基于融合分層視覺感知的人臉局部特征識別

韓 笑，韓 劍

(桂林電子科技大學(xué)信息科技學(xué)院，廣西 桂林 541004)

1 引言

隨著計算機技術(shù)和人工智能技術(shù)的飛速普及，信息安全領(lǐng)域的解決方案也需要滿足越來越高的要求。傳統(tǒng)的身份鑒別方式大多借助外物或者身份標(biāo)識知識等，這種依托外物或者自身記憶力的驗證方式，一旦證明身份的標(biāo)識物被丟失或者竊取，其身份中的信息安全將面臨十分嚴(yán)重的威脅。現(xiàn)階段不同類型的生物個體主要具有以下幾方面的特征：①穩(wěn)定性較強；②安全性較高等。所以人體生物特征識別明顯優(yōu)于傳統(tǒng)的身份鑒別方式[1，2]。生物識別技術(shù)能夠借助計算機等各種智能技術(shù)實現(xiàn)管理和監(jiān)控等相關(guān)工作，為更好實現(xiàn)信息化、自動化管理奠定了堅實的基礎(chǔ)。

在大量的身份鑒定技術(shù)中，人臉識別是目前使用范圍比較廣，且最符合人類區(qū)分不同個體的有效方式，大部分的人臉識別技術(shù)主要利用攝像機完成圖像采集，為身份鑒別提供了全新的發(fā)展路徑。國內(nèi)外相關(guān)專家也針對人臉局部特征識別進行大量的研究，例如郭蓓等人[3]通過多尺度形狀變化指數(shù)對人臉圖像的關(guān)鍵點進行檢測，同時提取直方圖描述子，將各個子集中的描述子進行匹配；同時采用關(guān)鍵點提取協(xié)方差矩陣中的描述子，通過成功匹配的關(guān)鍵點數(shù)量對人臉進行匹配，獲取最終的識別結(jié)果。余璟等人[4]優(yōu)先對人臉圖像中的旋轉(zhuǎn)向量進行編碼，將獲取的局部旋度模式作為表情特征，通過ICNP算法和最小投影偏差算法對人臉不規(guī)則區(qū)域進行劃分，同時將含有權(quán)重取值的旋度模式輸入到分類器中，完成人臉識別。上述兩種識別方法未能對人臉圖像進行去噪處理，導(dǎo)致測試時間大幅度增加，識別率下降。

針對上述問題，提出一種融合分層視覺特征感知的人臉局部特征識別方法，仿真結(jié)果表明，所提方法能夠有效提升識別率，同時還能夠有效減少測試時間。

2 人臉局部特征識別方法

2.1 人臉圖像去噪處理

小波變換是目前使用比較廣泛的信號分析方法[5，6]，主要優(yōu)勢為多分辨率分析，具有較強的信號表征能力。當(dāng)信號經(jīng)過小波變換后，能夠通過小波系數(shù)進行描述，通過小波系數(shù)全面體現(xiàn)信號的不同性質(zhì)。

(1)

如果f(x)∈L2(R)代表未進行分析的信號，設(shè)定a>0，則連續(xù)小波變換能夠表示為

(2)

式中，WTf(a，b)代表連續(xù)小波變換。

(3)

當(dāng)f(x，y)代表圖像信號時，則說明二維小波變換分別沿著x和y方向采用不同的一維濾波器進行濾波處理，獲取高低頻子帶圖像。利用圖1給出一層小波變換示意圖。

圖1 圖像的一層小波變換示意圖

小波包分析是在小波分析的基礎(chǔ)上提出的，通過小波包能夠更加精準(zhǔn)且全面地描述圖像的高頻部分，同時還能夠有效提升算法的信號分析能力。

隨著尺度的不斷增加，空間分辨率也會隨之增加，但是頻率分辨率則呈直線下降趨勢。小波包的出現(xiàn)有效改善了正交小波變換中存在的不足。其中，小波包的去噪處理步驟如下所示[7，8]：

1)人臉圖像的小波分解：

選取一個小波，設(shè)定L為分解層數(shù)，對人臉圖像進行L層小波分解。

2)最佳小波包基的獲取：

針對已經(jīng)給定的熵標(biāo)準(zhǔn)進行最佳數(shù)計算，實現(xiàn)最佳小波基的獲取。

3)閾值量化：

選取滿足算法需求的閾值，結(jié)合閾值對圖像各個層中的高頻系數(shù)進行量化處理。

4)小波包重構(gòu)：

通過小波分解對低高頻系數(shù)進行小波重構(gòu)，最終實現(xiàn)人臉圖像去噪。

2.2 融合分層視覺特征感知的人臉局部特征識別

優(yōu)先通過Adabost算法對經(jīng)過去噪處理的人臉圖像進行五官檢測，其中Adabost模型的具體組成結(jié)構(gòu)如圖2所示。

圖2 Adabost模型的組成結(jié)構(gòu)

為了有效提取人臉局部特征[9，10]，需要借助SITF算法和MTLBP算法實現(xiàn)。由于LBP算子中全部模式攜帶的信息重要程度完全不同，在一幅圖像中只有少數(shù)模式代表的特征比較集中。當(dāng)使用LBP算法進行圖像紋理處理的過程中，需要將其它類劃分到同一類中，對應(yīng)的計算式為

(4)

對各個尺度下的人臉圖像進行分析，同時確保認知是一致的，結(jié)合SIFT算法進行尺度空間的建立。通過視覺系統(tǒng)對物體進行識別和分析的過程中構(gòu)建高斯尺度空間，當(dāng)人臉圖像通過高斯函數(shù)進行卷積操作后，會產(chǎn)生不同的模糊效果。人臉圖像I(x，y)的尺度空間是通過卷積核進行卷積操作獲取，具體的計算式如下

L(x，y，σ)=G(x，y，σ)*I(x，y)

(5)

式中，L(x，y，σ)代表空間尺度；G(x，y，σ)代表高斯函數(shù)，具體的表達形式為

(6)

式中，σ代表高斯正態(tài)分布的標(biāo)準(zhǔn)差取值，即尺度空間中的尺度因子。σ的取值越大，說明得到的人臉圖像模糊程度越嚴(yán)重，同時圖像的尺度因子也會增加，通過尺度因子能夠更好地反映人臉圖像的模糊程度。

建立尺度空間是為了實現(xiàn)不同尺度下的特征點檢測，其中檢測點性能比較好的算子為Δ2

(7)

式中，?代表圖像中全部檢測點的數(shù)量。

通常情況下，可以通過DOG來近似估計LOG。其中，DOG定義能夠表示為

(8)

式中，D(x，y，σ)代表高斯差分；k代表兩個鄰近尺度空間的比例因子。

根據(jù)已經(jīng)建立完成的尺度空間，在多尺度下對人臉圖像中的全部像素點進行比較和分析。在DOG中，需要將圖像中的所有像素點和在同一尺度的鄰近像素點進行對比分析，如果像素點小于或者大于相鄰像素點，則說明該像素為人臉圖像中的極值點。

當(dāng)通過尺度空間完成人臉圖像中各極值點檢測后，需要為局部圖像分配各個方位的關(guān)鍵點，同時結(jié)合SIFI，依據(jù)特征點的方向信息獲取人臉圖像旋轉(zhuǎn)不變性的核心。

通過DOG金字塔確定圖像中各個極值點的坐標(biāo)位置，獲取對應(yīng)的尺度空間σ和尺度圖像。對于樣本圖像L(x，y)而言，需要獲取當(dāng)尺度規(guī)模為σ時圖像的梯度幅度m(x，y)和方向θ(x，y)，具體計算過程如下所示

m(x，y)=

(9)

(10)

通過式(9)和式(10)能夠獲取人臉圖像的梯度幅值和方向，主要通過前值獲取圖像中各個極值點的方向和幅值信息。同時，設(shè)定坐標(biāo)系中的橫坐標(biāo)為人臉圖像的梯度方向，而縱坐標(biāo)設(shè)定為梯度方向的幅值累加和。

在上述操作的基礎(chǔ)上，能夠精準(zhǔn)確定圖像中各個關(guān)鍵點的坐標(biāo)和方位信息。對關(guān)鍵點各個位置上優(yōu)先設(shè)定的幅值和方向進行描述，整個過程就是描述子的形成過程。將各個關(guān)鍵點對應(yīng)的方向、幅值信息和鄰域內(nèi)的像素點極值進行對比，使描述子中含有大量的人臉像素點信息。以下詳細給出描述子的形成過程，如下所示：

1)將經(jīng)過去噪處理的人臉圖像進行旋轉(zhuǎn)調(diào)整，使其能夠保持旋轉(zhuǎn)不變性，同時還能夠?qū)⒆鴺?biāo)軸旋轉(zhuǎn)到對應(yīng)的中心點。其中，人臉圖像進行旋轉(zhuǎn)的過程能夠表示為

(11)

式中，θ代表原始人臉圖像各軸和特征點方向之間的角度。

2)在經(jīng)過旋轉(zhuǎn)后的圖像上，將特征點設(shè)定為中心，將全部圖像區(qū)域進行統(tǒng)一化處理，將圖像區(qū)域劃分至對應(yīng)的圖像子區(qū)域中，利用各個子區(qū)域圖像中像素點的方向進行梯度模值計算。同時繪制各個方位的梯度直方圖，組建維數(shù)為128的SIFT特征向量。

當(dāng)使用LBP算法進行人臉特征無差別提取時，首先針對圖像各個分區(qū)內(nèi)的像素進行遍歷處理，同時對對應(yīng)區(qū)域的頻數(shù)直方圖進行求解，即采用權(quán)重對人臉表情較為豐富的區(qū)域進行加強處理。為了有效避免特征提取過程中出現(xiàn)的外界干擾，將LBP算法和SIFT算法兩者相結(jié)合進行人臉局部特征識別。以下給出詳細的操作流程：

1)優(yōu)先對人臉圖像進行預(yù)處理，提取Harr特征值，將其輸入到弱分類中進行訓(xùn)練，獲取級聯(lián)分類器，同時通過級聯(lián)分類器對人臉圖像中各個器官進行檢測。

2)通過SIFT算法對人臉圖像已經(jīng)選定區(qū)域內(nèi)的關(guān)鍵點進行檢測，設(shè)定(x，y)代表關(guān)鍵點pi所在的坐標(biāo)位置，通過計算pi能夠得到人臉圖像特征向量。

3)選取pi作為人臉圖像的中心，獲取規(guī)格為8×8的圖像區(qū)域。

4)將SIFT和LBP中的特征向量進行加權(quán)組合，獲取人臉圖像中關(guān)鍵點和對應(yīng)鄰域區(qū)域內(nèi)的特征向量。

最后，建立一個分層視覺特征感知模型，該模型分為初級、終極和高級視覺特征感知模型，各個分層模型中具體包括池化層、卷積層和全連接層，其中，運用Q表示卷積核的大小，o表示池化步長，g(x)表示激活函數(shù)，則分層視覺特征感知模型可以通過式(12)進行表示

(12)

式中，Di-1代表各層輸出特征圖的大小；Di代表各層感知模擬單元。

通過分層視覺特征感知模型對各個分層進行感知，根據(jù)感知結(jié)果實現(xiàn)人臉局部特征識別。

3 仿真研究

為了驗證所提融合分層視覺特征感知的人臉局部特征識別方法的有效性，在FERET人臉數(shù)據(jù)庫中選取部分樣本作為測試對象，利用圖3給出：

圖3 測試圖像

為了分析各個方法對人臉局部特征的識別效果，優(yōu)先對圖3中的6個人臉局部特征進行識別，具體識別結(jié)果如圖4所示：

圖4 不同方法的人臉局部特征識別結(jié)果

分析圖4中的實驗數(shù)據(jù)可知，所提方法能夠準(zhǔn)確識別人臉局部特征，但是文獻[3]方法和文獻[4]方法只能夠識別人臉中的部分特征，甚至還有些特征無法識別，充分證明了所提方法的優(yōu)越性。

以下給出14次實驗測試各個方法的識別率和測試時間變化情況，具體實驗結(jié)果如圖5和表1所示。

圖5 不同方法的識別率對比結(jié)果

表1 不同方法的測試時間對比結(jié)果

對圖5和表1中的實驗數(shù)據(jù)進行分析可知，文獻[3]方法和文獻[4]方法的識別率明顯低于所提方法，同時測試時間高于所提方法。由此可見，所提方法能夠以較快的速度和較高的識別率完成識別。

為了更進一步驗證所提方法的性能，以下實驗測試對比各個方法在表情庫和姿態(tài)庫的平均識別率變化結(jié)果，如圖6所示。

圖6 不同方法在表情庫和姿態(tài)庫的平均識別率變化情況

分析圖6中的實驗數(shù)據(jù)可知，不論是在表情庫還是在姿態(tài)庫，另外兩種方法的平均識別率都明顯低于所提方法。由于所提方法在人臉局部特征識別的過程中加入了去噪環(huán)節(jié)，有效濾除圖像中的噪聲，促使整個方法在表情和姿態(tài)方面都能夠獲取比較理想的識別結(jié)果。

4 結(jié)束語

為了有效彌足現(xiàn)有人臉局部特征識別方法存在的不足，提出一種融合分層視覺特征感知的人臉局部特征識別方法。測試結(jié)果表明，所提方法能夠全面提升人臉局部特征識別率，同時還能夠有效減少測試時間，在表情和姿態(tài)庫均能夠獲取理想的識別結(jié)果。