基于融合分層視覺感知的人臉局部特征識別

韓 笑，韓 劍

(桂林電子科技大學信息科技學院，廣西 桂林 541004)

1 引言

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

在大量的身份鑒定技術中，人臉識別是目前使用范圍比較廣，且最符合人類區分不同個體的有效方式，大部分的人臉識別技術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展路徑。國內外相關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對人臉圖像的關鍵點進行檢測，同時提取直方圖描述子，將各個子集中的描述子進行匹配；同時采用關鍵點提取協方差矩陣中的描述子，通過成功匹配的關鍵點數量對人臉進行匹配，獲取最終的識別結果。余璟等人[4]優先對人臉圖像中的旋轉向量進行編碼，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則區域進行劃分，同時將含有權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]，主要優勢為多分辨率分析，具有較強的信號表征能力。當信號經過小波變換后，能夠通過小波系數進行描述，通過小波系數全面體現信號的不同性質。

(1)

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

(2)

式中，WTf(a，b)代表連續小波變換。

(3)

當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上提出的，通過小波包能夠更加精準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，設定L為分解層數，對人臉圖像進行L層小波分解。

2)最佳小波包基的獲取：

針對已經給定的熵標準進行最佳數計算，實現最佳小波基的獲取。

3)閾值量化：

選取滿足算法需求的閾值，結合閾值對圖像各個層中的高頻系數進行量化處理。

4)小波包重構：

通過小波分解對低高頻系數進行小波重構，最終實現人臉圖像去噪。

2.2 融合分層視覺特征感知的人臉局部特征識別

優先通過Adabost算法對經過去噪處理的人臉圖像進行五官檢測，其中Adabost模型的具體組成結構如圖2所示。

圖2 Adabost模型的組成結構

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。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模式代表的特征比較集中。當使用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，結合SIFT算法進行尺度空間的建立。通過視覺系統對物體進行識別和分析的過程中構建高斯尺度空間，當人臉圖像通過高斯函數進行卷積操作后，會產生不同的模糊效果。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，具體的表達形式為

(6)

式中，σ代表高斯正態分布的標準差取值，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。

根據已經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鍵點，同時結合SIFI，依據特征點的方向信息獲取人臉圖像旋轉不變性的核心。

通過DOG金字塔確定圖像中各個極值點的坐標位置，獲取對應的尺度空間σ和尺度圖像。對于樣本圖像L(x，y)而言，需要獲取當尺度規模為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，設定坐標系中的橫坐標為人臉圖像的梯度方向，而縱坐標設定為梯度方向的幅值累加和。

在上述操作的基礎上，能夠精準確定圖像中各個關鍵點的坐標和方位信息。對關鍵點各個位置上優先設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。將各個關鍵點對應的方向、幅值信息和鄰域內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)將經過去噪處理的人臉圖像進行旋轉調整，使其能夠保持旋轉不變性，同時還能夠將坐標軸旋轉到對應的中心點。其中，人臉圖像進行旋轉的過程能夠表示為

(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)在經過旋轉后的圖像上，將特征點設定為中心，將全部圖像區域進行統一化處理，將圖像區域劃分至對應的圖像子區域中，利用各個子區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，組建維數為128的SIFT特征向量。

當使用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內的像素進行遍歷處理，同時對對應區域的頻數直方圖進行求解，即采用權重對人臉表情較為豐富的區域進行加強處理。為了有效避免特征提取過程中出現的外界干擾，將LBP算法和SIFT算法兩者相結合進行人臉局部特征識別。以下給出詳細的操作流程：

1)優先對人臉圖像進行預處理，提取Harr特征值，將其輸入到弱分類中進行訓練，獲取級聯分類器，同時通過級聯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選定區域內的關鍵點進行檢測，設定(x，y)代表關鍵點pi所在的坐標位置，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，獲取規格為8×8的圖像區域。

4)將SIFT和LBP中的特征向量進行加權組合，獲取人臉圖像中關鍵點和對應鄰域區域內的特征向量。

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，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，根據感知結果實現人臉局部特征識別。

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人臉數據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，優先對圖3中的6個人臉局部特征進行識別，具體識別結果如圖4所示：

圖4 不同方法的人臉局部特征識別結果

分析圖4中的實驗數據可知，所提方法能夠準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，具體實驗結果如圖5和表1所示。

圖5 不同方法的識別率對比結果

表1 不同方法的測試時間對比結果

對圖5和表1中的實驗數據進行分析可知，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庫的平均識別率變化結果，如圖6所示。

圖6 不同方法在表情庫和姿態庫的平均識別率變化情況

分析圖6中的實驗數據可知，不論是在表情庫還是在姿態庫，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節，有效濾除圖像中的噪聲，促使整個方法在表情和姿態方面都能夠獲取比較理想的識別結果。

4 結束語

為了有效彌足現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，在表情和姿態庫均能夠獲取理想的識別結果。