非約束人臉識別系統及方法與流程
2023-06-19 19:20:26
本發明涉及一種非約束人臉識別系統及方法。
背景技術：
人臉識別作為最具潛力的生物身份識別方式之一，已經深入了人類日常生活的方方面面，正確辨識出非約束環境中的人臉對計算機來說至關重要。但由於非約束人臉識別性能受到背景、光照、姿態、表情、衣物遮擋、偽裝等因素的嚴重影響，因此適應能力很強的人臉識別系統的設計具有很大的挑戰性。
人臉識別系統流程如圖1所示，大致可以分為四部分，首先輸入人臉圖片，接著對這幅圖片進行人臉區域檢測，然後對檢測到的人臉區域進行特徵提取和分類，最後判別出這幅圖片所屬的類別。
人臉識別系統的關鍵部分是人臉區域檢測和人臉特徵提取與識別。近幾年來，人臉檢測、人臉特徵提取與識別的算法層出不窮，其目的就是為了使機器具有智能化，能準確無誤地對測試圖片進行判別，無論測試圖片是單一的正面人臉還是背景複雜的非約束(光照、姿態、遮擋等因素影響)人臉。
現有技術方案的不足之處在於：
常用人臉區域檢測算法有基於模板匹配的人臉檢測和基於膚色模型的人臉檢測兩類，這些方法雖然原理簡單，易於實現，但是預先設計出的人臉模板不能精確匹配不同的人臉輪廓以及五官分布；膚色模型也很容易受到其他非人臉因素(袒露的皮膚)的影響。所以這些人臉檢測算法局限性很大，不適用非約束人臉檢測的情況。
現有的人臉識別方法多是手工選取特徵，再利用SVM、KNN等分類器判別人臉。基於手工特徵提取的人臉識別方法其關鍵是人臉特徵表示，良好特徵表示對算法準確性起關鍵作用，手工選取特徵是一件非常費力、啟發式的方法，能不能選取適合特徵很大程度上靠經驗和運氣。對於有遮擋、姿態變化、表情變化等因素影響的非約束人臉，手工選取人臉本質特徵更加困難，導致識別率大大降低。
上述問題是在人臉識別過程中應當予以考慮並解決的問題。
技術實現要素：
本發明的目的是提供一種非約束人臉識別系統及方法解決現有技術中存在的或人臉檢測算法局限性很大，不適用非約束人臉檢測的情況，或手工選取人臉本質特徵更加困難，導致識別率大大降低的問題。
本發明的技術解決方案是：
一種非約束人臉識別系統，包括圖片輸入模塊、人臉檢測模塊、人臉特徵提取模塊、判別結果輸出模塊，
圖片輸入模塊：輸入人臉圖片；
人臉檢測模塊：利用視覺注意機制獲取輸入人臉圖片的視覺顯著圖，根據視覺顯著圖檢測人臉目標區域；
人臉特徵提取模塊：利用HOG算子對檢測出的人臉目標區域進行特徵提取；選取訓練樣本的HOG特徵向量構建字典，剩餘樣本作為測試樣本；根據稀疏表示的人臉識別算法對測試樣本進行分類識別；
判別結果輸出模塊：對識別結果進行輸出並顯示。
進一步地，人臉檢測模塊中，利用視覺注意機制獲取輸入人臉圖片的視覺顯著圖，具體為：對輸入的灰度圖片I(x,y)利用GBVS算法提取視覺顯著圖，記為S(x,y)。
進一步地，人臉檢測模塊中，根據視覺顯著圖檢測人臉目標區域，具體為：
選擇合適的閾值對視覺顯著圖S(x,y)進行閾值分割得到模板M1(x,y)；對M1(x,y)進行形態學操作得到精細模板M2(x,y)；定位M2(x,y)的質心p，利用邊緣函數提取M2(x,y)的邊緣；
求出質心p到模板邊緣的最小距離d；以p為中心，d為邊長得到正方區域，將輸入圖像I(x,y)與正方形區域作匹配得到人臉目標檢測區域Dete(x,y)。
進一步地，人臉檢測模塊檢測到的人臉目標區域Dete(x,y)後，人臉特徵提取模塊利用HOG算子提取Dete(x,y)的梯度方向特徵，得到特徵矩陣HOG_feature，其中每一行的列向量表示一幅圖片的HOG特徵。
進一步地，從所得特徵矩陣HOG_feature中隨機取出m行特徵向量用於構建特徵字典，剩餘特徵向量留作測試；
利用稀疏表示分類方法對測試樣本進行識別與分類，正確分類的記作1，錯誤分類的記作0，根據1的個數計算識別率，並記錄系統結束時所消耗的總時間。
一種非約束人臉識別方法，包括以下步驟：
基於視覺注意機制的人臉目標區域檢測：首先利用視覺注意機制獲取輸入圖片的視覺顯著圖，根據視覺顯著圖檢測人臉目標區域；
基於HOG特徵稀疏表示的人臉識別：利用HOG算子對檢測出的人臉目標區域進行特徵提取；選取訓練樣本的HOG特徵向量構建字典，剩餘樣本作為測試樣本；最後根據稀疏表示的人臉識別算法對測試樣本進行分類識別。
進一步地，基於視覺注意機制的人臉目標區域檢測，具體為：
輸入圖像一幅250×250的灰度圖片I(x,y)，利用GBVS算法提取視覺顯著圖，記為S(x,y)；
選擇合適的閾值對視覺顯著圖S(x,y)進行閾值分割得到模板M1(x,y)；對M1(x,y)進行形態學操作得到精細模板M2(x,y)；定位M2(x,y)的質心p，利用邊緣函數提取M2(x,y)的邊緣；
求出質心p到模板邊緣的最小距離d。以p為中心，d為邊長得到正方區域，將輸入圖像I(x,y)與正方形區域作匹配得到人臉目標檢測區域Dete(x,y)。
進一步地，基於HOG特徵稀疏表示的人臉識別，具體為：
利用HOG算子提取Det(e,x)的梯度方向特徵，得到特徵矩陣HOG_feat，其中列向量表示HOG特徵；
從特徵矩陣HOG_feature中隨機取出m行特徵向量用於構建特徵字典，剩餘特徵向量留作測試；
利用稀疏表示分類方法對測試樣本進行識別與分類，正確分類的記作1，錯誤分類的記作0，根據1的個數計算識別率，並記錄系統結束時所消耗的總時間。
本發明的有益效果是：
一、該種非約束人臉識別系統及方法，利用視覺注意機制獲取人臉顯著圖，根據顯著圖準確定位有效人臉目標區域，消除了複雜環境下光照、姿態、遮擋等因素的影響，達到無人工幹預，自動、準確檢測非約束人臉目標區域的目的，為準確提取非約束人臉特徵提供技術支持。
二、該種非約束人臉識別系統及方法，採用HOG特徵構建字典，相比較傳統字典而言，字典原子包含了訓練圖片更豐富的邊緣紋理信息，能夠更準確描述人臉本質特徵。並且HOG特徵相比傳統字典維數降低，解決了傳統稀疏表示分類算法中因字典維度大導致運行速度慢的問題，有效提高算法運行效率。
三、該種非約束人臉識別系統及方法，一方面基於視覺顯著性的人臉檢測可以矯正對齊人臉區域，滿足稀疏表示人臉識別的假設條件；另一方面以HOG特徵作為稀疏字典可以進一步消除人臉變化幹擾，兩者結合可以有效提高非約束人臉識別準確率。
附圖說明
圖1是現有的非約束人臉識別系統的說明示意圖。
圖2是本發明實施例非約束人臉識別系統的說明框圖。
圖3是本發明實施例非約束人臉識別方法的流程示意圖。
具體實施方式
下面結合附圖詳細說明本發明的優選實施例。
實施例
一種非約束人臉識別系統，如圖2，包括圖片輸入模塊、人臉檢測模塊、人臉特徵提取模塊、判別結果輸出模塊。
圖片輸入模塊：輸入人臉圖片；
人臉檢測模塊：利用視覺注意機制獲取輸入人臉圖片的視覺顯著圖，根據視覺顯著圖檢測人臉目標區域；
人臉特徵提取模塊：利用HOG算子對檢測出的人臉目標區域進行特徵提取；選取訓練樣本的HOG特徵向量構建字典，剩餘樣本作為測試樣本；根據稀疏表示的人臉識別算法對測試樣本進行分類識別；
判別結果輸出模塊：對識別結果進行輸出並顯示。
人臉檢測模塊中，利用視覺注意機制獲取輸入人臉圖片的視覺顯著圖，具體為：對輸入的灰度圖片I(x,y)利用GBVS算法即Graph-Based Visual Saliency，基於圖的視覺顯著性，提取視覺顯著圖，記為S(x,y)。
人臉檢測模塊中，根據視覺顯著圖檢測人臉目標區域，具體為：
選擇合適的閾值對視覺顯著圖S(x,y)進行閾值分割得到模板M1(x,y)；對M1(x,y)進行形態學操作得到精細模板M2(x,y)；定位M2(x,y)的質心p，利用邊緣函數提取M2(x,y)的邊緣；
求出質心p到模板邊緣的最小距離d；以p為中心，d為邊長得到正方區域，將輸入圖像I(x,y)與正方形區域作匹配得到人臉目標檢測區域Dete(x,y)。
人臉檢測模塊檢測到的人臉目標區域Dete(x,y)後，人臉特徵提取模塊利用HOG算子提取Dete(x,y)的梯度方向特徵，得到特徵矩陣HOG_feature，其中列向量表示HOG特徵；
從所得特徵矩陣HOG_feature中隨機取出m行特徵向量用於構建特徵字典，剩餘特徵向量留作測試；
利用稀疏表示分類方法對測試樣本進行識別與分類，正確分類的記作1，錯誤分類的記作0，根據1的個數計算識別率，並記錄系統結束時所消耗的總時間。
如圖3，一種非約束人臉識別方法，包括以下步驟：
基於視覺注意機制的人臉目標區域檢測：首先利用視覺注意機制獲取輸入圖片的視覺顯著圖，根據視覺顯著圖檢測人臉目標區域；
基於HOG特徵稀疏表示的人臉識別：利用HOG算子對檢測出的人臉目標區域進行特徵提取；選取訓練樣本的HOG特徵向量構建字典，剩餘樣本作為測試樣本；最後根據稀疏表示的人臉識別算法對測試樣本進行分類識別。
該種非約束人臉識別方法中，基於視覺注意機制的人臉目標區域檢測，具體為：
輸入圖像一幅250×250的灰度圖片I(x,y)，利用GBVS算法提取視覺顯著圖，記為S(x,y)；
選擇合適的閾值對視覺顯著圖S(x,y)進行閾值分割得到模板M1(x,y)；對M1(x,y)進行形態學操作得到精細模板M2(x,y)；定位M2(x,y)的質心p，利用邊緣函數提取M2(x,y)的邊緣；
求出質心p到模板邊緣的最小距離d。以p為中心，d為邊長得到正方區域，將輸入圖像I(x,y)與正方形區域作匹配得到人臉目標檢測區域Dete(x,y)。
該種非約束人臉識別方法中，基於HOG特徵稀疏表示的人臉識別，具體為：
利用HOG算子提取Det(e,x)y的梯度方向特徵，得到特徵矩陣HOG_feat，其中列向量表示HOG特徵；
從HOG_feature中隨機取出m行特徵向量用於構建特徵字典，剩餘特徵向量留作測試；
利用稀疏表示分類(Sparse Representation Classification,SRC)方法對測試樣本進行識別與分類，正確分類的記作1，錯誤分類的記作0，根據1的個數計算識別率，並記錄系統結束時所消耗的總時間。
實驗仿真
本實驗採用LFW(Labeled Faces in the Wild)人臉資料庫，從LFW資料庫中選出有20張以上(包括20張)圖片的人作為實驗數據，共62類人，共3023張圖片，其中每張圖片的解析度為250*250。下面從兩個方面論證實施例的有效性。
1、人臉檢測效果比較
這裡採用利用模板檢測(Template Detection，TD)人臉，再利用相同人臉特徵提取與分類算法SRC_HOG對檢測到的人臉識別。仿真結果如表1所示。
表1實施例與基於模板檢測的人臉識別性能比較
從表1可以看出，實施例FD_VAM+HOG_SRC的人臉檢測準確性要優於基於模板的人臉檢測。因為基於模板的人臉檢測雖然也去除了複雜的背景，但是檢測結果解析度下降，而且對於一些側面人臉不能檢測到完整的人臉區域，人臉面部信息損失嚴重。這導致從這些圖片提取的HOG特徵即方向梯度直方圖特徵不完整，不能準確地表徵原圖片，所以識別率下降。
2、人臉特徵提取與分類性能比較
這裡採用HOG算子、LBP算子提取基於視覺注意機制的人臉目標區域特徵，再採用SVM進行分類識別。仿真結果如表2所示。
表2實施例與基於HOG、LBP特徵提取的人臉識別性能比較
從表2可以看出，實施例FD_VAM+HOG_SRC的人臉識別準確率最高。HOG算子相比LBP算子對光照不敏感，用梯度方向描述人臉紋理變化，可以更準確提取非約束人臉特徵，所以FD_VAM+HOG+SVM相比FD_VAM+LBP+SVM人臉識別準確率提高了24.3％；同時，以HOG特徵作為字典，能夠更準確描述人臉本質特徵，用稀疏表示分類可以進一步消除人臉變化幹擾，識別率提高了1.87％。並且HOG特徵相比傳統字典維數降低，解決了傳統稀疏表示分類算法中因字典維度大導致運行速度慢的問題。