基于仿射變換的多姿態人臉識別技術

摘要：針對人臉識別過程中存在的拍攝角度、多姿態表情特征等影響識別精度和成功率的問題，本文提出了一種基于仿射變化的多姿態人臉識別技術。該技術主要采用仿射變換和攝像成像原理，對不同角度以及多姿態人臉圖像進行調整與歸一化處理，得到人臉矯正后的正面圖像，然后通過算法實現對人臉圖像的識別。最后，經測試結果證明，本文提出的人臉識別技術不僅解決了多姿態特征變化對識別造成的影響，還從一定程度上提高了人臉識別的成功率。旨在為多姿態人臉識別技術研究提供相應的參考。

關鍵詞：仿射變換；多姿態；人臉識別技術；姿態變化；算法設計

近年來，人臉識別技術得到了快速發展。但由于人臉圖像存在傾斜等不同姿態特征變化情況，導致無法成功實現人臉識別[1]。為解決由多姿態變化導致的人臉識別率低等問題，本文提出了一種人臉多姿態矯正方法。實現對人臉姿態的調整，然后利用算法完成對多姿態矯正后的人臉識別。最后，經試驗驗證證明了本文方法的可行性。

一、基于仿射變換的多姿態人臉矯正算法研究

為了實現對多姿態的人臉圖像進行矯正，將根據仿射變換提出并推出關于人臉的姿態調整公式，從而對應的正面人臉圖像，有利于提高測試樣本與訓練樣本的一致性[2]。

（一）仿射變換

仿射變換是一種二維坐標之間的線性變換，它保持了圖像的“平直性”和“平行性”。在圖像處理中，仿射變換通常包括平移、縮放、旋轉等基本操作。通過調整仿射變換的參數，我們可以實現對人臉圖像的姿態調整。結合成像原理和仿射變換推到的二維仿射變換（Affine Transform）公式：

（1）

式（1），X0的仿射變換后的結果為X。如果拍攝目標和攝像機間距超過目標的大小，通過仿射變換可將其看似透視變換。因此從幾何定義上來看，可以將其看作是兩個向量空間之間的仿射變換。所以，常見的仿射變換分為旋轉、縮放和平移三種。

（二）成像原理

計算機科學研究當中透視投影的原理主要是通過投影線的觀察點為起始點，而其成像模型則是經常用到的模型。因此，點A的像a就是光線AB上的所有點的像，具體見圖1所示。

如果攝像機上的固定直角坐標系為O-xyz，z軸與投影軸相互重合并指向對應場景。而x、y軸則與圖像平面坐標軸平行。在真實的攝像機中，圖像平面通常位于攝像機中心后方，并且投影圖像呈倒立現象。為了解決這一問題，通常會將圖像平面位置設定在攝像機中心的前方。

（三）人臉姿態矯正算法設計

在對多姿態人臉識別過程中，想要提高人臉識別的識別率和精度，需要應用人臉姿態矯正算法解決不同傾角的人臉圖像。因此，根據仿射變換和透視成像原理，在此基礎之上對人臉姿態進行旋轉之后，轉換成幾何模型。可以解析出關于人臉姿態圖像的變化，可以實現對人臉旋轉過程中產生的投影平面圖像進行全面分析[3]。三維圖像中旋轉且投影的人臉平面圖像主要分為水平、垂直以及左右等旋轉類型。

1.人臉圖像的傾斜設計

如果旋轉變換的角度為θ1時，那么在仿真變換理論中的旋轉變化公式（1）可以對發生傾斜的人臉圖像姿態進行矯正調整。這樣就可以得到兩種不同的傾斜方向：左傾斜和右傾斜，從而就可以得到對應的調整公式。根據公式即可以得到調整后的人臉圖像像素值所對應的二維坐標，構成新的人臉圖像便是調整之后的人臉圖像。

2.水平旋轉設計

人臉圖像在進行水平旋轉時，此人臉圖像的方向存在旋轉的角度。假設圖像中人臉的方向是朝左方向看去，那么圖像中的人臉輪廓信息呈現出一邊被壓縮，另一邊呈現放大的現象。人臉正面圖像中的人臉姿態兩邊等距長度或者效果相同。假設以圖像中的人臉鼻尖為中心點劃線（界線），那么線左右兩邊的坐標值分別取負值和正值。然后，通過對坐標值的正負值進行不同角度、不同尺度的旋轉，就可以實現對圖像中的人臉姿態進行矯正。簡單來說，就是在人臉圖像中找到中心線，然后以中線為坐標點，進行不同角度的壓縮或者擴張，從而實現對人臉姿態的矯正。

3.垂直旋轉設計

當對人臉圖像進行垂直旋轉矯正時，可以選擇將人臉圖像以鼻尖位置為中心劃分為上下兩部分，并通過擴張或者壓縮的方式進行矯正。然而，需要注意的是，與水平旋轉相似，垂直旋轉矯正也需要對圖像的像素點進行不同角度的調整，以實現人臉姿態的正確糾正。可以結合水平和垂直旋轉的方式來綜合矯正人臉圖像，從而更準確地調整人臉姿態。

二、基于仿射變換的人臉識別算法設計

（一）SURF特征

SURF特征（Speed-Up Robust Features）作為一種尺度旋轉不變的特征，具有檢測子和描述子兩個部分實現對特征的獲取。簡單來說，該特征通過在人臉圖像當中找到某個點或某一些點，并對這些點的特征信息進行提取，且提取過程當中算法的檢測子和描述子等作用下對從圖像中提取的尺度和選擇變化特征進行處理時具有穩定特征。一般來說，SURF在人臉識別過程中，通過將人臉目標和對象等圖像中所存在的所有興趣點進行互相匹配，接著根據互相匹配的結果實現對目標圖像中的位置進行確認。其中，感興趣點也可以 被稱為特征點，它主要指人臉圖像當中存在獨特位置的點，可以是傾角點或者斑點等。而感興趣點的匹配存在距離，需要利用對模板圖像上感興趣點的描述矢量間的距離進行精準計算，從而才能夠進一步判斷興趣點之間是否能夠匹配[4]。

（二）特征匹配算法設計

基于SURF特征的匹配算法主要分為檢測、描述以及匹配等3個部分組成。SURF算法在實時性上相較于SIFT（Scale-Invariant Feature Transform）算法有了顯著提升，并且在多幅圖片下具有更好的魯棒性。SURF的這些特性使其在計算機視覺任務，如物體識別和3D重構中，具有廣泛的應用價值。具體流程見圖2所示。雖然SURF算法在很多情況下表現出色，但在實際應用中可能還需要根據具體任務和數據集調整算法的參數和閾值，以達到最佳的匹配效果。對于涉及敏感信息或需要高可靠性的應用，建議在部署前進行充分的測試和驗證。

（三）改進的人臉識別算法

通過研究發現SURF算法在描述矢量和興趣點匹配等方面存在些許不足，對人臉圖像的表達能力以及處理時間方面存在一定程度的影響。因此，需要進行算法改進。通過深度學習技術的引入和算法改進，成功克服了SURF算法在人臉圖像表達和處理時間方面的不足，提出了一種更加高效和準確的人臉圖像特征提取和匹配算法。這一成果為人臉識別等應用領域的發展提供了新的思路和方法。

1.描述符矢量改進

在對人臉識別過程當中，算法在獲取描述矢量時，存在只應用特征點周圍1/3的信息量的曲線。因此，為了解決該問題使得特征點周圍的所有信息能夠得到全部利用，需要對其描述矢量進行改進。首先，需要計算并獲取每一個特征點的描述矢量時，需要對特征點的每個子塊進行掩模處理，如選擇利用3×3大小的模塊對子塊進行處理，然后再對每個子塊所相對應的模板覆蓋的地方的值，接著將每個子塊模板的值進行相加，計算得出最后的總和，去除在掩模過程當中存在模板重疊的地方，由此就可以得到所需要的值，也是改進后得到的描述矢量。

2.算法匹配改進

為解決SURF算法在人臉圖像識別過程中，對感興趣點匹配時需要對模板和搜索圖像中的感興趣點的對應描述符矢量，其處理時間增加，人臉識別率下降這一問題。本文根據K-Means聚類算法，提出了一種對人臉圖像中人臉姿態的所有特征點進行聚類的理論，實現對圖像中人臉姿態上的感興趣點進行提取和聚類。簡單來說，先利用聚類算法對圖像中的所有感興趣點進行聚類處理，然后再采用SURF算法完成對相似的類之間的興趣點進行互相匹配處理。這樣一來，聚類算法的應用，有效解決了SURF算法在搜索圖像上的興趣點的描述符矢量之間的距離進行計算時存在的興趣點匹配時間增加、識別率降低的問題，同時還進一步提高人臉匹配的效率。

三、測試結果與分析

（一）測試環境搭建

為了進一步證明本文提出的人臉識別技術的可行性，對所提出的方法展開了實驗研究。本次測試過程中所需要用到的人臉圖像主要來源于CMU Multi-PIE人臉數據庫，共選擇抽取50個人，且每個人配備4幅不同姿態的人臉圖像和1幅正面人臉圖像。并將所有測試人員的正面人臉圖像設為訓練集，其他不同姿態人臉圖像設為測試集。同時，在進行人臉識別時，先對測試樣本的人臉圖像和訓練樣本的人臉圖像進行了統一化處理，并提取出了局部以及整體特征向量。測試環境選擇采用新型PC機，該設備搭配了8GB內存、Windows11操作系統、CPU5.8GHz以及Visual Studio 2005。

（二）人臉矯正算法測試

針對多姿態人臉矯正算法的測試，本文選擇以傾斜人臉圖像矯正為例展開實驗。首先，選擇進行矯正的人臉圖像傾斜角度為25°，通過本文提出的算法經過矯正給出了人臉的正面圖像，本文提出的基于仿射變換的人臉圖像矯正算法的可行性，能夠實現對不同傾斜角度的人臉圖形進行矯正處理，并生成正面的人臉圖像。在矯正效果、圖像質量以及人臉檢測與對齊準確性方面均取得了顯著的提升。因此，該算法在多姿態人臉矯正領域具有廣闊的應用前景。

（三）人臉識別算法測試與分析

實驗過程當中，本文選擇利用改進之后的SURF算法，從識別率和識別圖像所耗費的時間等兩個方面進行測試，發現本文提出的人臉識別算法的描述符矢量對人臉信息的識別具有較強的表達能力[5]。這說明該算法的識別率有明顯的提升，耗費時間有所下降。同時，為了進一步驗證本文提出的改進后算法的性能，選擇將其和傳統人臉識別算法之間進行了對比實驗，具體結果見表1所示。

根據表1結果來看，本文提出的算法在對多姿態人臉圖像識別時，比傳統識別算法的識別率有4%的提升，且在識別過程當中，對于每一幅圖像的識別處理時間出現了明顯的降低，占比為23%上下。同時，該算法在對經過人臉姿態矯正算法進行調整過的不同旋轉角度的人臉圖像進行人臉識別時，其矯正前后的人臉識別結果見圖3所示。從圖中可以發現，不同傾斜角度的人臉圖像，在經過矯正算法矯正之后，其識別率大致一樣。但針對左右旋轉的人臉和上下旋轉的人臉進行識別時，矯正之后的人臉識別率得到明顯地提升，由此說明了本文提出的人臉算法的可行性。

四、結束語

綜上所述，通過對多姿態人臉識別中存在的問題進行研究，提出了意中基于仿射變換的多姿態人臉識別技術。重點對多姿態人臉矯正算法展開了研究，發現該方法能夠在一定程度上的角度范圍中實現對多姿態人員圖像矯正，并給出正面的人臉圖像。同時，利用算法對人臉進行識別，經測試證明本文提出的方法不僅可以更好地實現對多姿態人臉的矯正。這對未來多姿態人臉識別領域的研究具有重要現實意義。

作者單位：劉峰 房靈國 杜輝 孫杰 中鐵云網信息科技有限公司

參考文獻

[1]徐勝超.一種新的多姿態人臉圖像識別方法[J].計算機與數字工程，2023，51（2）：468-471，478.

[2]解瑞云，海本齋，劉秀等.基于深度學習的多姿態人臉識別關鍵技術研究[J].河南工學院學報，2023，31（1）：19-23.

[3]顧立春，雷鳴.多姿態的人臉識別算法研究[J].電腦知識與技術，2022，18（21）：70-72.

[4]屈諾希.基于深度學習的人臉檢測方法[D].吉林：長春工業大學，2022.

[5]張毅.多姿態人臉識別關鍵技術研究[D].四川：四川大學，2021.

劉峰（1986-），男，遼寧葫蘆島，本科，工程師，研究方向：信息化。