专利汇可以提供一种基于人脸统计知识的人脸识别方法专利检索,专利查询,专利分析的服务。并且本 发明 属于 模式识别 技术领域,具体涉及一种基于人脸统计知识的 人脸识别 方法,该方法利用一张 正面 标准人脸图像作注册,能够得到该人脸在不同 姿态 下的虚拟图像,再应用一个将姿态识别和身份识别分开的两阶段识别策略,解决了注册和识别时人脸姿态变化的问题。本方法包含了一个代表人脸结构统计信息的三维可 变形 人脸模型、一个从正面人脸图像中重建出三维人脸的重建 算法 和一个姿态-身份两阶段识别策略。本发明在仅有一张正面标准人脸图像作注册的情况下仍能获得对侧面测试图像较高的识别率。,下面是一种基于人脸统计知识的人脸识别方法专利的具体信息内容。
1.一种基于人脸统计知识的人脸识别方法,其特征在于包含建立一个三维可变形人 脸模型、一个快速的三维人脸重建算法、一个将人脸识别分为姿态、身份两个阶段的识别 策略,具体步骤分为训练、注册和测试三个阶段:
(1)训练阶段:
首先将姿态定义为P个区间;
对于姿态识别,将同一姿态的人脸图像构成一类,按(3)(4)式分别计算类内散布矩阵Sw 和类间散布矩阵Sb,并得到LDA姿态识别基;将各样本投影到这些基上得到了各样本降 维后的特征;求取同一类样本的均值,作为该姿态人脸图像的特征;
对于身份识别,分别在各个姿态区间将同一身份的人脸图像构成一类,按(3)(4)式分别 计算类内散布矩阵i=1,2,…,p和类间散布矩阵i=1,2,…,p,并得到各自的LDA 身份识别基;
(2)注册阶段:
①对于输入的正面标准人脸图像,利用Adaboost方法进行人脸检测,标识出包含人脸 的图像子区域;
②利用实时AAM方法自动标定人脸图像子区域上n个特征点坐标;特征点数目在40 至100之间;
③对该人脸图像进行三维人脸重建;
④在各个姿态区间分别生成一些小角度姿态变化的该人脸的虚拟图像,将它们分别投 影到相应姿态的LDA身份识别基上,得到了降维后的特征,对这些特征求取均值,作为 该姿态下该人脸的特征;
(3)测试阶段:
①对于输入的测试人脸图像,利用Adaboost方法进行人脸检测,标识出包含人脸的图 像子区域;
②对人脸的图像子区域进行姿态识别;即将人脸的图像子区域投影到LDA姿态识别 基上,得到了降维后的特征,然后与已有的姿态特征进行比较,用最近邻判决法进行分类, 得到该人脸图像的姿态;
③对人脸的图像子区域进行身份识别;即将人脸的图像子区域投影到相应姿态的LDA 身份识别基上,得到了降维后的特征,然后与已有的身份特征进行比较,用最近邻判决法 进行分类,得到该人脸图像的身份;
其中:
类内散布矩阵
类间散布矩阵
这里,
总均值
各类均值
xi,i=1,2,…,N,为所有两维人脸图像按行序或列序排列成的向量,一幅图像对应于 高维空间中的一个样本,C为该样本的类数,Ni为每类中的样本数。
2.根据权利要求1所述的人脸识别方法,其特征在于所述的三维人脸重建算法如下:
首先在三维可变形人脸模型上离线标定特征点下标,对于第k个特征点,其三维坐标 为:
其中为平均人脸形状上该点的三维坐标,(xi k,yi k,zi k)T为第i个形状特征向量上 该点的三维坐标;经过空间变换之后,其坐标变为:
分别表示模型围绕x轴、y轴和z轴的旋转矩阵,s为尺度因子,tx为x轴方向上的平移, ty为y轴方向上的平移;该第k个特征点在图像平面上的投影坐标为:
其中width为两维图像的宽度,height为两维图像的长度,edge为三维视区边界的长度;
定义第k个特征点的投影误差为:
其中(Pxk,Pyk)为式(7)得到的三维人脸模型上第k个特征点在图像平面上的投影坐标, 是注册阶段第②步中用实时AAM方法标定的同一特征点坐标;将所有n个特征点 的投影误差连成一个向量e=(e1,e2,…,en)T∈R2n,并且定义代价函数为:
它是的函数,它考虑了注册图像中人脸的形状、和在 三维空间的旋转、平移与缩放;由式(5)(6)(7)(8)可以显式地得到误差向量e对p的导数,利 用Levenberg-Marquardt算法对其进行优化;当算法收敛的时候,α1即表征了注册图像中人 脸的三维形状;
在完成了三维人脸形状重建之后,利用注册图像对模型进行纹理映射:对于三维模型 上任意一个顶点,其空间坐标为由(7)式得到其在图像平面上的投影坐标为 (Px,Py);将该投影坐标(Px,Py)上注册图像的象素值I(Px,Py)作为三维模型上对应顶点的纹 理就完成了三维人脸的纹理重建;
重建完成之后,通过改变旋转参数θ、φ和γ,就能够得到不同姿态下该人脸的两维 投影图像。
本发明属模式识别技术领域,具体涉及一种基于人脸图像的身份识别方法。
技术背景
虽然人脸识别的研究持续了数十年,但是,时至今日,它依然是模式识别领域中一个 极具挑战性的问题。基于两维的方法在过去的研究中取得了长足发展,其中包括 Eigenface[1],Fisherface[2],以及AAM[3]等等。然而基于两维的人脸识别方法还有一系列 难以解决的问题,例如当人脸姿态、表情以及环境光照(PIE)发生较大变化的时候,系 统的识别率将急剧下降。如何解决人脸在不同姿态、光照和表情条件下的识别问题,仍然 是当前研究的热点。
对于姿态变化的人脸识别问题,传统的方法必须获得足够多的不同姿态下的人脸训练 图像,然而很多情况下这些图像并不可得。但是,对于人脑来说,仅仅需要展示一张正面 的标准人脸图像就能够进行识别的工作了,即使测试图像存在明显的姿态变化。人脑的这 一能力可以归结为联想的功能。
为了模拟人脑的联想功能,实现姿态无关的人脸识别,有两类方法被提出:“归一” 的和“扩展”的。“归一”的例子主要有2003年V.Blanz&T.Vetter[4]提出的三维可变形 的人脸模型,利用它对输入的两维人脸图像进行形状和纹理的双重匹配,能够获得与姿态 无关的三维人脸特征,从而很好地解决了姿态的问题。但是由于它需要对形状和纹理同时 进行优化,耗时巨大且易陷入局部最小,且初始的特征点位置需要手工获得,目前不能实 用。“扩展”的例子有2004年和2005年Yuxiao Huet.al[5][6]提出的一种方法,它用一张 标准图像,利用三维可变形人脸模型重建出该人脸的三维模型。它的特点在于形状上利用 特征点位置自动匹配,纹理上应用纹理贴图技术,从而大大缩短了三维人脸的重建时间。 得到的三维人脸可以合成若干不同姿态的虚拟人脸图像,以提供后端两维识别系统使用。
本发明与上述方法相比,主要特点有:(1)在[5][6]的三维人脸重建算法中,只考虑了 人脸模型在图像平面内的旋转、平移和缩放,本发明考虑了模型的深度旋转,最终使得重 建算法比[5][6]更加准确,比[4]耗时小得多;(2)利用该三维人脸重建算法得到充分的不 同姿态下的虚拟人脸图像,而不需要从现实世界获取这些图像,从而在仅有一张正面标准 人脸图像的情况下使得下一步的姿态—身份两阶段识别策略可以实施;(3)对测试人脸图 像先采用姿态识别后进行该姿态下的身份识别,提高总体身份识别率。
下面介绍与本发明相关的一些概念:
1.三维可变形人脸模型
V Blanz&T.Vetter[4]提出的三维可变形人脸模型取自200个欧洲人的三维人脸数据, 每个人脸数据包含十万左右个顶点,每个顶点的坐标(x,y,z)和纹理(R,G,B)已知。这些三 维人脸数据是通过三维扫描仪扫描得到的。对于原始数据首先需要进行预处理,去除非人 脸的部分,而后要对所有的人脸数据进行点对点的配准,建立高密度的点点对应关系(即 同一个下标的顶点表示同样的语意,比如第1000号顶点对于所有的人脸数据都是鼻尖, 等等)。最后将坐标和纹理数据按(1)式排列成形状和纹理向量:
其中i表示第i个人脸数据,M表示模型的顶点数。为了得到一个更为紧凑的参数表示, 对所有样本的形状矢量和纹理矢量进行PCA(见相关概念2),从而得到了一个三维可变形 人脸模型:
其中s为平均人脸形状向量,αj为第j个形状系数,sj为第j个形状特征向量,ms为截取 的形状主元个数;同理t为平均纹理向量,βj为第j个纹理系数,tj为第j个纹理特征向量, mt为截取的纹理主元个数。通过变化系数αj和βj,即将形状和纹理特征向量分别按照不同 的系数进行线性组合,就能够得到不同形状、不同纹理的三维人脸。
2.PCA
PCA是一种常用的无教师的线性降维方法,它寻找一个线性子空间,以使得样本在该 子空间投影的协方差尽可能地大。以建立三维可变形人脸的形状模型为例,做法如下(假 设共有N个三维人脸数据):
三维人脸数据的形状均值
协方差矩阵
构成PCA子空间的基,即形状特征向量sj可由以下特征分解得到:
Cxsj=λjsj j=1,2,…,ms
3.LDA
LDA是一种常用的有教师的线性降维方法,它寻找一个线性子空间,以使得样本在该 子空间上投影的类内散布紧密、类间散布分散。以人脸图像为例,具体做法如下:
首先我们将所有的两维人脸图像按照行序或者列序排列成列向量的形式 x,i=1,2,…,N,这样一幅图像对应了高维空间中的一个样本。我们假设这些样本共分为 c类,每类有Ni个样本,则有:
总均值
各类均值
类内散布矩阵
类间散布矩阵
构成LDA子空间的基可由以下广义特征分 解得到:
Sbwi=λiSwwi
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种基于人脸三维重建的改进PCA算法 | 2020-05-11 | 146 |
一种利用多目3D视觉传感技术防控儿童近视的系统及方法 | 2020-05-21 | 624 |
一种基于大姿态对准的人脸识别方法及系统 | 2020-05-12 | 419 |
一种高压氧舱人脸识别交互方法及系统 | 2020-05-15 | 388 |
三维人脸识别方法和三维人脸识别系统 | 2020-05-20 | 1007 |
一种基于面部运动单元的三维非真实感表情生成方法 | 2020-05-11 | 951 |
人脸防伪检测方法、装置、芯片、电子设备和计算机可读介质 | 2020-05-17 | 314 |
一种三维人脸重建方法、装置、设备及存储介质 | 2020-05-12 | 897 |
基于多列多尺度图卷积神经网络的3D人脸生成方法 | 2020-05-16 | 685 |
三维人脸图像重建方法、装置和计算机可读存储介质 | 2020-05-14 | 1020 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。