基于人臉圖像稠密匹配的身份識(shí)別技術(shù)研究.pdf

1、隨著平安城市建設(shè)的不斷深入，身份識(shí)別技術(shù)扮演著越來(lái)越重要的角色。基于人臉圖像的身份識(shí)別（簡(jiǎn)稱人臉識(shí)別），作為生物特征識(shí)別技術(shù)的一類，因其自然性、非侵犯性等特性，而得到學(xué)術(shù)界與市場(chǎng)的重視。目前，控制環(huán)境下有配合的人臉識(shí)別，已達(dá)到實(shí)用級(jí)別，但是在自然場(chǎng)景下的人臉識(shí)別，由于姿態(tài)、光線、表情、飾物遮擋等等因素，還遠(yuǎn)未達(dá)到可接受的識(shí)別性能。要實(shí)現(xiàn)自然場(chǎng)景下實(shí)用的人臉識(shí)別系統(tǒng)，還需重點(diǎn)研究以下關(guān)鍵問(wèn)題:(1)穩(wěn)定健壯的識(shí)別算法，算法對(duì)姿態(tài)、光照、表

2、情、遮擋等變量中的一種或者多種具有很好的抗干擾性且表現(xiàn)均衡;(2)如何達(dá)到滿足實(shí)用的識(shí)別性能，包括速度快、準(zhǔn)確率高（理想情況為接近或者超過(guò)人眼識(shí)別水平）;(3)如何在學(xué)習(xí)樣本較少的情況下，保證較高的識(shí)別率，而在學(xué)習(xí)樣本較多的情況下，則能有效利用數(shù)據(jù)學(xué)習(xí)，迸一步提高識(shí)別率。
　　針對(duì)這些問(wèn)題，本文進(jìn)行了相關(guān)研究，主要工作和創(chuàng)新點(diǎn)如下:
　　1，提出了一種新的人臉識(shí)別思路:傳統(tǒng)識(shí)別通過(guò)降維等方法找到人臉特征子空間，根據(jù)子空間內(nèi)的

3、距離來(lái)度量相似度，而本文則是通過(guò)直接比較人臉圖像對(duì)，根據(jù)兩張圖像的匹配代價(jià)來(lái)度量相似度，識(shí)別無(wú)需降維或者復(fù)雜的特征提取設(shè)計(jì)，不依賴于大規(guī)模的樣本訓(xùn)練學(xué)習(xí)。具體實(shí)現(xiàn)借鑒了3D立體視覺(jué)領(lǐng)域中的稠密匹配技術(shù)并加以變化利用，即同樣求解匹配點(diǎn)，但并不使用它們，而是使用求解過(guò)程中產(chǎn)生的匹配代價(jià)（原稠密匹配過(guò)程中的副產(chǎn)物），再通過(guò)聚合策略，將點(diǎn)層面的匹配代價(jià)轉(zhuǎn)變?yōu)閳D層面的匹配代價(jià)，最后根據(jù)匹配代價(jià)，定義兩張圖像的相似度準(zhǔn)則。
　　2，針對(duì)人臉圖

4、像的光照和表情問(wèn)題，提出了一種可以抵抗光照與表情復(fù)合變化的身份識(shí)別解決方案。該方案包括2種算法，基于最小強(qiáng)度差樹(shù)模型的MIDT算法（MIDT速度優(yōu)化版算法FTM），和基于特征與區(qū)域梯度融合模型的FRGF算法。(1)MIDT算法:通過(guò)定義一種對(duì)光照干擾保持不變性的距離度量準(zhǔn)則，建立最小強(qiáng)度差樹(shù)模型，并在樹(shù)上匯聚匹配代價(jià)，得到圖像對(duì)之間的相似度用于識(shí)別，在AR數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)表明，算法在表情和光照變化的干擾下，依然可以保持很好的識(shí)別率（平均9

5、5.3％），且對(duì)于不同類型的表情與光照影響，表現(xiàn)出很好的穩(wěn)定性（波動(dòng)不超過(guò)9％），此外，考慮到MIDT工程化的速度問(wèn)題，設(shè)計(jì)出一種最優(yōu)化聚合策略，得到了基于MIDT改進(jìn)的快速識(shí)別算法FTM，達(dá)到實(shí)時(shí)識(shí)別性能。(2) FRGF算法:融合了特征與區(qū)域梯度在抗光照與形變方面的優(yōu)勢(shì)，實(shí)驗(yàn)表明，相比MIDT(FTM)算法，F(xiàn)RGF算法不僅保持了良好二二的對(duì)表情和光照變化抗干擾特性，而且獲得了更為出色的識(shí)別性能（平均識(shí)別率99.1％）。
　　

6、3，針對(duì)人臉圖像的姿態(tài)和遮擋問(wèn)題，提出了一種可以抵抗姿態(tài)與遮擋復(fù)合變化的身份識(shí)別解決方案，該方案包括2種算法:自適應(yīng)多粒度APP算法（APP速度優(yōu)化版算法FSI），和基于去噪自編碼器的ISDAE算法。(1)APP算法:先利用極幾何對(duì)齊人臉，再在像素級(jí)別和圖像特征塊級(jí)別上分別求解對(duì)應(yīng)點(diǎn)的匹配度，同時(shí)加入自適應(yīng)模塊，以解決姿態(tài)傾斜對(duì)人臉表觀產(chǎn)生的扭曲問(wèn)題，最后通過(guò)聚合得到圖像對(duì)之間的相似度，在一些挑戰(zhàn)性的數(shù)據(jù)庫(kù)如CMUPIE和FERET上的

7、實(shí)驗(yàn)表明，APP在解決姿態(tài)問(wèn)題上處于前沿水平（識(shí)別率分別達(dá)到92.3％和95.1％），此外，考慮到APP工程化的速度問(wèn)題，提出了基于APP改進(jìn)的快速識(shí)別算法FSI，算法達(dá)到實(shí)時(shí)識(shí)別性能，且在姿態(tài)變化幅度較小時(shí)性能良好（識(shí)別率97％）。(2) ISDAE算法:借鑒深度學(xué)習(xí)思想，利用去噪自編碼器，開(kāi)發(fā)了一套抗遮擋問(wèn)題性能較好的識(shí)別算法ISDAE，實(shí)驗(yàn)表明，算法超過(guò)稀疏表達(dá)算法在遮擋環(huán)境中的識(shí)別性能。
　　4，針對(duì)富樣本下的學(xué)習(xí)問(wèn)題，提

8、出了一種樣本學(xué)習(xí)算法SVMSR，它擁有傳統(tǒng)學(xué)習(xí)算法如SVM、NN等所不具備的特性:若所獲取的大量人臉圖像訓(xùn)練樣本，并不直接是待識(shí)別身份的人臉（甚至完全無(wú)關(guān)，這在實(shí)際應(yīng)用中經(jīng)常發(fā)生），SVMSR仍然可以利用這些數(shù)據(jù)，來(lái)提高原算法的識(shí)別率。此外，本文提出的如APP、FSI等算法基本無(wú)需修改，就可以直接使用SVMSR，實(shí)現(xiàn)在富樣本環(huán)境中識(shí)別率的提升（約10％）。SVMSR算法采用對(duì)人臉圖像之間的差異進(jìn)行建模，利用稠密匹配技術(shù)提取特征，并對(duì)傳統(tǒng)

9、的SVM核進(jìn)行修改，使其可以基于樣本數(shù)據(jù)，判斷兩張圖像之間的相似度。
　　5，研究了海量視頻中基于身份的鏡頭檢索問(wèn)題。傳統(tǒng)檢索主要是圖像檢索，類似于谷歌圖像搜索，輸入輸出均為圖像，而本文為鏡頭檢索，輸入輸出均為鏡頭。針對(duì)該問(wèn)題，提出了一種新的檢索方法:基于視覺(jué)單詞模型，根據(jù)人臉表觀特性融合多種特征，并將鏡頭視為文本檢索中的一個(gè)“文檔”，利用人臉跟蹤技術(shù)和TF-IDF建立文檔描述符，最后基于VSM模型進(jìn)行鏡頭“文檔”的檢索。在英國(guó)流