基于AAM关键特征点提取人脸照片分类方法研究与应用.docVIP

基于AAM关键特征点提取人脸照片分类方法研究与应用 　　摘要：主要研究基于人脸局部形状特征分类的方法，首先利用AAM的人脸形状特征点定位算法，提取出有用的人脸特征点，构成人脸下颚形状、眉毛、眼睛、鼻子和嘴巴的局部形状特征；然后采用基于形态面指数和下颚宽指数的ISODATA方法进行自动聚类，实现了百万量级人脸照片库的自动分类，有助于进一步提高人脸识别查询的速度和精度。 　　关键词：人脸分类；主动表观模型（AAM）；聚类 　　中图分类号：TP391.41 文献标识码：A 文章编号：1007-9599 （2012） 15-0000-02 　　本文以全国硕士研究生现场确认环节中采集的百万量级考生人脸照片为研究样本，基于人类视知觉特性知识，利用人脸局部形状特征确定出有效的人脸分类，并将大型人脸库中的人脸进行类别划分。从而缩小用于人脸识别匹配的人脸库以及降低人脸识别的数据量，有助于进一步提高大库中人脸识别???询的速度和精度。 　　1 人脸特征提取及关键特征点定位 　　本节将着重针对现场确认采集的人脸照片进行特征提取算法训练，并对实验结果进行验证和分析。 　　1.1 特征点定位步骤 　　本文选择AAM算法。特征点的定位以及提取步骤如下： 　　第一步：从本文应用的百万量级人脸库中选取n张人脸照片进行特征点标定；第二步：使用标定好的人脸照片对AAM算法进行训练；第三步：使用训练后的结果在百万量级人脸库中选取另外m张人脸照片进行实验；第四步：使用不同n张人工标定人脸照片训练的分类器，验证m张待测人脸，根据实验结果选择合适的分类器。 　　1.2 基于AAM算法的特征点提取 　　（1）对人脸照片进行标定。本文采用的关键特征点分别为鼻梁上端左右两个点、下唇中心、脸颊左右顶点、下颚左右拐点及下颚顶点，共8个特征点，如图 1中红圈中的点，在这里为了进一步的人脸识别工作，增加部分关键特征点。选取58个标记点，标定后的人脸照片如图 1所示。 　　（2）特征点定位实验。在本实验中，依次选取20、50、80、100、150、180张图片进行标定并训练，并使用训练结果在200张待测人脸照片中进行测试。 　　实验结果表明，当训练图片达到150张时，模型建立较好，得到的测试结果令人满意，并且随着训练图片增多正确率保持在74%左右变化不大。因此，我们将基于150张训练图片得到的模型作为待测模型。 　　1.3 实验结果分析 　　从上节的实验结果可以看出，人脸照片中，人脸的遮挡物以及光照对特征提取有很大的影响，人脸遮挡物如发型，而眼镜的遮挡反而对特征提取影响不是很大。 　　作为训练算法所使用的人工标定好的人脸照片数量，经实验表明，并不一定是数量越多越好，采用更多的人工标定的人脸照片进行训练不会对正确率有显著提升。 　　本文采用准确率较高的鼻子、嘴巴和下颚轮廓的部份特征点进行人脸照片的分类。 　　2 人脸分类方法的研究 　　本文的人脸分类方法以人体测量学的分类方法为基础。 　　本文选取形态面指数和下颚宽指数这两个面型指数作为脸型分类的参考。然后选取ISODATA动态聚类算法，对形态面指数和下颚宽指数采用自动聚类的方法来进行分类研究。 　　2.1 人脸照片分类数据预处理 　　本文根据下颚左右两个顶点，鼻根点、下唇下中点，左右下颚角以及颚下点，进而得到面宽、下颚间宽、形态面高、嘴高这四个测量参数，图2分别给出了各个监测点以及测量参数。 　　得到上述面型参数后，形态面指数和下颚宽指数可由下面公式得到。 　　由以上公式可以看出，两个指数均为比值，这样就避免了由于人脸照片大小差别引起的计算误差，可以避免人脸归一化的过程。 　　2.2 基于人脸测量学的自动分类方法 　　本文的ISODATA聚类方法是基于形态面指数和下颚宽指数，根据这些特征点位置利用式2.1和式2.2得出形态面指数x和下颚宽指数y，最后利用ISODATA算法基于人脸照片的形态面指数和下颚宽指数形成的二维数组 进行自动聚类。 　　在本文实验过程中，分类过程中设定类内照片数量阀值n，当某类中人脸照片数量超过n，则针对这类照片利用ISODATA进行二次分类，直到每类人脸照片数量小于n。 　　本文作为实验研究，将n设置为400。 　　2.3 实验结果及分析 　　我们主要探讨正面人脸照片的自动聚类结果，选取1090张人脸照片作为待分类人脸库。根据AAM特征点提取的结果，应用ISODATA算法，平均耗时50ms左右（含AAM特征提取以及关键特征点定位时间）。 　　（1）单循环分类结果。根据ISODATA方法自动聚类的结果，将二维数组分为3类，分类分类情况如下表 1所示。 　　从单循环分类结果可以看出，第二类class[1]的人脸照片数量较大，与期望的分类分布均匀有较大差距，为了获得分类较均匀的结果，在单循环基础上做多循环ISODA