一种基于sift算法的人脸识别方法

一种基于sift算法的人脸识别方法

摘 要： 高独特性特征的选择以及合适匹配策略的选用是人脸识别技术的关键。讨论了基于仿射不变的几何特 征ＳＩＦＴ算子进行人脸识别的方法。ＳＩＦＴ算子的计算复杂度较高，并且不同的人脸表情和图像模糊会加大特征匹 配的难度。为克服上述缺点，提出了一种新的算法，将选择６个人脸上感兴趣子区域进行描述，并根据各自的独特 性赋予不同的权值，最后在匹配过程中使用相似度的平方来减小偏差数据造成的影响。实验结果表明，该方法能 有效减轻表情变化对于身份识别率急剧下降的影响，并可显著减少计算复杂度和特征匹配时间。

关键词： 独特性人脸识别 ＳＩＦＴ算子感兴趣子区域

1 引言

人脸识别是当今模式识别和人工智能领域的一 个活跃的研究方向。而人脸识别技术也已经被运用 到犯罪识别、视频监控、档案管理、视频会议和照片 检索等各个领域，如图１所示。人脸识别的研究内容主要包括以下几个方面 ： （１）人脸检测：在输入的图像中寻找人脸区域。 （２）人脸的规范化：校正人脸在尺度、光照和旋 转等方面的变化。 （３）特征提取：从人脸图像中映射提取一组反 映人脸特征的数值表示样本。 （４）特征匹配：将待识别人脸与已知人脸比较得出相关信息。 当人脸的光照、表情发生比较大的变化，或者图 像存在部分模糊的情况时，其识别准确率会明显降 低，这是人脸识别中需要克服的一大技术难。

目前，一些研究者尝试将刚性物体识别领域中有着良好运用的几何特征不变量逐步引入人脸识别领 域，其中ＳＩＦＴ（ｓｃａｌｅ ｉｎｖａｒｉａｎｔ ｆｅａｔｕｒｅ ｔｒａｎｓｆｏｒｍ）几何 特征不变量尤为广泛应用 。 本文提出了一种基于ＳＩＦＴ算子进行人脸识别 的方法。实验结果表明，该算法能有效减轻表情变 化对于身份识别率急剧下降的影响，并可显著减少 计算复杂度和特征匹配时问。

２基于ＳＩＦＴ算子的人脸识别算法

本文先对目标图像进行人脸检测，再通过定位五 官选定感兴趣的子区域。在ＳＩＦＴ算子对相关区域进 行特征提取及描述后，通过向量间的相似度测量，与 不同人脸所提取的特征向量进行比较，从而确定目标 图像的人脸身份。图２给出了算法步骤的示意图

目前，人脸检测算法发展得比较成熟，可以使用 ＯｐｅｎＣＶ自带的Ａｄａｂｏｏｓｔ和Ｈａａｒ特征对图像中的 人脸区域进行提取 。在检测出人脸区域后，再进 行人脸的特

征提取、子区域选择和匹配。

２．１人脸特征提取

本文选择ＳＩＦＴ算子做人脸图像的特征提取。 ＳＩＦＴ算法在不同尺度空间上搜索稳定的特征点，然 后每一特征点的邻域由一个１２８维的矢量来描述， 其中每１维对应着一个特征方向统计量 ，如图３ 所示，图３（ａ）为原始人脸图像，图３（ｂ）中的白色圆 圈表示了特征点的提取以及领域大小的选择。ＳＩＦＴ 算法检测出的特征点及其描述子能够在缩放和旋转 变换下保持不变，并对光照变化不敏感，适于解决人 脸图像中在尺寸角度光照情况有变化情况下的识别问题。

幅人脸图像在经过提取特征点，对邻域进行描 述后，可以得到一个ｎ×１２８维的矩阵Ａ，其中n为总共提取描述的特征点数目。一幅２００ ｘ ２００左右大 小的人脸，通常可以从中提取３００个左右的特征点。

２．２人脸子区域选择

ＳＩＦＴ算法在提取匹配基元时必须遍历尺度空 间中的所有像素点 ，用高维（１２８维）向量进行描 述，并将生成的每个匹配基元与已知向量集中的每 个基元做交叉比较，因此，具有较高的计算复杂度。 而这些高昂计算的代价却并不总是有价值的。一方 面，人脸的独特性主要体现在五官上，而额头、脸颊 等信息并不具有很好的区分度；另一方面，全脸部特 征向量间的交叉比较是没有意义的，例如衡量一个 人眼睛和另一个人鼻子的相似度。 为了降低计算复杂性，本文选择了人脸上６个感 兴趣的子区域，进行特征提取和向量的描述，这些区 域分别是左眼、右跟、鼻子、嘴巴、左耳和右耳，分别定 义为１—６号区域，如图４所示。然后，采用基于图的 混合高斯树方法来完成对于人脸器官的定位任务。

因此，在特征描述后，用于比较的两张人脸图将 各自得到６个子矩阵Ａi（m *128 ）和曰Bi（ｎ*128 ），其中ｉ＝ １，２， ，６，ｍ 和ｎ 分别为两幅人脸图的第i 个子区域中提取描述的特征点数目。从图２中也可以看 出，进行子区域提取后，所需处理图像的“面积”显 著变小了。

２．３ 匹配算法

本文选用两向量间的内积来衡量其相似度。 即，两向量 f1与，f２之间的相似度ｄ可由式（１）得到

通过先将１２８维的向量进行归一化，再用表示向量集的矩阵Ａi（m *128 ）和Bi（ｎ*128 ）进行转置相乘，记作

Ci(m*n)=Ai*Bi

即可得到向量集之间交叉比较的相似度。用ｓ 表示 两人脸关于第 个子区域的相似度。定义ｓ，为

根据定义，ｓ 的取值范围在０到1之间，越接近１，表 明相似度越大，则两人脸为相同身份的概率越大。 很显然，６个子区域的独特性应该是不一样的， 眼睛信息可能比嘴巴信息更容易进行身份的识别， 因此，对于每个区域的相似度，应赋予不同的权值Ｗi ，其中 ＝１，２， ，６。将人脸６个子区域的相似度单独拿来进行人脸识别实验，得到区分的准确率作为置信度Ｐ。则权值Ｗ 可通过式（４）计算而得

在先验等概，且各区域统计独立的前提假设下，式 （４）所得到的权值Ｗ 能很好地反映出各子区域的独 特性。置信度越接近１，所得到的权值就越大。 如果人脸的一部分存在着遮挡，或人脸图像的 部分区域存在模糊，则将导致受影响的子区域出现 相似度数值偏低的情况。很显然，这样的非期望数 据值是不应该被引入的。因此，本文对于６个区域 的相似度将设置一个阈值，相似度小于该阈值的区 域，将不会在最后的匹配中计入。实验结果表明，即 使是不同人物的人脸图像，其相对应区域的相似度 一般也在0.7以上，故本文中设定的阈值为0.7。 则修正后的权值 ：可由式（５）得到

T

从图２的算法步骤示意图中，也能看到，门限为０．７ 的比较器正好起到了式（５）的效果。

人脸识别的另一个困难在于丰富的人脸表情。 人的喜怒哀乐将使得面部结构发生变化，进而影响 匹配的结果。本文假设：对于人脸的６个子区域，当 丰富表情出现的时候，一部分子区域会受到影响，而 一部分子区域仍然相对保持稳定。例如：人笑的时 候，嘴巴可能会张开，但此时耳朵和鼻子的图像信息 应该还是保持稳定。因此，降低这种影响的办法是， 让相对保持稳定进而得到较高相似度的区域所起到 的作用更大；反之，令受影响区域进而得到较低相似 度的区域所起到的作用小一些。本文选取了将相似 度进行平方的策略来达到这一目的。从图２的算法 步骤图中可以看到，相似度平方的运算将在通过比 较器后进行。

最后，两人脸间的相似度Ｓ将通过式（６）计算得到

这个相似度ｓ恰恰就反映了两人脸表征同一身份的 可能性大小。

３实验结果

本文选择了400多张数码相机所拍摄的生活照 作为实验数据，每张照片大小为1728 ｘ 2304（该分 辨率为当下数码照最常规的尺寸大小），人脸所占 区域大小一般都在200×200以上，且大多为正面、 倾角不超过±１５。。实验数据中共包含有５个不同 身份的人。

实验分别统计了提取整幅人脸图像进行特征描 述以及匹配的计算量与提取６个人脸感兴趣子区域 的特征并进行描述以及对应区域匹配的计算量。表 １给出了后者计算量与前者的比值。本文选取50 对人脸图像的比较匹配过程进行计算时间的统计， 结果改进方法后，平均时间可以降低６８．９％

文中取人脸６个子区域的相似度单独进行人脸 识别实验，得到区分的准确率作为置信度Ｐ ，进而 计算得到各子区域相似度的权重 ，结果如表2所表示。

将改进的匹配算法与在使用ＳＩＦＴ算子后、各区域相似度做简单平均的算法识别率进行了比较，测 试数据中包括了通过人脸进行身份识别过程中出现 的一些非期望情况，如人脸表情夸张、图像存在模 糊、人脸部分存在形变等等。虽然都会导致识别率 的下降，但改进后的算法识别率下降的幅度仅为未 改进方法的约三分之一，明显具有更好的鲁棒性。 表３的数据表明，该改进方法是行之有效的。

４ 结 论

本文以ＳＩＦＴ算子为基础，根据其特点，提出了 ～种改进匹配策略的人脸识别方法。理论分析与实 验结果均表明，该方法既可以显著降低运算的复杂 度，又可以使人脸识别的准确率有较大的提高，并对 各种非期望情况有着较好的鲁棒性。如何有效地把 几何特征不变量运用到有一定倾角的侧面人脸识别中，将是下一步研究的重点。

参考文献（References）

１ Harmon Ｌ Ｄ，Ｋｕｏ Ｓ Ｃ，Ｒａｍｉｎｇ Ｐ Ｆ，ｅｔ ａ１．Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ ｏｆ ｈｕｍａｎ ｆａｃｅ ｐｒｏｆｉｌｅｓ ｂｙ ｃｏｍｐｕｔｅｒ［Ｊ］．Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ，１９８７，１０（５—

６）： ３Ｏ１—３１２．

２ Ｌｉｕ Ｂｏ－ｗｅｎ，Ｙｕ Ｓｏｎｇ—ｙｕ，Ｘｕ Ｙｉ，ｅｔ ａ１． Ｃｏｒｒｅ。ｐｏｎｄｅｎｃｅ ｏｆ Ｏｂｊｅｃｔ－ ｏｆ—Ｉｎｔｅｒｅｓｔ ｉｎ Ｗｉｄｅ Ｂａｓｅｌｉｎｅ Ａｃｔｉｖｅ Ｖｉｓｉｏｎ［Ｊ］．Ｊｏｕｒｎａｌ ｏｆ Ｉｍａｇｅ ａｎｄ Ｇｒａｐｈｉｃｓ，２００７，１０（２）：１９１７～１９２１．［刘博文，余松煜，徐奕等． 宽基线主动视觉中感兴趣目标的对应技术［Ｊ］．中国图象图形学 报，２００７，１０（２）：１９１７～１９２１］

３ Ｖｉｏｌａ Ｐ，Ｊｏｎｅｓ Ｍ．Ｒｏｂｕｓｔ ｒｅａ１．ｔｉｍｅ ｆａｃｅ ｄｅｔｅｃｔｉｏｎ ｆ Ｊ １．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ，２００４，Ｓ７（５）：１３７—１５４．

４ Ｌｏｗｅ Ｄ．Ｄｉｓｔｉｎｃｔｉｖｅ ｉｍａｇｅ ｆｅａｔｕｒｅｓ ｆｒｏｍ ｓｃａｌｅ—ｉｎｖａｒｉａｎｔ ｋｅｙ ｐｏｉｎｔｓ［ＪＪ． Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ，２００４，６ｏ（２）：９１～Ｉ１０．

５ Ｌｏｗｅ，Ｄａｖｉｄ Ｇ，Ｏｂｊｅｃｔ ｒｅｃｏｇｎｉｔｉｏｎ ｆｒｏｍ ｌｏｃａｌ ｓｃａｌｅ ｉｎｖａｒｉａｎｔ ｆｅａｔｕｒｅｓ ［Ａ］．Ｉｎ：Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｉｌ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ［Ｃ］，Ｃｏｒｆｕ，Ｇｒｅｅｃｅ，１９９９：１１５０—１１５７．

６ Ｋｅ Ｙ．Ｓｕｋｔｈａｎｋａｒ Ｒ．ＰＣＡ—ＳＩＦＴ：Ａ ｍｏｒｅ ｄｉｓｔｉｎｃｔｉｖｅ ｒｅｐｒｅｓｅｎｔａｔｉｏｎ ｆｏｒ ｌｏｃａｌ ｉｍａｇｅ ｄｅｓｃｒｉｐｔｏｒｓ［Ａ］．Ｉｎ：Ｐｒｏｃｅｅｄｉｎｇｓ ｏｆ ＩＥＥＥ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ ａｎｄ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］，Ｗａｓｈｉｎｇｔｏｎ ＤＣ.usa.2004,506-513

摘摘摘摘 要要要要：：：：为有效解决旋转变化、光照变化和尺度变化等图像的分类问题，提出一种基于多尺度局部二元模式(LBP)金字塔特征的图像分类算法。通过多尺度LBP金字塔提取各尺度的图像纹理特征，建立图像的多尺度LBP金字塔直方图，并将其作为图像特征向量，采用K-means方法对该特征向量进行降维，以用于图像分类。同时，针对传统二进制权值分布方法对噪声敏感的缺点，提出一种多端权值分布方法。实验结果表明，多尺度LBP金字塔方法具有较好的可鉴别性及图像描述能力，而多端权值分布法也能提高图像的分类精度。

本文来源：https://www.bwwdw.com/article/e2y4.html