兼容人臉老化識別的單樣本人臉識別方法技術

本發明專利技術提供一種兼容人臉老化識別的單樣本人臉識別方法，包括：對預存的人臉樣本圖像模型進行老化模擬，重構人臉樣本圖像模型；對待識別人臉圖像模型和人臉樣本圖像模型進行全局特征匹配，若匹配失敗，則識別結果為不匹配；對待識別人臉圖像模型和人臉樣本圖像模型進行局部特征匹配，若匹配失敗，則識別結果為不匹配；待識別人臉圖像模型為待識別人臉圖像的主動表觀模型，人臉樣本圖像模型為預留人臉樣本圖像的主動表觀模型。本發明專利技術結合AAM和IBSDT實現并提高了兼容人臉老化影響的識別，結合AAM和Delaunay三角劃分匹配，大幅提高了全局特征匹配的可靠性，結合LBP和SURF提高了局部特征匹配的可靠性和光照魯棒性，并最終實現了預留人臉圖像為單樣本時的高識別率。

【技術實現步驟摘要】

本專利技術涉及人臉識別
，尤其涉及一種兼容人臉老化識別的單樣本人臉識 別方法。
技術介紹
人臉圖像處理與識別是計算機視覺領域和圖像處理領域的重要研究課題，一直受 到諸多研究人員的關注。在刑偵、醫療、娛樂、信息、空間等領域中，人像的處理與變換有著 廣泛的應用需求。 人的年齡是一個隨時間變化的長期過程，會使人臉的外部表現產生比較明顯的變 化。在人臉識別系統中不僅要解決同一個人同一時期人臉圖像中的噪音、畸變等問題，還要 解決同一個人不同時期（跨度時間可能長達數十年）、不同環境下攝取的人臉圖像的識別 問題。這在學術上和應用系統的設計中都是個挑戰。 根據研究重點與技術手段的不同，人臉識別算法的發展歷程大致經歷了三個階 段： 第一，1990年之前：這一階段的人臉識別以幾何特征為主，主要包括：基于人臉幾 何結構特征的人臉識別，基于面部曲線結構特征的人臉識別等。但是因為沒有考慮灰度紋 理信息，因此推廣和應用性不好。 第二，1991-1997年：這一階段，出現了著名的FERET人臉識別算法測試以及一些 商用人臉識別系統；人臉識別算法的主要集中在二維人臉線性子空間分析和統計模式識別 等方面，例如：Eigenface方法（PCA)和Fisherface方法（LDA)直到現在仍然是人臉識別領 域的常用主流算法，但主要用于多樣本人臉識別；彈性圖匹配（EGM)用屬性圖來描述人臉， 可用于單樣本人臉識別，但由于大量的數據和復雜的變形比對，導致時間、空間復雜度高， 使得其應用性變差；主動形狀模型ASM和主動表觀模型AAM是基于統計描述方法，可用于人 臉識別，ASM僅對樣本形狀進行統計建模，而AAM不僅建立了形狀統計模型，同時建立全局 紋理變化模型，被廣泛用于目標檢測、識別、姿態校正等領域。 第三，1998年至今，越來越多的研究人員與資金投入到人臉識別領域的研究，商用 人臉識別系統得到了長足發展，對實際應用產生很大影響的光照、姿態、表情、年齡和單樣 本識別等問題成為研究重點，其中，單樣本識別是指，數據庫中一個人只有一張預留樣本可 供訓練和識別，例如公安數據庫中，身份證照片預留樣本只有一張。 當前，商用人臉識別系統在實際的應用中，許多識別算法在不同的限制條件下，識 別率會受到較大影響，很難達到理想的識別效果。難點主要集中在光照、姿態、表情、年齡和 單樣本識別等關鍵領域： 第一，人臉外形具有不穩定性，會產生各種不同的表情，而且，在不同角度觀察，容 易產生不同的視覺成像效果，對于人臉識別效果的穩定性和準確性帶來了挑戰。 第二，隨著年齡的增加，面部特征會發生老化變化。 第三，人臉圖像采集過程受光照、遮蓋（裝飾、眼鏡、頭發、化妝等）和低質量圖像 等多種因素的影響。 第四，對于同一算法，當訓練樣本數減少時，識別正確率也可能大幅下降，因此單 樣本識別問題困難尤其突出。例如，主流的Eigenface和Fisherface方法的最佳預留圖像 數目是8~10張，其識別正確率隨著訓練樣本個數的減少逐漸下降。 值得關注的是，對于商用人臉識別系統，很多情況下，多種上述負面影響因素可能 會同時出現，影響整個系統的識別正確率。
技術實現思路
在下文中給出關于本專利技術的簡要概述，以便提供關于本專利技術的某些方面的基本理 解。應當理解，這個概述并不是關于本專利技術的窮舉性概述。它并不是意圖確定本專利技術的關 鍵或重要部分，也不是意圖限定本專利技術的范圍。其目的僅僅是以簡化的形式給出某些概念， 以此作為稍后論述的更詳細描述的前序。 本專利技術提供一種通過兼容人臉老化識別以提高識別準確率的兼容人臉老化識別 的單樣本人臉識別方法，并進一步通過AAM模型結合Delaunay三角劃分匹配提高識別結果 的可靠性，通過LBP和SURF判斷方法提高識別結果的光照魯棒性，并最終實現單樣本的高 識別率。 本專利技術提供一種，包括： 對預存的人臉樣本圖像模型進行老化模擬，重構所述人臉樣本圖像模型； 對待識別人臉圖像模型和所述人臉樣本圖像模型進行全局特征匹配，若匹配失 敗，則識別結果為不匹配； 對所述待識別人臉圖像模型和所述人臉樣本圖像模型進行局部特征匹配，若匹配 失敗，則識別結果為不匹配； 所述待識別人臉圖像模型為待識別人臉圖像的主動表觀模型，所述人臉樣本圖像 模型為預留人臉樣本圖像的主動表觀模型。 本專利技術諸多實施例提供的通過對預存 的人臉樣本圖像模型進行老化模擬，實現了兼容人臉老化影響的識別；進而通過結合主動 表觀模型（AAM)和人臉紋理細節變換算法（IBSDT)提高了人臉老化識別的準確率； 本專利技術一些實施例提供的通過結合主 動表觀模型（AAM)和Delaunay三角劃分匹配，將Delaunay三角形的匹配數目作為人臉全 局特征匹配分數，大幅提高了全局特征匹配結果的可靠性； 本專利技術一些實施例提供的通過LBP和 SURF兩種判斷方法對人臉局部關鍵區域進行匹配，因 LBP和SURF各自具備較強的光照魯棒 性，因此本專利技術所提供識別方法的識別結果對光照也具有非常強的魯棒性； 本專利技術一些實施例提供的通過上述各 項技術的結合實現了在僅有1張預留圖像的情況下，仍然能夠取得很好的識別效果，識別 結果明顯好于當前主流的Eigenface和Fisherface方法。【附圖說明】 參照下面結合附圖對本專利技術實施例的說明，會更加容易地理解本專利技術的以上和其 它目的、特點和優點。附圖中的部件只是為了示出本專利技術的原理。在附圖中，相同的或類似 的技術特征或部件將采用相同或類似的附圖標記來表示。 圖1為本專利技術一種實施例提供的的流 程圖。 圖2為圖1所示實施例中在一人臉圖像上建立主動表觀模型提取特征的示意圖。 圖3為圖1所示單樣本人臉識別方法中步驟S50的流程圖。 圖4為圖1所示單樣本人臉識別方法中步驟S70的流程圖。 圖5為圖4所示步驟S71中使用Delaunay三角劃分法基于主動表觀模型的特征 點進行三角劃分得到三角網的示意圖。 圖6為圖1所示單樣本人臉識別方法的一種優選實施例中步驟S90的流程圖。 圖7為圖6所示步驟S91中根據特征點劃分關鍵區域的示意圖。 圖8為圖6所示單樣本人臉識別方法中步驟S93的流程圖。 圖9為圖6所示單樣本人臉識別方法中步驟S95的流程當前第1頁1 2 3 4 本文檔來自技高網...

【技術保護點】
一種兼容人臉老化識別的單樣本人臉識別方法，其特征在于，包括：對預存的人臉樣本圖像模型進行老化模擬，重構所述人臉樣本圖像模型；對待識別人臉圖像模型和所述人臉樣本圖像模型進行全局特征匹配，若匹配失敗，則識別結果為不匹配；對所述待識別人臉圖像模型和所述人臉樣本圖像模型進行局部特征匹配，若匹配失敗，則識別結果為不匹配；所述待識別人臉圖像模型為待識別人臉圖像的主動表觀模型，所述人臉樣本圖像模型為預留人臉樣本圖像的主動表觀模型。

【技術特征摘要】

【專利技術屬性】
技術研發人員：袁寶璽，黃雅，左萍平，
申請(專利權)人：北京天創征騰信息科技有限公司，
類型：發明
國別省市：北京;11