人脸匹配（精选三篇）
人脸匹配 篇1
1 模板匹配的基本原理
模板匹配方法简单说就是计算一个固定的目标模式和一个未知图像块的相异程度, 用一个阈值决定输出。模板匹配可以用来确认一幅图中是否存在某种己知模板图像, 它广泛应用于图像处理、模式识别和计算机视觉等领域。指的是在一幅图中是否存在某种已有模板图像。
2 基于模板匹配的人脸验证
2.1 模板的生成
本文的人脸检测过程中一共使用了6个模板。首先选取50幅标准证件照作为样本图像, 所选的样本图像均为不带眼镜和胡须等干扰物的正面人脸。在各样本图像上用手工标定出人脸的区域作为人脸样本。由于各个样本的尺度大小和灰度分布各不相同, 因此要先对它们进行尺度和灰度分布标准化, 然后将所有样本取灰度平均并压缩到需要的尺度作为原始模板。拷贝原始模板的眼睛部分, 进行灰度分布标准化后作为双眼模板;对原始模板分别按照1∶0.9、1∶1、1∶1.1、1∶1.2和1∶1.3的宽长比变形, 最后经过灰度分布标准化后作为人脸模板。
2.2 候选人脸的归一化
本文利用人脸比例图, 根据构成眼睛对的两眼间的距离d, 以眼睛对为基准对待检的肤色区域进行剪裁, 确定出与该候选眼睛对相对应的待匹配人脸区域。由于需要检测的图像大小各异, 其中的人脸大小也很不一样, 因此最后需要对候选人脸区域进行图像的缩放处理, 保证了人脸大小的一致性。
2.3 人脸的匹配算法
人脸匹配算法的基本思想:首先根据得到的粗检测图像依次将待匹配的人脸区域提取出来, 将其转换为灰度图像, 并进行灰度分布标准化和旋转变换。然后选择合适的人脸模板进行匹配, 将满足一定条件并达到匹配度阈值的图像窗口作为人脸。该方法在粗检测的基础上, 利用平均脸模板匹配的方法对候选队列中的图像进行是否是人脸的判断, 充分利用了已有的检测结果, 在限定的范围内进行匹配。
假设人脸模板的灰度矩阵T[M][N], 灰度均值为µT, 均方差为σT, 输入图像区域灰度矩阵为R[M][N], 灰度均值为µR, 均方差为σR, 那么它们之间的相关系数r (T, R) 和对应像素灰度值的平均偏差d (T, R) 分别为:
r (T, R) 越大表示模板与输入的待检测图像区域的匹配程度越高;d (T, R) 而正好相反。将他们综合起来便可作为匹配程度的度量:
其中α为权重系数, 取经验值α=350.。
2.4 人脸器官边缘验证
在完成人脸的模板匹配后, 为了能够更准确的得到人脸区域, 需要进一步的进行验证, 排除一些误检区域。本文采用了边缘检测的方法, 通过人脸的器官特征边缘的分布规律来进行验证。
图像边缘提取的算子很多, 比较常用的有拉普拉斯算子、Robison算子、Prewitt算子和Sobel算子等。本文首先对待检测区域使用Sobel算子获得梯度图像, 然后进行灰度分布标准化, 最后利用自适应阈值方法 (LAT) 来获得边缘二值图像。
其中Sobel (x, y) 表示Sobel算子的输出, g (x, y) 表示输入图像的低通滤波器。
二值边缘图像:
根据人脸器官的分布特点, 将边缘图像划分为3×3个相同大小的块, 统计整个图像和每一个块边缘点所占的比例。
设3×3块中边缘点的比例为R[m, n] (其中0≤m≤2, 0≤n≤2) , 整个区域中的边缘点所占比例, 若该区域是人脸, 则其应满足如下关系:
(1) .020
(2) R[, 00]>0.7R且R[, 02]>.07R;
(3) R]1, 1[>0且R[2, 1]>0.4R。
3 结果分析
在实验中, 本文所提出的算法可以正确检测多种条件下, 如光照明暗, 具有一定角度, 人脸大小不同人脸。在测试图像集所包含的277个人脸中, 算法正确检测出的有239个。对于背景和肤色有较为明显差别的图像, 几乎都可以正确检测出人脸的位置与已往的方法相比, 该方法具有较强的鲁棒性, 对有角度的人脸图像也具有一定的适用性。
摘要：采用基于眼睛特征定位的人脸模板匹配方法, 利用不同长宽比的多个人脸模板对候选人脸进行匹配, 并利用人脸器官的边缘分布图进行分块验证。在图像增强的基础上, 利用自适应阈值的方法对图像进行二值化, 结合模板匹配的方法准确提取出双眼对, 有效的减轻后期人脸模板匹配的工作量, 提高了系统的执行效率。
关键词：模板匹配,边缘验证,双眼模板,人脸检测
参考文献
[1]梁路宏, 艾海舟, 何克忠.基于多模板匹配的单人脸检测[J].中国图像图形学报, 1999, 4 (10) .
[2]姜凯, 陈海霞, 刘立峰, 等.基于模板抽样的快速图像匹配算法[J].光学精密工程, 2004, 612 (3) .
基于差影匹配法的人脸检测 篇2
随着人工智能、人机交互、3D显示等技术的发展,计算机视觉领域逐渐成为了一个备受关注的研究领域,特别是在3D显示技术中需要对观察者的位置进行精确的定位。人脸的检测方法有很多大致有这样几类方法:基于知识的方法,比如利用脸部特征间的关系;基于特征不变性的方法,比如肤色,纹理等;模板匹配 的方法;基于训练 集的方法,比如adaboost、svm等。
本论文研究了在3D显示器前观察者的人脸定位问题,利用人眼的亮瞳效应,运动后的帧间差分图像以及主动形状模型对人脸进行快速精确的定位。利用各种定位方法的优势在减少搜索时间的同时又增强了定位的精确度。
1实验原理与算法
1.1亮瞳效应粗定位
人眼在通过具有红外灯照射下的摄像头时会反射回去红外的光线[1],从而在接受的图片中人眼处会形成亮斑。将有无亮瞳的图像进行帧间差分以后二值化会出现一定数量的白点,这些白点就是亮瞳效应产生的候选点,在白点周围很有可能是人脸。
1.2投影法对亮瞳候选点进行筛选
为了进一步去掉干扰的候选点,我们利用了投影法将人脸的大致范围筛选出来。利用视频图像人物的运动特性,将人物运动前后的图像进行差分会得到一个人物的轮廓图像[2],因为背景相对于人在短时间内变化的不大,所以用这种方式可以很好消除背景带来的 影响[3]。算法有 以下几个 步骤组成[4]:
对图像做水平投影和垂直投影,然后对投影图像进行平滑滤波处理,利用滤波消除噪点和凸显峰值。设投影的峰值为M(i),其中i是每个幅值所对应的水平或者垂直投影对应的坐标,则滤波公式为:
之后可以根据经验阈值从投影曲线中找出人脸的上边界和左右边界。
设定下边界的方法是利用的人脸的宽度不可能突变的基本规律,从上边界隔行进行人脸宽度计算如果发生数据突变则说明边界划在了人脸之外。最后将由扫描的获得下边界值和由人脸宽度计算获得的经验下边界进行比较。如果相差在一定阈值内则用扫描的下边界,若相差超过阈值则各个按权重相加。具体公式如下:
另外还可根据所标定出来的正方形大小以及长宽比适当地预测下人脸的大小以及旋转情况。
1.3用模板对人脸区域精确定位
在这里选择了ASM模板对人脸进行最后的精确定位,是因为ASM对人脸的旋转有一定的适应能力可以适应不同角度的人脸检测,但是这个方法的缺点是匹配的结果受初值影响非常大,不然容易陷入局部优化,但是经过前面的定位步骤则可以降低这种风险。
ASM的简单原理如下:
形状模型[5]:
其中,向量b即是模型参数,P是人脸模型的特征子空间,平均形状,S表示目标形状。然后通过在特征点周围取灰度值建立局部灰度模型。
局部灰度模型[6]:
可以看出此模板可变性强,对人脸的旋转都有很好适应能力。
最后可以用马氏距离[7]来衡量特征点符合模型的准确性,即
通过迭代和参数更新找出目标形状S。图3是最后的检测结果和ASM模板:
2小结
本文利用了金字塔模型的人脸搜索方法,由大尺度大范围到小尺度小范围,利用不同检测方式的优点,但是在搜索策略上又不重复,不仅在人脸检测精确度上得到了加强,同时也减少了搜索时间。
摘要：随着3D显示技术的发展,在显示技术中需要对人脸进行精确检测以及对五官进行精确定位。提出了将亮瞳效应、运动帧间差分投影和多模板ASM匹配集于一体的人脸检测方法。首先利用亮瞳效应找出可能包含的人脸区域;然后利用差影法对可能包含的区域进行进一步筛选缩小范围;最后利用多模板ASM方法进行精确定位。此方法发挥各种检测算法的优势,准确率较高,对姿态、表情、背景等变化情况下人脸的检测具有较好的鲁棒性。
人脸匹配 篇3
随着社会经济的发展,智能检测与安全监控等计算机视觉技术获得了多方的重视和广泛的应用,而利用人脸生物特征实现目标的识别、定位与跟踪则已成为有关的研究热点。作为该热点关键技术的人脸匹配则通常是在图像或视频中的给定区域内依据某种特征的相似度量计算且确定部分或全部人脸的位置、关键点或轮廓线[1]。但由于人脸结构差异、视频帧间运动的不确定性以及建模的复杂性,也给其深入研究和实际应用带来了极大的困难。近年来,针对人脸匹配问题,研究人员进行了积极的探索,提出了一些相对有效的解决方案。比如,文献[2]采用基于脸部结构的区域分割方法将人脸分成多个子区域,用不同密集度的弹性图划分和不同的变形粒度实现弹性变形,然后利用确定性退火算法得到弹性变形的最佳匹配,最终在网格平台上通过基于时间约束的最小调度策略实现人脸匹配。由于该方法在人脸区域及等级划分、密度及弹性粒子采集、网格设定及调度算法等方面均具有较高的复杂性,使得匹配运算的开销增大,匹配效果和实时性均不够理想。文献[3]中,利用改进的Shape Context算法,通过融入扩散滤波和数学归一化等方法提取人脸内、外结构特征的边界点集实现简单背景下的人脸目标匹配。由于该方法需要对图像进行预处理,且只选取部分重要特征点,使得匹配仅在具有简单形状和人脸结构的条件下存在适应性,因而在匹配速度和方法的扩展方面性能却较差。文献[4]采用主动形状模型(ASM)获取人脸形状与结构特征,构建基于脸颊、眼、鼻、口等器官的特征点集,利用特征加权与改进的Hausdorff距离判定人脸各部分的相似度,进而实现人脸的匹配。该方法主要侧重对人脸轮廓和形状的匹配,却未考虑到人脸纹理和肤色的相似性,因此仅对正面人脸的匹配具有较好适应性,而对只具有部分人脸特征条件下的匹配则归为效果不佳。视频环境下的人脸匹配不仅要求具备较高的匹配精度,更加强调其匹配速度和实时性,因而,为了更好地解决上述方法中存在的缺陷与不足,本文提出了基于加权直方图的匹配方法,通过融合近年发展起来的序列蒙特卡罗(Sequential Monte Carlo)技术,可减小预测匹配区域,并提高匹配的速度和精度,因此能够成功地运用于复杂的非线性、非高斯的视频人脸目标匹配中。
1 序列蒙特卡罗滤波技术
1.1 基本原理[5]
序列蒙特卡罗滤波(SMCF)是通过非参数化的蒙特卡罗模拟来实现贝叶斯估计,利用样本而不是通过函数形式对概率密度进行描述。其基本思想是利用一系列随机样本的加权和表示所需的后验概率密度,得到状态的最优估计值,而用到的样本即为目标状态描述的一种可能。当样本点数增至无穷大时,蒙特卡罗模拟特性将等价于后验概率密度函数表示,从而使滤波精度逼近最优估计。对其在数学范畴内的描述如下:
于是,k时刻的后验概率密度可以近似地表示为:
该结果可由强大数定律理论来保证其近似的精确度。
以上方法的突出优点在于:该方法不再受线性和高斯分布的限制,原则上适用于可用状态空间模型表示的任何非线性系统。另外,由于所采集的样本具有独立同分布特性,因此该方法也同时具备了并行处理的能力。与其它形式的递推贝叶斯滤波器相比较[6],还具有方法灵活、易于执行和近似结果精度高等特点。
1.2 SMCF技术执行构架
根据上述对SMCF技术基本原理的论述和分析,可将其基本的滤波步骤归纳如下:
(3)计算权值并归一化。利用公式(2)~(4)进行各样本的权值计算,并进行归一化处理。
(5)令k=k+1,返回步骤2。
2 融合SMCF与加权直方图的匹配算法
2.1 目标加权直方图特征的构建
颜色特征是目标匹配与识别的基本特征之一,其对目标的部分遮挡、旋转及尺度变化等情况都具有较好的稳定性。作为图像色彩统计特征,直方图通常表示在RGB颜色空间下对目标区域的像素值或其概率的某种统计,但该方法仅在简单背景下才会具有较好的匹配效果。而当背景复杂且有近肤色物体存在时,其匹配的速度和精度均无法达到理想。考虑到HSV颜色空间比RGB颜色空间更符合常人的视频特性,且已经广泛、有效地应用于图像处理和计算机视觉领域中。而且,在HSV空间下的人脸肤色直方图还具有聚类特性,能有效减少运算,并提高运算速度。因此,本文将采用在HSV空间下的颜色特征统计作为目标特征描述,并且由于亮度分量V对色彩的影响小于其他两个分量,因此将三基色的量化等级设定为Bin=8×8×4。此后,为增强匹配过程的鲁棒性,特征描述中还融合了目标颜色分布的空间信息,根据区域中的位置差异及其在匹配中的作用,为不同像素点赋予不同的权重,完成了具有加权的HSV特征直方图H的构建,其数学模型为:
式中,l为目标区域中心;lm为第m个像素的位置;h=为目标区域的大小;M为目标区域像素点总数;k(·)则为核函数(一般选择高斯核函数);δ(·)为Kronecker Delta函数;C为归一化常数;u为特征分量。HSV加权直方图的效果如图1所示。
2.2 直方图特征与SMCF融合
由1.1节阐述的SMCF原理可知,对此理论应用的关键则是寻求一组样本并赋予其权重,并通过样本的后验运算对当前状态做出估计。在本文的融合算法中,将目标的状态表示为样本,利用系统动态模型对各样本在视频帧间的传播过程加以描述。因此,SMC滤波在某一时刻t的加权样本集可表示为,N表示样本总数,Xt(i)表示第i个样本,wt(i)表示第i个样本相应的权值。其后,利用后验估计可计算得到当前时刻t的状态,由此确定该时刻的匹配目标位置。在t+1时刻,即可利用系统动态模型中的随机样本分布机制,进行下一帧匹配区域的预测和估计。系统动态模型可表示为:
式中,Wt-1为高斯随机噪声矩阵,A为状态转移矩阵。
另外,融合算法中还采用了观测模型来度量物体状态向量和当前观测值的切合程度。模型观测值表示每个样本所对应的目标的可能状态与目标真实状态之间的相似程度,接近目标真实状态的样本将被赋予较大的权值,反之则赋予较小的权值。本文利用采样样本与期望目标之间的色彩分布与空间距离联合定义观测模型为[7]:
式中,qy和qx分别表示样本和期望的色彩特征分布,d为对两者色彩分布相似度进行衡量的距离,η为特征重要性参数。融合匹配算法的具体流程如图2所示。
3 仿真结果与实验分析
为测试本文算法的实际匹配效果,对几组视频在MAT-LAB7.0环境下进行了匹配实验。仿真中的计算机硬件的配置为PIV2.4G,1G内存,采样参数设定为50,视频帧率为15fps,图像格式为真彩色。
实验中对实拍的具有复杂背景的视频序列,分别采用RGB空间下直方图和文中的HSV空间下的加权直方图对人脸目标进行匹配,匹配效果如图3和图4所示。从实验结果可以看出,利用RGB直方图特征进行帧间匹配时,容易受到背景中近肤色物体的影响,从而降低匹配效果,甚至发生匹配失败。而本文算法采用具有聚类特性的HSV加权直方图较好地适应了复杂背景的干扰,另外,由于本文算法又采用了帧间预测实现了目标区域的快速定位,因此有效地减少了匹配处理的运算量,提高了实时匹配效果。图5再以图线形式给出了两种方法实际匹配精度的数学比较。
4 结束语
本文提出了一种融合SMCF与HSV加权空间特征直方图的视频帧间人脸匹配方法,该方法利用SMCF实现目标样本的帧间预测和匹配区域估计,减小了运算开销,并且采用加权的HSV直方图特征增强了匹配的鲁棒性和有效性。实验证明,在SMCF的框架下,算法能够对视频中无规则运动的人脸目标进行快速有效地匹配,同时对背景复杂和存在干扰的视频也具有较好的适应性和鲁棒性。
摘要：在视频流环境下,提出了一种融合序列蒙特卡罗滤波(SMCF)与加权直方图的快速人脸匹配方法,该方法以目标人脸在HSV空间下的加权直方图作为匹配特征,利用SMCF的采样和权值化处理技术预测人脸可能的匹配区域,通过最大后验估计实现目标的快速相似匹配。实验表明,采用在HSV下具有聚类特性的加权直方图特征可有效地适应复杂背景的干扰,同时SMCF的区域预测和最大化估计有效地减小了计算开销,增加了匹配的可靠性,可应用于人脸跟踪、视频监控及数字娱乐等领域。
关键词：视频流,人脸匹配,SMCF,加权直方图
参考文献
[1]林维训,潘刚,吴朝晖,等.脸部特征定位方法综述[J].中国图像图形学报,2003,8(8):849-859.
[2]张海,马华东.基于网格的自适应弹性图人脸匹配方法[J].计算机辅助设计与图形学学报,2008,20(2):253-258.
[3]夏小玲,柴望.基于Shape Context的形状匹配方法的改进[J].东华大学学报(自然科学版),2009,35(1):79-83.
[4]刘福新,杜世培,陈益强.基于改进Hausdorff距离的人脸匹配方法[J].计算机工程与应用,2007,43(35):169-171.
[5]杜云明,颜兵兵.加权采样的序列蒙特卡罗滤波技术[J].火力与指挥控制,2012,37(3):46-50.
[6]DOUCET A,de FREITAS J F G,GORDON N J.SequentialMonte Carlo methods in practice[M].New York:Springer-V-erlag,2001.
