索引词: |
| 人脸识别，非受控图像，归一化，平滑，融合，梯度，重建，特征提取，多人脸模型，频带选择。 |
介绍 |
| 在过去的几年里，人脸识别在执法、生物识别、安全以及其他商业用途领域得到了迅速的发展。虽然人脸识别的可靠性有了显著提高，但仍然不是一直都准确。正确分类图像的能力取决于各种变量，包括照明、姿势、面部表情和图像质量。人脸是人们最常用来识别彼此的一种方式。在进化的过程中，人类大脑已经发展出高度专门的区域，专门用于分析面部图像。 |
| 在过去的几十年里，人脸识别一直是一个活跃的研究领域，许多类型的算法和技术被提出来与人脑的这种能力相媲美。然而，人们质疑，人脸本身是否足以作为识别一个来自大量人群的人的准确依据。事实上，人类的大脑也依赖于大量的上下文信息，并在有限的人口中运作。 |
| 影响人脸识别系统性能的最成问题的扰动是位姿和光照的强烈变化。一般来说，不同人脸图像之间的变化要小于在不同环境下同一人脸图像的变化。 |
| 人脸验证系统验证一个人声称的身份，并决定声称的身份是否正确。在这种情况下，我们有有限的用户群，在大多数情况下，我们可以强制或要求正面姿势的方向。不幸的是，我们在照明条件方面仍然有问题。人脸识别测试表明，光照变体是人脸识别/验证的瓶颈之一。如果光线条件不同，画廊的标识判定在很多情况下是错误的。解决这个问题有两种方法。基于模型，基于预处理。 |
| 基于模型的光变化模型。不幸的是，这需要大量的训练数据，当我们有复杂的照明配置时，有时会失败。第二种方法采用预处理方法去除光照影响效应，无需任何附加知识。因此，这些方法对于大多数情况下的识别系统来说还不够实用。 |
| 该系统用于同一人在不同光照条件下的两张人脸图像的匹配。在预处理阶段，将光照敏感图像转化为光照不敏感图像，然后将多个具有互补特征的分类器组合在一起，而不是提高单个分类器的精度。分数融合计算分数的加权和，其中权重是组件分类器的判别能力的度量。该系统在不同光照条件下的人脸识别均取得了较好的准确性。 |
| 光照变化是人脸识别的主要障碍。因为在不同的光照下，同一个人的面部形象会发生变化。有时，同一人之间不同照度的变化大于同一照度下不同人之间的变化。 |
| 预处理算法已被开发出来，以尽量减少光照变化对人脸识别的影响，并且在三维人脸模型训练阶段出现了许多发展和优势。In提出了一种基于图像的技术，该技术采用对数全变分模型将两幅对齐的人脸图像分解为光照依赖分量和光照不变分量。 |
| 提取用于人分类的特征，以识别人脸图像对环境变化的任何不变性。在本文中，我们扩展了AFD[6]，以有效地处理大量未受控的人脸图像。这个学习过程是通过使用二维离散傅里叶变换独立于各种选定的频段完成的。该特征提取框架的引入是为了去除不必要的频率部分，以满足人脸识别的场合要求。给出了三种类型的傅里叶特征域，即串联实虚分量、傅里叶频谱和相位角。 |
| 每个分类器提取的信息很好地总结在每个分类器产生的分数中。因此，可以通过处理组件分类器生成的分数集并生成新的单个分数值来实现对分类器的组合。我们称这个过程为“分数融合”。以往的分数融合方法有和规则、积规则、加权和、贝叶斯法、投票法等。在本文中，我们考虑了一种基于概率方法的分数融合方法，即对数似然比(LLR)用于人脸识别。 |
拟议的人脸识别系统 |
| 所提出的人脸识别系统由一种新的光照不敏感预处理方法、基于傅里叶的混合人脸特征提取和分数融合方案组成。首先，在预处理阶段，通过对人脸图像的平滑梯度进行归一化和积分，将人脸图像转化为光照不敏感图像，称为“积分归一化梯度图像”。然后，应用基于混合傅里叶特征的多个人脸模型进行互补分类器的特征提取。 |
| 从不同频段的不同傅里叶域提取混合傅里叶特征，然后通过线性判别分析对每个特征进行分类。此外，将具有不同眼距的多个归一化人脸图像生成多个人脸模型。最后，采用基于对数似然比的分数融合方法，对多个互补分类器的分数进行融合。该系统由三个阶段组成， |
| ？?光照不敏感预处理方法 |
| ？?基于傅里叶的混合人脸特征提取 |
| ？?分数融合方案 |
光照不灵敏度预处理方法 |
| 相对于工作室中受控的光照变化(室内，当天，头顶)，在不受控的光照情况下(室外，不同的日子)实现较高的识别精度是很困难的。主要原因是光照变化引起的图像失真使得不同人在相同光照条件下的图像更相似，而不是同一人在不同光照变化下的图像。 |
| 在进行光照归一化之前，将进行图像分析技术。这里考虑了两个因素。内在因素是光照自由的，代表人脸图像的身份，而外在因素对光照变化非常敏感，只有部分身份信息包含在3-D形状中。通过增强输入图像的内在因子，抑制输入图像的外在因子，可以得到光照不敏感图像。 |
| 光照不灵敏度预处理是该系统的第一步。在此阶段，将输入图像分解为低频分量图像和高频分量图像。对高频分量图像进行平滑处理，低频分量图像进行归一化处理。将处理后的低频分量图像与高频分量图像相结合进行重建。这叫做积分归一化梯度图像。 |
| 图3。积分归一化梯度图像的结构 |
| 由于完全去除光照变化会导致人脸识别的有用信息丢失，我们将重建图像与原始输入图像融合。 |
特征提取 |
| 在这个人脸识别系统中，基于不同的视距，有选择性的频率带宽和多个人脸模型。为了获得更强的识别特征，提取了多块傅里叶特征。 |
| 首先将输入图像分成几个块，然后对每个块应用二维离散傅里叶滤波器。最后，利用频带选择规则对数据块提取的傅里叶特征进行拼接。 |
| 在特征提取中，从实分量和虚分量(RI)域、傅里叶频谱(Γ)域和相位角(Φ)中提取三种不同的傅里叶特征 |
| 在不同的频率带宽(B1,B2,B3)。利用PCLDA理论将所有傅里叶特征独立投影到判别子空间中。 |
基于多人脸模型的鲁棒人脸识别 |
| 在计算机视觉任务中，通常使用内部面部组件，因为外部特征(如头发)对人脸识别来说变化太大。然而，在人类的情况下，结果表明，内部和外部的面部线索都很重要，而且，人类的视觉系统有时会强烈利用整体头部形状来确定面部身份。 |
| 在这方面，这里提出了一个由三个不同眼距的人脸模型在相同图像大小下组成的多人脸模型。它旨在模仿人类的视觉系统，从面部内部成分到面部外部形状来检测面部图像。 |
| 最后一个，主要的面部模型，是精细模型和粗模型之间的妥协。既然它们都有各自有趣的方面可供分析，那么每个人脸模型都可以在人脸识别系统中为其他人脸模型发挥固有的作用。 |
分数融合 |
| 可以通过处理组件分类器生成的分数集并生成新的单个分数值来实现对分类器的组合。这个过程被称为“分数融合”。本系统评分融合方法基于概率方法，即对数似然比(LLR)进行人脸识别。 |
| 如果分数的真实分布已知，基于llr的分数融合是最优的。然而，真实的分布是未知的，所以我们必须估计分布。基于训练数据集中分数分布的参数估计，提出一种最优分数融合的简单近似。 |
实验结果与讨论 |
| 所提出的系统是实现使用Matlab程序与GUI，其中它是评估压缩图像。在几张真实图像上对算法的性能进行了评价。这些图片是用于人脸识别算法的最广泛使用的标准测试图像。 |
| 将原始图像分解为低频分量图像和高频分量图像。对高频分量进行平滑处理，低频分量进行归一化处理。将处理后的低频分量图像与高频分量图像相结合进行重建。 |
| 人脸识别过程下用GUI实现。首先利用预处理技术对输入图像条件进行归一化处理，然后提取特征，利用分类器从数据库图像中识别输入图像。 |
| 识别率(RR) |
| 识别率用于评价各种人脸识别算法的质量。RR公式定义如下: |
| RR=正确识别的人脸数量× 100人脸总数 |
| 处理时间是评估所提出方法的计算时间和每个基于局部特征的方法的特征提取阶段的过程。 |
结论 |
| 在该人脸识别系统中采用预处理、特征提取和分类器，以及分数融合等方法对不受控制的光照情况进行处理。首先，采用预处理方法，将人脸图像转化为光照不敏感图像。基于傅立叶的多面模型混合分类器，主要由三个傅立叶域、串联实虚分量、傅立叶频谱和相位角组成。 |
| 从每个域各自的频段内提取傅里叶特征，并利用PCLDA方案将每个特征投影到线性判别子空间中，以获得类的最大判别幂。多种面部模型，即精细、主导和粗糙面部模型。有相同的图像大小与不同的眼距。 |
| 多个人脸模型总是比主流人脸模型表现更好。此外，为了有效地利用这几种分类器，在人脸识别系统的最后阶段采用了基于LLR的评分融合方法。 |
未来的工作 |
| 在此工作中，为了提高在未受控情况下图像的识别率，加入了姿态变化和年龄变化。基于仿射变换的位姿变化(正面位姿图像的位姿校正)和基于年龄模拟或年龄映射的年龄变化。 |
数字一览 |
 |
 |
| 图1 |
图2 |
|
参考文献 |
- Belhumeur P.N和D. J. Kriegman，“在所有可能的照明条件下，一个物体的图像集是什么?”IEEE计算机会议。Recognit模式。，Jun. 1996, pp. 270– 277.
- Ramamoorthi。R和P. Hanrahan，“关于亮度和辐照度之间的关系:从凸朗伯天体的图像确定照明”，J. Opt. Soc。Amer卷。18日,没有。10，页2448 - 2459,2001。
- Shashua。A和T. Riklin-Raviv，“商图像:基于类的重新渲染和识别与不同的照明，”IEEE Trans。模式肛门。马赫。智能。，vol. 23, no. 2, pp. 129–139, Feb. 2001.
- 王。李双生，王永勇，“广义商象”，《ieee计算程序》。可见模式识别。，Jul.2004, vol. 2, pp. 498–505.
- 李，殷玮，邓之，“基于对数全变分模型的人脸光照传输，”Int。J.Comput。图。，vol. 26, no. 1, pp. 41–49, Nov. 2009.
- 基于傅里叶和强度LDA特征的高级人脸描述子，ISO/IEC JTC1/SC29/WG11-MPEG-8998, 2002年10月。
- A. Jain, K. Nandakumar，和A. Ross，“多模式生物识别系统的分数标准化”，模式识别。，第38卷，no。12，页2270-2285,2005年12月。
- J. Kittler, M. Hatef, R. P. Duin和J. Matas，“关于组合分类器”，IEEE Trans。模式肛门。马赫。智能。，vol.20, no. 3, pp. 226–239, Mar. 1998.
|
菜单
