基于環形核的旋轉不變性特征提取方法

王　迪，陳岳林，蔡曉東，呂　璐

(桂林電子科技大學 機械工程學院，廣西　桂林　541004)

基于環形核的旋轉不變性特征提取方法

王迪，陳岳林，蔡曉東，呂璐

(桂林電子科技大學 機械工程學院，廣西桂林541004)

摘要:針對人臉在XOZ平面內旋轉，即在圖像所在平面內人臉產生的旋轉，因特征值變化大導致人臉識別率降低的問題，提出了一種新穎的基于環形核的旋轉不變性特征(Circular Kernel Feature，CKF)提取方法。所提算法有兩個創新點，第一點是給出了環形核的建立方式，定位人臉上明顯的特征部分。第二點是提供了特征的旋轉不變計算方式。首先建立環形核，定位人臉上明顯特征的坐標區域；然后，用旋轉不變的計算方式獲取定位區域的特征值。在Georgia Tech人臉數據庫上的實驗證明：人臉旋轉前后CKF的值相較Gabor，LBP等特征值的變化小了98%。

關鍵詞:CKF；旋轉不變；環形核

1人臉識別

人臉識別常以比較人臉特征向量的方式衡量相似度，特征向量由特征值計算方式以及特征點定位兩部分構成。人臉識別的難點在于人臉發生旋轉的前后，人臉上相同位置的特征值發生了改變，導致同一個人臉旋轉前后特征向量不同，相似度降低，識別不出是同一個人。基于解決這個問題，有提出放射變換和透視原理的人臉多紫臺矯正方法，利用改變圖像比例，旋轉角度來矯正旋轉后的人臉，但是這種方法只針對旋轉小于±45°的人臉有效[1]。還有的人臉檢測中將檢測到的區域顏色信息特征向量作為人臉特征，這種算法過分依賴人臉檢測準確率而且耗費時間較長[2]。也有一些算法采用廣義旋轉不變性核函數，可以大幅提高抗噪能力，但是搭建過程復雜，識別率受參數影響較大，容易過擬合[3]。

本文提出了一種旋轉不變特征，首先由ASM[4]定位到人臉的鼻尖點，以此為旋轉中心；其次，標定所需的人臉特征極坐標，每個特征點坐標由半徑和角度兩個參數決定；最后求該坐標附近3×3區域的像素均值作為該坐標點的特征值。由此得到的特征向量依然會隨人臉旋轉發生改變，因此半徑相同的坐標點的特征值要按從小到大的順序存放入特征向量。這樣即使人臉在XOZ平面內旋轉，特征向量也不會發生變化。

2CKF特征提取

提取CKF需要構建一個環形核保存特征點的特征值，特征點由半徑和角度兩個參數決定，半徑相同的特征點作為一環存入一個特征向量。人臉上所有點之間的距離不會隨人臉旋轉發生變化，因此當確定一個旋轉中心后，任一定位到的特征點在人臉旋轉前后都處在同一個環上。

2.1構建環形核

本文提出了一種CKF特征，它提取了人臉旋轉不變性特征。

首先，為了構建環形核本文采用了ASM模型[5]定位出圖像的鼻尖點，如圖1所示第52號點作為旋轉中心點。半徑是由人臉上幾處關鍵點位置[6]決定的，本文給出5個位置，均由ASM定位獲取，它們分別到旋轉中心的連線作為5個環的半徑。如圖1所示，5條連線即5個環的半徑，這5個關鍵點由近及遠依次為：人中頂部點(第56號點)、左鼻翼最左點(第58號點)、上嘴唇下沿中點(第67號點)、嘴巴左邊角點(第59號點)、左眼瞳孔中心點(第38號點)。這些都是梯度較大點，特征信息較多，因此選這些點所在環的特征值作為人臉特征信息。

圖1　ASM定位點圖

其中，5條連線的交點即第52號點是旋轉中心點；鮮紅色連線的末端即人中頂部點(第56號點)；黃色連線的末端即左鼻翼最左點(第58號點)；綠色連線的末端即上嘴唇下沿中點(第67號點)；深紅色連線的末端即嘴巴左邊角點(第59號點)；黑色連線的末端即左眼瞳孔中心點(第38號點)。

任意特征點的角度是由該點的半徑決定的，L(周長)=2×π×R，向下取整得到該特征點所在環的像素點個數，被360°整除，得到該環上每個特征點的角度間隔，即人臉上每環像素點極坐標確定了，如圖2所示。

圖2　每一環的角度分布圖

L=2×PI×R，N=[360/L]

(1)

式中：L表示一環有L個像素點；“[ ]”表示向下取整；N表示一環有N個特征點。

2.2計算旋轉不變性特征值

算法流程如下：

1)for i=0，…，num_ring

2)for j=0，…，num_pixes

計算每個像素點的局部均值作為該點的像素值；

存入pixes[num_pixes]數組；

3)endfor；

4)for m=0，…num_pixes-1

5)for n=m+1，…，num_pixes

6)if pixes[n]

temp=pixes[n]；

pixes[n]=pixes[m]；

pixes[m]=temp；

7)end if；

8)end for；

9)end for；

10)end；

其中：num_ring表示總環數；num_pixes表示每環的特征點個數；pixes[num_pixes]表示每環存放特征點的數組。具體計算過程如下。

搭建好環形核，在這些極坐標處計算特征值并按序存放。首先，將每個極坐標轉換為人臉圖像上的直角坐標，在每個特征點3×3鄰域計算像素均值，作為該特征點的特征值，目的是降低定位帶來的誤差，取定位到的特征點的特征模糊值，如圖3所示。

X=(a1+a2+a3+a4+a5+a6+a7+a8)/8

(2)

圖3　特征模糊值計算圖

式中：S={a1，a2，a3，a4，a5，a6，a7，a8}表示某像素點X的周圍8個像素點的集合；ai(i≤8)表示第i個像素點的像素值。

每環的全部特征值要按從小到大的順序依次存入一個特征向量，因為人臉發生旋轉前后，任一特征點都在同一個環上，但是在環上的位置會發生變化。因此CKF在保存特征值的時候是按序存放，即使人臉發生旋轉，特征向量中的特征值順序不發生變化。旋轉前后的人臉圖像對比每環特征向量都大致相同，如圖4所示，即CKF是旋轉不變的特征。

圖4　旋轉不變性計算圖

算法流程如下：

1)for m=0,…num_pixes-1

2)for n=m+1,…,num_pixes

3)if pixes[n]

temp=pixes[n];

pixes[n]=pixes[m];

pixes[m]=temp;

4)end if;

5)end for;

6)end for;

其中，num_pixes 表示每環有num_pixes個特征點，pixes[num_pixes]表示每環的特征點都存放這個數組，將每環的特征點按特征從小到大的順序存放。因此旋轉前后同一環上的pixes[num_pixes]的值是相同的。由圖4可以看出，旋轉前后人臉的CKF相同，即CKF的旋轉不變性。

3實驗及結果分析

3.1實驗目標及過程

實驗采用Georgia Tech人臉數據庫50人，每人15張不同姿態的人臉圖像，共計750張。使用該人臉數據庫原因如下：1)每個人都有多張XOZ平面內的旋轉圖像；2)背景干擾小；3)像素足夠清晰。

實驗階段將每個人的正臉和在XOZ平面內發生旋轉的圖像取出。以單個人為例，提取正臉的CKF和一個旋轉后人臉的CKF，如圖5部分樣本所示。旋轉前后的人臉都用一個CKF構成的特征向量表示，圖5a是旋轉前的正臉，圖5b是旋轉后的臉。計算一個人的旋轉前后圖像的特征向量的歐氏距離。同理提取人臉的Gabor[7]和LBP[8]特征，結論見圖6所示。

圖5　人臉數據庫

圖6　不同算法提取的特征向量歐氏距離對比圖

3.2實驗結果與分析

實驗結果如圖6所示，其中提取的是Georgia Tech人臉數據庫中750張圖像的CFK作為特征向量，比較旋轉前后兩圖像特征向量的的歐氏距離，平均歐氏距離為400，而提取Gabor和LBP特征作為特征向量，旋轉前后圖像的平均歐氏距離達到了20 000以上。因此實驗證明：CFK特征較Gabor，LBP這類傳統特征具有較強的旋轉不變性。

4結束語

本文提取人臉的CKF特征，該特征：1)建立的環形核，核內特征值不會隨人臉旋轉而發生改變；2)在ASM定位準確時，由實驗數據可知CKF相比Gabor和LBP兩種特征，對于人臉旋轉更具有魯棒性，可推廣到人臉識別應用領域。未來進一步的研究方向是在其他平面內改進CKF，最終實現CKF適用于人臉的各種姿態變化。

參考文獻：

[1]GUO B F，LAM K M，LIN K H，et al.Human face recognition based on spatially weighted Hausdorff distance[J].Pattern recognition letters，2003，24(3)：499-507.

[2]祝磊，朱善安.人臉識別的一種新的特征提取方法[J].光電工程，2007，34(6)：122-125.

[3]HAMSICIONUR C. Rotation invariant kernels and their application to shape analysis[J].IEEE transactions on pattern analysis and machine intelligence，2009，31(11)：1985-1999.

[4]LI D，KONG F. Facial feature point extraction using a new improve active shape model[J].International congress on image & signal processing,2010(2)：944-948.

[5]MILBORROW S，MORKEL J，NICOLLS F. The MUCT landmarked face database[EB/OL].[2015-08-24]. https://www.researchgate.net/publication/264885609_The_MUCT_Landmarked_Face_Database.

[6]MILBORROW S，NICOLLS F. Active shape models with SIFT descriptors and MARS[EB/OL].[2015-08-24].http://xueshu.baidu.com/s?wd=paperuri%3A%285a8b47ec4e9b9f94367f00bfa93f45c0%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Fdx.doi.org%2F10.5220%2F0004680003800387&ie=utf-8.

[7]王慶軍，張汝波.基于Log-Gabor和正交等度規映射的人臉識別[J].計算機科學，2011，38(2)：274-276.

[8]王映輝. 人臉識別—原理、方法與技術[M].北京：科學出版社，2010.

王迪(1988— )，碩士生，主研智能視頻分析與人臉識別；

陳岳林(1968— )，碩士生導師，主研機制、機電等；

蔡曉東(1971— )，碩士生導師，主研并行化圖像和視頻處理、模式識別與智能系統、基于云構架的智能傳感器網絡，為本文通訊作者；

呂璐(1992— )，碩士生，主研智能視頻分析與人臉識別。

責任編輯：時雯

Feature extraction method based on CKF for face recognition

WANG Di，CHEN Yuelin，CAI Xiaodong，Lü Lu

(SchoolofInformationandCommunication，GuilinUniversityofElectronicTechnology，GuangxiGuilin541004，China)

Abstract:A novel mechanism named CKF(Circular Kernel Feature) for solving the problem that face recognition rate reduced by rotation is proposed in this paper. Firstly， characteristics of rotation in-variants are defined. Then， to establish the annular nuclear，striking features are located. Secondly， eigenvalues by rotation invariant method are calculated . Experimental results show that， compared with traditional Gabor and LBP， the Euclidean distance of CKF achieved 98 percent reduction using Georgia Tech database.

Key words:CKF；rotation invariant；circular nucleus

中圖分類號:TP391.4

文獻標志碼：A

DOI：10.16280/j.videoe.2016.03.001

基金項目：國家科技支撐計劃課題項目(2014BAK11B02)；廣西科學研究與技術開發計劃項目(桂科攻14122007-5)；廣西自然科學基金項目(2013GXNSFAA019326)

作者簡介：

收稿日期：2015-08-24

文獻引用格式：王迪，陳岳林，蔡曉東，等.基于環形核的旋轉不變性特征提取方法[J].電視技術,2016，40(3)：1-4.

WANG D，CHEN Y L，CAI X D，et al.Feature extraction method based on CKF for face recognition [J].Video engineering,2016,40(3)：1-4.