基于整体特征差异度参数的人脸相似度检测.docxVIP

基于整体特征差异度参数的人脸相似度检测 　　摘要：通过加入差异度参数优化了PAC，IDA，LBP等算法，采用汉明距离选取特征，并对样本进行分析，得出类内矩阵和类间矩阵，利用算法把一个人的两个图像向量的差降维，取二范数来加以区分并计算正确率，然后淘汰正确率低的差距参数，从而得到更高的正确率。主要步骤是：以二进制方式将图片以多阶灰度图表示，然后进行像素点运算，统计有效像素点，运用优化的算法，得出相似指数并分析出判定是否为不同时期同一人。提出的方法对一个人在理想状态下不同时期的两张照片的相似度高达95%以上，即对人脸相似度检测具有显著效果。　　关键词：差异度参数；散度；汉明距离；降维；特征提取　　中图分类号：TP391 文献标识码：A 文章编号：1009--0153-03　　1 概述　　人脸识别是从二十世纪中后期一直研究讨论的问题，人脸识别的基础是人眼对于人脸储存与识别的生物理论，是基于人的面部特征信息进行身份识别的一种生物识别技术。目前，基础的研究方法都是基于统计学的研究方法，即采集大量的信息，对这些信息进行分类，用某一种类中“共有”的统计特征来判断某一信息是哪一个种类[1]。但判断的标准不同，结果也就不同，比如定义一个特征为红色特征，先观察到一个信息中有红色，但红色只有20%，那么该不该判断它就属于红色种类呢？这时可以采用机器学习的方法，把这个判别特征的差异度量化。通常，定义红色比例大于30%是红色种类，然后与定义红色比例大于40%是红色种类的差异度进行比较舍弃正确率低的差异度。但在识别时，真正把图片向量化，可能每一个维度都有一个差异度，或者采用一些变换会增加计算速度和准确率，那么每次变换时的系数也是一种差异度；故本文设置一个约束条件，只对标准光照情况下的人脸进行识别提取计算相似度。即两个向量的差的二范数，首先本文把两个组所有图片打乱进行重组，每组两张照片，记为一个pair，一个pair中两个图像向量的差就是一个样本，全体样本中一共有两类，一类是“是同一个人”样本，一类是“不是同一个人样本”[2]。　　假设人脸在这些低维线性空间的散布矩阵投影具有可分性，所以它可以对图像光照条件引起的灰度变化判断两张不同时期阶段的人脸是否为同一个人[3]。若人脸的特征为D维空间的特征，且本文需要从更高的维度空间中计算出协方差矩阵，在大量独立样本测试训练数据中，判断是否能得到更高效率的运行结果[4]。　　PCA算法可以将图像的随机变量认为是分布规律的，从而得到人脸图像分布的主要成分的方向；LBP算法可以较好的分析图像的纹理特征；低频傅里叶变换可以通过时空域和频率域对图像的信息提取分析；Gabor小波变换可以保持着人脸固有的形态、面部表情以及遮盖物体的某些特性[5]。LDA算法可以大大降低原来图片模式的维数，从而很好的解决了子类内散布矩阵奇异问题[6]，子空间算法的产生，对求解矩阵的逆有了新的改进。　　2 特征提取　　由于只能比较两者是不是一个人，前提为确定的两张图片皆为固定姿态及光线情况下人脸，故不用考虑人脸定位。本文每一个人的的面部图片只有两张，通过一张图片的信息与另一张图片对比判断是否为同一个人。设 是关于特征向量 X的散度定义如下：　　P 为 ，的先验概率，即为关于事件 的古典条件概率。由统计学知识得： 1）不同特征相关性越低越好；2）特征选择使散度越来越大。其中散度也可以简单认为与 和 的差距成正比，故定义为：　　使得 R 越大的特征 X 越具区分性，对于不同的 X 进行实验然后选出最佳的 m 个特征 做参数化处理即作参数 作为衡量对应特征的差距度，即 。　　3 算法实现　　 整体的低频傅立叶变换　　二维离散傅里叶变换：　　其中x，y为M*N像素中点的像素值，取低频向量 为维向量，判断一个pair　　其中为参数，这里的也可以通过，求得，可以减少参数的维数。　　 子空间算法　　 PCA算法优化　　先将本文的样本按之前的分成两类，即“是同一人类”与“不是同一人”类。由于PCA与LDA算法可以把中每一个样本看作是一对图像，故本文?⒄饬礁鐾枷裣蛄俊跋嗉酢保?即对应像素的灰度做差，形成一个图像，这时可以区分与的特征不会变化很大。这样中每个样本都只是一个图像。　　PCA算法的具体流程为：　　① 假设中有个样本，每个样本为M*N图像，可视为一个M*N维向量。　　② 可以计算的均值　　与散布矩阵　　③ 计算出的特征值与特征向量，将特征向量，按大小顺序排列。当小的特征值对应的“空白区域 ”去掉后，脸将变大，即脸的轮廓更接近边界。只取前m个特征值与对应的特征值向量，则原样本图像在m维空间上的前m个投影坐标表示如下：。　　故PCA可以起到更好的降维效果，此时特征取：，则该样本为类。其中，分子中的是在基下的前m个坐