论文投稿_医学论文投稿_核心期刊,职称论文投稿发表_论文部落

　　摘要：提出一种融合角点特征匹配算法的人脸优化识别方法。采用主成分分析方法对人脸图像进行三角剖分，通过统一框架下的纹理映射，对人脸在旋转过程中的投影变换进行人脸姿态变化轮廓提取和角点融合定位。采用模板匹配方法进行角点特征提取，实现角点特征的匹配融合，达到人脸优化识别的目的。仿真结果表明，该方法进行人脸识别的准确度较高，特征匹配性能较好，提高了安全身份认证系统的性能。

　　关键词：人脸识别；特征匹配；身份验证

　　引言

　　研究人脸优化识别算法，在安全身份认证系统设计和视觉分析等领域具有重要的应用意义[1]。人脸识别的研究涉及图像处理、模式识别、认知科学、人工智能等相关科学。传统方法中，对人脸识别方法主要有基于主成分分析的人脸识别算法、基于模板匹配的人脸识别算法和基于小波变换的人脸识别算法等[2]。后来出现了很多改进的方法，比如：子空间判别模型、LDA判别方法、增强判别方法等等[3-7]。采用上述方法，当人脸面部特征的类内离散度较小时，人脸识别的准确度不高[8-10]。本文提出一种融合角点特征匹配算法的人脸优化识别方法。首先采用主成分分析方法对人脸图像进行三角剖分，然后进行角点定位，采用模板匹配方法进行角点特征提取，实现角点特征的匹配融合，达到人脸优化识别的目的，最后通过仿真实验进行了性能测试，展示了本文方法在提高人脸识别的准确度方面的优越性能，得出有效性结论。

　　1人脸图像三角剖分和特征点提取

　　1.1人脸图像三角剖分

　　首先获取人脸样本图像中的信息，采用三角剖分方法进行特征提取，其次是样本图像集的归一化处理，对归一化处理的数据进行统计分析，选择一组合适的训练集，一般是手动标记训练图像中能充分说明图像属性特征的各个特征点，每幅图像标记ν个特征点构成形状s。

　　采用PCA变换，对标记好的形状区域内的对象纹理信息进行图像纹理集合特征提取，得到一个线性的统计形状模型：

　　建立一个可逆的映射方程式，然后将这个表观区域映射到一个已设定的基准形状网格，在该形状网格内进行一致的参数采样，再将它们映射回各自的纹理区域，通过统一框架下的纹理映射对人脸在旋转过程中的投影变换进行人脸姿态变化轮廓提取，得到基于主成分分析的人脸姿态变化轮廓提取结果，如图1所示。

　　人脸图像围绕图像的中点进行仿射变换，选取窗口为3×3，使用三维空间中的旋转投影进行人脸图像增强处理，且在不同的多媒体视觉特征采集环境下，对人脸在旋转过程中的投影图像进行矫正分析，采用三角剖分得到两幅不同大小的二值前景图像，表示为N1×N2的人脸边缘轮廓特征矩阵，输出测试样本y的类别：

　　其中，Wfinal是人脸的旋转过程的权值矩阵W，Di是第i类训练样本两脸颊夹角，存在一个小波尺度变换系数f（n1，n2）和g（n1，n2），假定f（n1，n2）和g（n1，n2）的具有自相关性，得到一副三角剖分后的人脸图像为S，大小为m×n，人脸发生垂直旋转时平面上的网格点为{（x，y）|x=1，2，…，my=1，2，…，n}，通过三角剖分，以人脸剖分后的轮廓线为参照线，进行边缘轮廓特征提取，为人脸识别奠定基础。选择其中一个样本得到的三角剖分结果如图2所示。

　　1.2角点特征检测技术

　　在上述进行图像的三角剖分基础上，进行角点检测，采用平面阵对特征信息进行兴趣点检测和跟踪，在多媒体视觉下提取人脸认证信息的兴趣点特征，得到感兴趣点匹配的跟踪量化值V（Mmi）的计算式为：

　　先利用高斯与图像的卷积设计特征提取算法，再对归一化后的纹理进行PCA，实现了表观建模。表观模型可以表示为：

　　当初始位置与目标真实特征点的位置较近时，更新形状参数，根据角点检测结果，接近目标的真实轮廓，得到输出的角点特征的主方向判别函数为：

　　其中，是合成运算。对上式进行一阶泰勒展开得到：

　　基于角点检测结构，构建人脸识别的头部横切面模型，如图3所示。

　　图3中，将人脸识别横切面抽象成为一个等腰三角形。采用SURF算法，根据网格点在图像中的不同位置，得到人脸信息特征点的三维成像在网格点（x'，y'）处的灰度值：

　　其中，TC为视点控制的偏移误差，设Fm（x，y）为第m帧（x，y）处的像素灰度值，得到Md（Ci）表示Ci中的灰度像素特征。通过上述角点检测结果，对人脸图像进行分块处理，通过模板匹配进行人脸识别。

　　2人脸识别方法改进实现

　　在上述进行人脸图像的三角剖分和角点检测的基础上，进行角点定位，采用模板匹配方法进行角点特征提取，实现角点特征的匹配融合，达到人脸优化识别的目的，改进算法的设计关键技术描述如下，假设人脸图像位姿转置j的广义逆RRT为：θstart∈θfree（自由C-空间），结合图3，得到正面人脸在p平面的投影图像的垂直旋转投影为：

　　其中，θ为左右旋转的角度，两脸颊单元尺度变换为pobj，S'在网格点（x'，y'）处的紧耦合集合gc，人脸姿态的目标位形θgoal未知，在尺度空间内进行加权，在使用600的滑窗来计算特征点的主方向，满足非线性复杂系统的规划路径：τ：[0，1]→Cfree，使得映射τ[0]=θstart，τ[1]=θgoal，（pobj，gc）→f（θgoal），在建立基于参数化的统计纹理模型时，计算协方差矩阵：

　　由于模板图像A0（x）是常量，而且Jacobian矩阵、Hessian矩阵以及平均纹理的梯度值均与位置x无关，可以根据检测出的嘴角、眉毛、眼睛的具体位置调节初始形状状态，使得初始化形状更接近目标的真实轮廓，根据纹理特征向量建立线性的统计参数化的纹理模型。在分析经典方法不足的基础上，采用增量主成分分析方法，假设前l个向量e1，e2，…，el两两关于矩阵D正交，得到人脸图像的角点特征在核空间的投影为：

　　其中，K（：，xi）=[K（x1，xi），…，K（xm，xi）]T，当时，由可知：

　　通过上述处理，建立基于参数化的统计纹理模型，采用模板匹配方法，融合角点特征，实现识别，此时用高斯模糊隶属度样本集D表示人脸样本库中的测试样本y，采集一个人脸数据库用于建立统计样本信息，实现人脸识别算法改进。本文设计的人脸识别算法的实现步骤如下。

　　输入：人脸识别系统的人脸数据采集节点的隶属度样本y和特征集D的每列；，l是训练集中的人脸信息的个数。

　　输出：α

　　初始化参数，从t=1开始：

　　⑴计算人脸数据灰度信息余项e（t）=y-Dα（t）。

　　⑵人脸图像三角剖分，得到加权值：