塊的特征提取。

2.1.1人臉姿態(tài)歸一化

本文采用標(biāo)準(zhǔn)3D模型方法進(jìn)行人臉姿態(tài)歸一化，采用BFM算法得到3D模型。在姿態(tài)歸一化過程中，本文采用了人臉最穩(wěn)定的五個(gè)特征點(diǎn)（兩眼的中心點(diǎn)，鼻尖點(diǎn)，兩個(gè)嘴角點(diǎn)），利用正射投影法將3D模型映射到2D人臉圖像上，實(shí)現(xiàn)姿態(tài)的歸一化。結(jié)果如圖2所示。

2.1.2非封閉區(qū)域檢測(cè)

人臉姿態(tài)歸一化對(duì)由于姿態(tài)變化引起的人臉紋理的變形進(jìn)行了校正，但是并不能恢復(fù)出由于封閉性導(dǎo)致的信息丟失。受到人能直接識(shí)別出側(cè)臉圖像的人的身份的啟發(fā)，本文提出了一種充分利用可見區(qū)域進(jìn)行識(shí)別的方法。本文首先將3D模型旋轉(zhuǎn)到與2D人臉圖像姿態(tài)相近的角度，我們很容易就可以得到旋轉(zhuǎn)后的3D模型投影到2D圖像的邊緣，如圖3（a）所示。將含有邊緣的區(qū)域匹配到待識(shí)別人臉圖像中，得到了圖3（b）的結(jié)果。對(duì)得到的紅色框內(nèi)的區(qū)域進(jìn)行Canny算子的邊緣檢測(cè)，得到圖3（c）的效果。最后一步就是如何在上述得到的邊緣中找到我門需要的邊緣，本文采用了兩種辦法進(jìn)行檢測(cè)，首先利用水平梯度，將水平梯度為零的點(diǎn)全部刪除，再利用CPD（點(diǎn)漂移算法）得到最后的人臉邊緣線，即封閉區(qū)域與非封閉區(qū)域的分界線。

2.1.3基于塊的人臉表示法

首先將歸一化得到的人臉圖像分成M×N個(gè)小塊，用非封閉區(qū)域檢測(cè)得到的邊緣進(jìn)行分割，若一個(gè)塊中超過80%的像素在非封閉區(qū)域，將這個(gè)塊紀(jì)委有效塊，否則視為無效。然后將每個(gè)有效塊分成J×J個(gè)小塊，計(jì)算每個(gè)小塊的DCP特征，得到DCP直方圖。最后將J×J個(gè)小塊的DCP直方圖通過PCA（主成分分析法）降維，得到一個(gè)在子空間中的D維特征。

2.2多任務(wù)特征轉(zhuǎn)換學(xué)習(xí)

經(jīng)過以上步驟我們得到了用塊特征表示的人臉圖像，理論上可以直接進(jìn)行塊匹配來實(shí)現(xiàn)人臉識(shí)別。本文中進(jìn)一步提出了一種多任務(wù)特征學(xué)習(xí)轉(zhuǎn)換字典的方法，將正臉圖像中的塊和待識(shí)別圖像中的塊轉(zhuǎn)換到一個(gè)更有識(shí)別力的子空間進(jìn)行識(shí)別。每個(gè)塊分別進(jìn)行學(xué)習(xí)，得到M×N個(gè)轉(zhuǎn)換字典。

2.2.1特征轉(zhuǎn)換學(xué)習(xí)

在特征轉(zhuǎn)換學(xué)習(xí)過程中，我們需要考慮三個(gè)問題：姿態(tài)歸一化得到的圖像質(zhì)量差異較大；不同姿態(tài)之間的相關(guān)性；在實(shí)際應(yīng)用中，較難采集到大量樣本以供訓(xùn)練?？紤]到以上問題，我們引入多任務(wù)學(xué)習(xí)的概念，將每個(gè)姿態(tài)看成一個(gè)任務(wù)，進(jìn)行特征轉(zhuǎn)換學(xué)習(xí)，同時(shí)考慮到了不同姿態(tài)的相關(guān)性和差異性。多任務(wù)轉(zhuǎn)換學(xué)習(xí)法為所有任務(wù)學(xué)習(xí)得到一個(gè)轉(zhuǎn)換字典，通過不同的投影向量來選擇不同姿態(tài)的轉(zhuǎn)換矩陣。由此可以看出，多任務(wù)特征轉(zhuǎn)換學(xué)習(xí)法可以找到更多有識(shí)別力的特征。

首先介紹一些在學(xué)習(xí)轉(zhuǎn)化矩陣過程中用到的變量。集合{（X_t，Y_t）：1≤t≤Pl表示的是類內(nèi)和類間的訓(xùn)練數(shù)據(jù)。其中P表示可用于學(xué)習(xí)的任務(wù)數(shù)，即姿態(tài)數(shù)；X_t∈R^D×N表示的是類內(nèi)（即同一個(gè)人的不同姿態(tài)）的數(shù)據(jù)，X_t的第n列xⁿ_t是類內(nèi)任務(wù)t（側(cè)面）的第n塊的特征與任務(wù)0（正面）做差；Y∈R^D×N示的是類內(nèi)（即不同人的不同姿態(tài)）的數(shù)據(jù)，Y_t第n列yⁿ_t是類間任務(wù)t（側(cè)面）的第n塊的特征與任務(wù)0（正面）做差；U表示學(xué)習(xí)得到的轉(zhuǎn)換字典，α_t表示投影向量，矩陣A用來存儲(chǔ)投影向量，A_t是投影向量擴(kuò)展得到的對(duì)角矩陣；λ表示類間和類內(nèi)權(quán)重的正則化參數(shù)。

我們建立模型的理論依據(jù)就是類內(nèi)和類間數(shù)據(jù)的距離最大。定義損失函數(shù)T_U，t如下：

（1）

將上述問題轉(zhuǎn)換成最優(yōu)化問題

（2）

μ是另一個(gè)正則化參數(shù)。將α_t中的非零個(gè)數(shù)記為d，我們要得到的結(jié)果就是用α_t在U中最具識(shí)別力的d個(gè)最有識(shí)別力的投影向量。其中λ，μ，d是用交叉驗(yàn)證的方法得到的最優(yōu)值。

2.3人臉圖像匹配

本部分主要介紹基于塊的人臉多任務(wù)學(xué)習(xí)的人臉圖像匹配問題。在上一部分，我們已經(jīng)得到了轉(zhuǎn)換字典U和投影矩陣A。

假設(shè)我們對(duì)一個(gè)第t中姿態(tài)的側(cè)臉圖像與庫(kù)中的正臉圖像進(jìn)行匹配。將待識(shí)別圖像分成K塊之后將每一塊的特征存儲(chǔ)在中，將正臉圖像中與之對(duì)應(yīng)的K塊的特征存儲(chǔ)在中。首先，將匹配塊的特征用得到的U^k和A^k投影到子空間中。

（3）

A^k_t？表示A^k的第t列擴(kuò)展得到的對(duì)角矩陣。

計(jì)算相似度：

（4）

s就是待識(shí)別圖像與庫(kù)內(nèi)圖像的相似度。最后，通過最近鄰分類法進(jìn)行分類，確定待識(shí)別人臉圖像的身份。

雖然本文采用了相對(duì)于文獻(xiàn)中更簡(jiǎn)單的比對(duì)方法，但由于本文所提出的方法充分考慮了不同姿態(tài)之間的相關(guān)性，將提高人臉識(shí)別算法的魯棒性。

3實(shí)驗(yàn)結(jié)果

本文實(shí)驗(yàn)主要基于以下三大主流人臉姿態(tài)數(shù)據(jù)庫(kù)，CMU-PIE，F(xiàn)ERET和Multi-PIE。主要針對(duì)姿態(tài)變化問題進(jìn)行實(shí)驗(yàn)。

待識(shí)別圖像多歸一化到156×130，圖像塊大小為26×24，重疊50%分塊，將每個(gè)小塊分成2×2個(gè)小塊。由實(shí)驗(yàn)結(jié)果可以看出本文所提出的算法在姿態(tài)變化下的人臉識(shí)別有較高的識(shí)別率及較強(qiáng)的魯棒性。

由圖5可以看出本文提出的多任務(wù)學(xué)習(xí)的方法明顯好于傳統(tǒng)的單任務(wù)學(xué)習(xí)方法。

4總結(jié)

姿態(tài)變化在人臉識(shí)別過程中對(duì)傳統(tǒng)算法的魯棒性有較大影響。本文分兩個(gè)方面考慮了姿態(tài)問題。首先本文提出了一種基于塊的人臉表示方法，只利用人臉的非封閉區(qū)域進(jìn)行識(shí)別。之后，通過多任務(wù)特征轉(zhuǎn)換學(xué)習(xí)。充分考慮不同姿態(tài)間的相關(guān)性。實(shí)驗(yàn)結(jié)果證明，本文所提出的多任務(wù)學(xué)習(xí)算法明顯好于現(xiàn)有的單任務(wù)學(xué)習(xí)算法。

本文主要講述了一種基于塊的多任務(wù)特征學(xué)習(xí)轉(zhuǎn)換方法的人臉識(shí)別，經(jīng)過大量實(shí)驗(yàn)證明本文所提方法可行有效。