陸興華，王凌豐，曾世豪，陳家堅

(廣東工業(yè)大學(xué)華立學(xué)院，廣東 廣州 511325)

0 引 言

隨著計算機(jī)圖像處理技術(shù)的不斷發(fā)展，采用計算機(jī)視覺特征提取方法進(jìn)行人臉圖像識別，提高對人臉的自動檢測和身份識別能力。當(dāng)前人臉圖像識別技術(shù)廣泛應(yīng)用在安檢、視頻監(jiān)控、銀行支付以及人物目標(biāo)監(jiān)測跟蹤等方面。在姿態(tài)變換和動態(tài)場景下進(jìn)行人臉識別受到環(huán)境和人臉圖像采集設(shè)備等因素的影響，導(dǎo)致人臉識別的準(zhǔn)確性不好。為了提高人臉圖像的自動識別能力，采用多姿態(tài)人臉圖像特征點配準(zhǔn)方法進(jìn)行人臉動態(tài)特征提取，實現(xiàn)人臉圖像識別，研究多姿態(tài)人臉圖像的自動識別方法具有重要的現(xiàn)實意義[1]。

對人臉識別的研究是建立在人臉的特征提取和分類的基礎(chǔ)上，通過提取多姿態(tài)人臉圖像的關(guān)鍵特征點和角點信息，結(jié)合特征分類器進(jìn)行多姿態(tài)人臉圖像識別，提高多姿態(tài)人臉圖像的識別能力[2]。傳統(tǒng)方法中，對多姿態(tài)人臉圖像識別和特征提取的研究主要是采用塊匹配方法和人工模板匹配方法，取得了一定的效果[3]。其中文獻(xiàn)[4]采用Harris角點檢測方法進(jìn)行人臉識別和動態(tài)特征提取，實現(xiàn)多姿態(tài)人臉圖像特征點配準(zhǔn)和自動識別，該算法在圖像特征匹配中耗時最少，但對大規(guī)模人臉圖像的自動識別性不好。文獻(xiàn)[5]對多姿態(tài)人臉圖像采用RGB分量邊緣檢測方法進(jìn)行邊緣輪廓檢測和特征提取，實現(xiàn)多姿態(tài)人臉圖像特征點配準(zhǔn)，利用圖像特征的加權(quán)特性，實現(xiàn)人臉自動識別。該方法的計算開銷較大，對圖像的自動識別的實時性不好。

針對上述問題，文中提出一種基于人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的多姿態(tài)人臉圖像識別算法。將空間鄰域信息融入到多姿態(tài)人臉圖像的幅度檢測中，提取多姿態(tài)人臉圖像的動態(tài)角點特征，在不同的尺度下選用合適的特征配準(zhǔn)函數(shù)來描述多姿態(tài)人臉圖像的特征點，進(jìn)行多姿態(tài)人臉圖像的目標(biāo)像素視差分析和關(guān)鍵特征檢測，結(jié)合人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和特征配準(zhǔn)方法實現(xiàn)圖像穩(wěn)像處理和自動識別。通過仿真實驗分析，驗證了該方法在提高人臉識別能力方面的優(yōu)越性能。

1 多姿態(tài)人臉圖像采集和特征預(yù)處理

1.1 人臉圖像成像處理

圖1 多姿態(tài)人臉圖像的成像模型

圖1中，人臉圖像的曝光區(qū)域塊的像素強(qiáng)度為：

(1)

采用手工標(biāo)注法進(jìn)行人臉圖像的尺度分解[8]，采用小波尺度分解方法進(jìn)行圖像降噪，得到小波函數(shù)為：

Wψy(a,b)==

(2)

采用局部二值擬合，得到人臉的幾何離散度為：

(3)

其中，U(a,b)是人臉圖像多姿態(tài)特征分量的酉變換函數(shù)。

采用分塊匹配方法進(jìn)行圖像的信息融合，設(shè)a=1/s，b=τ，將式3重寫為：

(4)

結(jié)合模板匹配方法，求得人臉的生物屬性特征分布的邊緣輪廓為：

(5)

其中，rect(t)=1,|t|≤1/2。

對采集的原始多姿態(tài)人臉圖像進(jìn)行向量量化特征分解，結(jié)合灰度流形分割技術(shù)進(jìn)行多姿態(tài)人臉圖像的邊緣輪廓特征提取，提高人臉特征提取能力。

1.2 多姿態(tài)人臉圖像的邊緣輪廓檢測

將空間鄰域信息融入到多姿態(tài)人臉圖像的幅度檢測中，提取多姿態(tài)人臉圖像的動態(tài)角點特征，構(gòu)建圖像的直方圖，得到直方圖分布函數(shù)為：

(6)

采用灰度直方圖分割方法分割多姿態(tài)人臉圖像，提高多姿態(tài)人臉圖像的特征提取能力，根據(jù)圖像的邊緣輪廓信息進(jìn)行人臉的特征點定位[9]，得到人臉特征提取的輸出為：

(7)

結(jié)合人臉的生物特征不變性，得到人臉的噪點分離輸出二值圖像結(jié)果為：

(8)

其中，G(σI)表示多姿態(tài)人臉圖像的曝光區(qū)域塊的像素強(qiáng)度；對邊緣像素點(x,y)，用σI表示多姿態(tài)人臉圖像的邊緣輪積分尺度，σD為微分尺度，x,y為原圖像序列的二值像素；L(x,y,σD)表示圖像序列中的信息熵，Lx(x,y,σD)，Ly(x,y,σD)分別表示多姿態(tài)人臉圖像在橫向平移x方向和縱向平移y方向的權(quán)值融合結(jié)果，Lxx(x,y,σD)，Lyy(x,y,σD)為人臉的角點分布的互相關(guān)特征量。

根據(jù)上述分析，提取多姿態(tài)人臉圖像的動態(tài)角點特征，計算人臉的幾何差異性特征值，進(jìn)行人臉特征分析和分類識別[10]。

2 人臉特征提取與識別算法的優(yōu)化

2.1 人臉圖像的特征提取

在人臉圖像成像處理和邊緣輪廓檢測的基礎(chǔ)上，進(jìn)行人臉圖像的識別算法優(yōu)化設(shè)計。文中提出一種基于人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的多姿態(tài)人臉圖像識別算法。把多姿態(tài)人臉圖像結(jié)構(gòu)紋理信息類比為一個全局運(yùn)動RGB三維位平面隨機(jī)場[11]，確定一個特征提取模板，在圖像中提取最能反映人臉特征的特征點，得到多姿態(tài)人臉圖像的RGB特征分解式為：

tr(WiTH1Wi)

(9)

根據(jù)多姿態(tài)人臉圖像部分的局部特征進(jìn)行信息復(fù)原，得到多姿態(tài)人臉圖像特征檢測的Potts先驗參數(shù)βi為：

(10)

其中，xi和xj分別為人臉圖像的生物特征點部位和信息驗證部位的像素強(qiáng)度值。

進(jìn)行多姿態(tài)人臉圖像的亮點檢測和信息融合，在不同尺度下選用合適的特征配準(zhǔn)函數(shù)來描述多姿態(tài)人臉圖像的特征點，得到人臉特征分布表達(dá)式為：

(11)

其中：

(12)

將空間鄰域信息融入到多姿態(tài)人臉圖像的幅度檢測中，采用圖像分割算法進(jìn)行人臉圖像的模板匹配處理，根據(jù)目標(biāo)匹配結(jié)果，采用人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法進(jìn)行圖像識別[12]。

2.2 人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的人臉圖像識別輸出

在不同的尺度下選用合適的特征配準(zhǔn)函數(shù)來描述多姿態(tài)人臉圖像的特征點，進(jìn)行多姿態(tài)人臉圖像的目標(biāo)像素視差分析和關(guān)鍵特征檢測，根據(jù)特征提取結(jié)果，采用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉分類。人工神經(jīng)網(wǎng)絡(luò)為一個三層網(wǎng)絡(luò)結(jié)構(gòu)[13]，人工神經(jīng)網(wǎng)絡(luò)分類器的輸入輸出迭代方程為：

(13)

假設(shè)利用人工神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉識別的學(xué)習(xí)步長為η，經(jīng)過n步訓(xùn)練和學(xué)習(xí)后，采用結(jié)構(gòu)相似度特征分解算法[14]，得到人臉特征分類器的加權(quán)系數(shù)為：

(14)

提取人臉圖像姿態(tài)分布信息特征量，采用人工神經(jīng)網(wǎng)絡(luò)分類器進(jìn)行特征標(biāo)定，得到輸出的檢測統(tǒng)計量為：

(15)

為了提高人工神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉特征分類的準(zhǔn)確性，在神經(jīng)網(wǎng)絡(luò)的隱含層引入自適學(xué)習(xí)系數(shù)X(x1,x2,…,xn)，提取遮擋人臉的隱含特征，根據(jù)生物特征的差異性[15]，得到多姿態(tài)人臉圖像的識別結(jié)果為：

(16)

(17)

3 仿真實驗分析

(18)

根據(jù)上述仿真環(huán)境和參數(shù)設(shè)定，得到人臉圖像識別的特征提取結(jié)果如圖2所示。

(a)樣本1

(b)樣本2

(c)樣本3

(d)樣本4

分析圖2得知，采用文中方法能有效實現(xiàn)對多姿態(tài)人臉圖像的識別。人臉識別性能對比如圖3所示，識別的準(zhǔn)確性和時間開銷對比見表1。

表1 識別的準(zhǔn)確性和時間開銷對比

圖3 人臉識別性能對比

分析圖3和表1得知，文中方法進(jìn)行多姿態(tài)人臉圖像識別的輸出信噪比較高，表明人臉識別準(zhǔn)確性較高，準(zhǔn)確識別概率優(yōu)于傳統(tǒng)方法。

4 結(jié)束語

為了提高人臉圖像的自動識別能力，采用多姿態(tài)人臉圖像特征點配準(zhǔn)方法進(jìn)行人臉動態(tài)特征提取，實現(xiàn)人臉圖像識別。文中提出一種基于人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)的多姿態(tài)人臉圖像識別算法。將空間鄰域信息融入到多姿態(tài)人臉圖像的幅度檢測中，提取多姿態(tài)人臉圖像的動態(tài)角點特征，把多姿態(tài)人臉圖像結(jié)構(gòu)紋理信息類比為一個全局運(yùn)動RGB三維位平面隨機(jī)場，進(jìn)行多姿態(tài)人臉圖像的亮點檢測和信息融合。在不同的尺度下選用合適的特征配準(zhǔn)函數(shù)來描述多姿態(tài)人臉圖像的特征點，進(jìn)行多姿態(tài)人臉圖像的目標(biāo)像素視差分析和關(guān)鍵特征檢測，結(jié)合人工神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)和特征配準(zhǔn)方法實現(xiàn)圖像穩(wěn)像處理和自動識別。實驗結(jié)果表明，利用該方法進(jìn)行多姿態(tài)人臉圖像識別的輸出峰值信噪比較高，識別性能較好。