1、歡迎各位老師和同學到來人臉識別分解第1頁先驗形狀獲取及在人臉識別中應用人臉識別分解第2頁目錄一.人臉識別概況二.人臉識別方法三.基于先驗形狀人臉識別四.研究主要內容和擬處理 de 問題人臉識別分解第3頁人臉識別是人體生物認證技術一個，首先我們談談人體生物認證技術人體生物生物特征包含生理特征和行為特征兩大類。 人體生理特征主要包含人臉、指紋、掌紋、掌形、虹膜、視網膜、靜脈、DNA、顱骨等，這些特征是與生俱來，是先天形成； 而行為特征包含聲紋、署名、步態、耳形、按鍵節奏、身體氣味等，這些特征是由后天生活環境和生活習慣決定。這些生物特征本身固有特點決定了其在生物認證中所起作用是不一樣.一.人臉識別概

2、況人臉識別分解第4頁生物特征識別：人臉 臉部熱量圖 指紋 手形 手部血管分布 虹膜 視網膜 署名 語音 人臉識別分解第5頁人臉識別感性認識人臉識別是一個活躍研究領域，是人類視覺最出色能力之一。即使人臉識別準確性要低于虹膜、指紋識別，但因為它無侵害性和對用戶最自然、最直觀方式，使人臉識別成為最輕易被接收生物特征識別方式。人臉識別分解第6頁慣用生物特征比較生物特征普遍性獨特征穩定性可采集性性能接收程度防坑騙性人臉HighLowMediumHighLowHighLow指紋MediumHighHighMediumHighMediumHigh手形MediumMediumMediumHighMediumM

3、ediumMedium虹膜HighHighHighMediumHighLowHigh視網膜HighHighMediumLowHighLowHigh署名LowLowLowHighLowHighLow聲音MediumLowLowMediumLowHighLow人臉識別分解第7頁人臉識別過程人臉識別分解第8頁人臉識別過程登記過程識別過程一對一驗證過程一對多區分過程人臉識別分解第9頁登記過程人臉識別分解第10頁一對多區分過程人臉識別分解第11頁二.幾個常見人臉識別方法1 基于幾何特征人臉識別方法2 基于相關匹配方法3 基于神經網絡方法4 彈性圖匹配方法5 基于三維模型方法人臉識別分解第12頁1 基于幾

4、何特征人臉識別方法基于幾何特征方法是早期人臉識別方法之一。常采取幾何特征有些人臉五官如眼睛、鼻子、嘴巴等局部形狀特征。臉型特征以及五官在臉上分布幾何特征。提取特征時往往要用到人臉結構一些先驗知識。識別所采取幾何特征是以人臉器官形狀和幾何關系為基礎特征矢量，本質上是特征矢量之間匹配。人臉識別分解第13頁2 基于相關匹配方法基于相關匹配方法包含模板匹配法和等強度線方法。模板匹配法：Poggio和Brunelli專門比較了基于幾何特征人臉識別方法和基于模板匹配人臉識別方法。等強度線法：等強度線利用灰度圖像多級灰度值等強度線作為特征進行兩幅人臉圖像匹配識別。人臉識別分解第14頁3 基于神經網絡方法Gu

5、tta等提出了混合神經網絡、Lawrence等經過一個多級SOM（自組織映射）實現樣本聚類，將卷積神經網絡CNN用于人臉識別、Lin等采取基于概率決議神經網絡方法；Demers等提出采取主元神經網絡方法提取人臉圖像特征，用自相關神經網絡深入壓縮特征，最終采取一個MLP（多層感知器）來實現人臉識別。Er等采取PCA（主成份分析）進行維數壓縮，再用LDA（線性判別分析）抽取特征，然后基于RBF進行人臉識別。Haddadnia等基于PZMI特征，并采取混合學習算法RBF神經網絡進行人臉識別。神經網絡優勢是經過學習過程取得對這些規律和規則隱性表示，它適應性較強。人臉識別分解第15頁4 彈性圖匹配方法L

6、ades等提出采取動態鏈接結構(DLA，Dynamic Link Architecture)方法識他人臉。它將人臉用格狀稀疏圖表示如圖所表示。圖中節點用圖像位置Gabor小波分解得到特征向量標識人臉識別分解第16頁 5 基于三維模型方法 該類方法普通先在圖像上檢測出與通用模型頂點對應特征點，然后依據特征點調整通用模型，最終經過紋理映射得到特定人臉3D模型。Tibbalds基于結構光源和立體視覺理論，經過攝像機獲取立體圖像，依據圖像特征點之間匹配結構人臉三維表面人臉識別分解第17頁三.基于水平集圖像分割方法 定義：水平集方法是將n維曲面演化問題轉化為n+1維空 間水平集函數曲面演化隱含方式來求解

7、。 優勢：非參數化、自動處理拓撲結構改變、捕捉局部形 變、提供一個自然方法來預計演化曲線幾何特 性 劣勢：不能有效處理有噪聲、不完整數據圖像人臉識別分解第18頁水平集方法研究現實狀況當前基于水平集方法幾何活動輪廓研究集中在分割模型改進和加緊數值計算兩個方面。在模型改進方面包含基于邊緣力測地活動輪廓，基于區域統計信息C-V模型；在加緊數值計算方面是窄帶水平集方法人臉識別分解第19頁a.基于圖像邊緣力測地活動輪廓 Caselles V等人提出隱式測地線動態輪廓模型。它利用黎曼空間中測地線概念，把尋找圖像邊界限問題轉化為尋找一條加權弧長最小值問題。經過使能量函數最小化，曲線從初始化曲線向目標邊界運動

8、，當能量到達最小值時，曲線演化結束，得到最終目標邊界，利用水平集思想使模型能夠自適應被檢物體拓撲改變。人臉識別分解第20頁b.基于圖像區域信息C-V模型傳統水平集圖像分割方法僅利用圖像局部邊緣信息，對于邊緣含糊或存在離散狀邊緣區域，則極難得到理想分割效果，一定程度上限制了其應用。對此，Chan和Vese提出基于簡化M-S模型水平集分割圖像方法(C-V模型)，經過單個水平集符號將待分割圖像簡單地劃分為目標和背景兩個部分，在確保其分割質量前提下，降低了M-S模型復雜度。 這種方法一個非常顯著特點就是全局優化可僅使用一條初始閉合輪廓線，就能夠把帶有內部空洞目標內部全部檢測出來，不需要為檢測內部空洞而

9、另外做尤其處理；初始曲線不需要完全位于區域內部或外部，依然能夠正確地分割出目標和背景；這種方法不依靠圖像中邊界信息，即使圖像中邊界含糊或呈斷續狀，依然能夠取得理想分割結果；該方法還有消除噪聲作用。人臉識別分解第21頁 不過，同大多數圖像分割方法區域分離準則一樣，C-V模型僅將灰度同質作為區域分離準則。假如有多個待分割目標，而且各個目標之間相距一定距離，或者含有空洞區域目標壁比較厚，則C-V方法經常不能得到正確結果；另外，C-V圖像分割方程中，每次更新了水平集函數后，需要對水平集數重新初始化為符號距離函數，以保持計算穩定性；另外，C-V方法因為需要在整個定義域內更新水平集函數，所以計算量大，分割

10、速度比較慢。人臉識別分解第22頁c.窄帶水平集方法在傳統水平集方法演化過程中，因為每次迭代都要對圖像空間中全部網格點進行計算，所以計算量比較大。窄帶水平集方法基本思想就是在零水平集鄰域內選擇一定寬度作為界限，在水平集函數曲面上定義一條窄帶區域(Narrow band)，每次迭代只需更新計算窄帶內點。與在整個水平集函數上計算相比，因為窄帶中點數量較少，所以這一方法能夠大大降低水平集方法計算量。人臉識別分解第23頁基于先驗形狀水平集圖像分割優勢：既包含使全局形狀一致隱含曲面約束 ,又保持了水平集捕捉局部形變能力 。經典處理過程：首先在水平集空間利用一樣本集結構一個形狀模型 , 此形狀模型使用變分框

11、架由隱含函數來描述先驗形狀改變 。然后模型引入能量函數作為先驗形狀項 ,該項目標是使演化曲線與形狀模型距離最小 。人臉識別分解第24頁形狀模型構建 標識法：采取一系列點來表示先驗形狀，它基于一個形狀訓練集 ,利用主成份分析法來構建經典形狀和形狀改變。缺點：形狀分析性能依賴于點標識質量 ,手動確定這些點 ,工作量巨大且易犯錯 ,尤其是在處理三維物體時 。人臉識別分解第25頁水平集方法形狀建模特點：首先 ,它是一個隱含和內在表示方式 ,獨立于輪廓參數化 ,并能自動處理拓撲結構改變 。其次 , 它提供一個自然方法來預計形狀幾何特征 ( 如曲率和法向量) , 而水平集函數經常由定義在圖像空間符號距離函

12、數來描述 。最終 , 這種形狀表示方式與曲線演化水平集變分模型相一致 ,能夠自然地融合于活動輪廓分割框架。人臉識別分解第26頁基于變分水平集圖像分割基于變分水平集圖像分割方法能夠在構建能量函數中自然融入附加約束信息，如基于圖像區域、邊界及目標先驗形狀知識等信息，故圖像分割效果魯棒性更強。CV模型能量函數：E(C,C1，C2)= 為邊界曲線長度， 為曲線C內部區域面積， 是權重系數，前兩項為“光滑項”后兩項為“擬合項”。人臉識別分解第27頁C1，C2為曲線C內外部區域圖像灰度平均值。C位置及C1，C2經過最優化此能量函數得到。引入變分水平集模型，CV模型引入H(Z)和 上式用 表示為： 引入先驗

13、形狀： ; 人臉識別分解第28頁 （a） 為先驗形狀水平集函數 經上式仿射變換得到。給定任意一個形狀對應符號距離函數，能夠經過上述四元關系得到與其相關另外一個形狀符號距離函數。人臉識別分解第29頁改進先驗形狀能量函數模型 (b) ; ; 展開(b)，得人臉識別分解第30頁(b)在(a)基礎上引入局部縮放和局部剪切特征，包含縮放變換 、旋轉變換 、平移變換 、剪切變換 ，其中Sx,Sy為像素點在x、y方向縮放系數，為順時針旋轉角度，Tx,Ty為新坐標相對于原坐標在x,y方向像素點平移個數，shx,shy分別為像素點在x,y方向上剪切系數，（xg,yg）為當前先驗形狀模型中心位置坐標。人臉識別分解第31頁四.研究主要內容和擬處理問題研究內容：1)用主成份分析（PCA）來預計