基于贝叶斯多元分布特征提取的三维人脸识别方法

文档序号:8319541阅读:340来源:国知局
基于贝叶斯多元分布特征提取的三维人脸识别方法
【技术领域】
[0001] 本发明属于生物特征识别技术领域,具体涉及一种新的基于贝叶斯多元分布特征 提取的三维人脸识别方法。
【背景技术】
[0002] 过去的几十年中,在科学和工业界上人脸识别获得了巨大的关注。其中二维人脸 识别技术已被广泛地研究。但是在照明条件、姿势和表示方式的约束条件下,二维人脸识别 仍然是一个挑战。在这方面,脸部的三维形状数据可看作是不随光照、视图的变化而变化, 且化妆等附属物对图像影响很大而对三维数据影响不明显。因而,三维人脸识别被认为具 有光照不变、姿态不变的特性,其比二维人脸的识别更加有利。
[0003] 根据特征形式,三维人脸识别算法大致可以分为基于空域直接匹配和基于特征 匹配两大类。其中基于空域直接匹配的方法不提取特征,直接进行曲面相似度匹配。经典 的算法有迭代最近点法和Hausdorff距离法等。然而每个三维人脸模型可能包含成千上万 的点,因此空域直接匹配的方法具有较高的计算成本。
[0004] 在基于特征匹配算法中,特征是从一个对象中提取的、在一定条件下保持稳定不 变的属性,其本质可以看作对一个对象的信息进行压缩或其他变换处理。在三维人脸识别 中,常用的特征有梯度、曲率和深度信息等。因此基于这些特征,一些经典的二维人脸识别 方法可以在此应用,例如线性判别分析(LDA),主成分分析(PCA)及其拓展等。
[0005] 三维人脸识别的主要难点之一是三维人脸样本的收集较为困难。许多现有的人脸 识别技术高度依赖于训练数据集的大小和信息。在单个训练样本的条件下,由于高维空间 中训练样本的缺少,上述方法的识别效果并不理想。因此针对单样本识别问题,主要的挑战 是三维人脸的特征提取。为了克服现有技术存在的缺点和训练样本的不足,本发明提出了 一种基于贝叶斯多元分布特征提取的三维人脸识别方法,具较好的识别效果。

【发明内容】

[0006] 本发明的目的在于克服现有技术存在的缺点和训练样本的不足,提出一种基于贝 叶斯多元分布特征提取的三维人脸识别方法,使在单样本训练条件下具有较好的识别效 果。
[0007] 在以下的描述中,结合附图对本
【发明内容】
作进一步详细解释。
[0008] 基于贝叶斯多元分布特征提取的三维人脸识别方法,包括三维数据预处理,特征 提取和识别分类三部分。
[0009] 步骤1,三维数据预处理:展示了三维人脸数据预处理的过程。具体步骤如下。
[0010] 步骤11:有效数据采集。三维数据的缺陷包含数据缺失、峰值以及冗余数据,如 衣服,脖子,耳朵和头发等。因此在这一步中,需要从三维数据中删除冗余数据,排除噪 声数据,并使用线性插值算法将缺失的数据空隙填满。本发明搜索每个缺少深度值的左边 界和右边界值并使用线性插值算法计算这些缺少的值。
[0011] 步骤12:数据规范化。以鼻子的最高点为参照点对齐所有的三维数据。
[0012] 步骤13 :数据映射。将三维数据的深度信息映射到同一个参照面上,得到深度图。
[0013] 步骤2,特征提取:基于贝叶斯的多元分布对分块的深度图进行特征提取,使获得 的特征具有最小的类内距离和最大的类间距离,即具有最佳的可分离性。具体步骤如下。
[0014] 步骤21 :在单样本训练条件下,为了解决训练样本不足的问题,将训练样本和待 识别样本的深度图进行分块,增加了训练样本信息,得到数据集合Ix iJ。其中,Rm表示 第i个训练样本的第r个分块的深度特征向量。在本发明中,根据经验将深度图分成8X8 块。
[0015] 步骤22:初始化每个训练样本的映射矩阵Wf和特征向量μ%计算公式为
【主权项】
1.基于贝叶斯多元分布特征提取的三维人脸识别方法,包括: 步骤1,三维数据预处理:展示了三维人脸数据预处理的过程;具体步骤如下; 步骤11 :有效数据采集;三维数据的缺陷包含数据缺失、峰值以及冗余数据,如衣服, 脖子,耳朵和头发等;因此在这一步中,需要从三维数据中删除冗余数据,排除噪声数据, 并使用线性插值算法将缺失的数据空隙填满;本发明搜索每个缺少深度值的左边界和右边 界值并使用线性插值算法计算这些缺少的值; 步骤12 :数据规范化;以鼻子的最高点为参照点对齐所有的三维数据; 步骤13 :数据映射;将三维数据的深度信息映射到同一个参照面上,得到深度图; 步骤2,特征提取:基于贝叶斯的多元分布对分块的深度图进行特征提取,使获得的特 征具有最小的类内距离和最大的类间距离,即具有最佳的可分离性;具体步骤如下; 步骤21 :在单样本训练条件下,为了解决训练样本不足的问题,将训练样本和待识别 样本的深度图进行分块,增加了训练样本信息,得到数据集合IxiJ ;其中,Rm表示第i 个训练样本的第r个分块的深度特征向量;在本发明中,根据经验将深度图分成8X8块; 步骤22 :初始化每个训练样本的映射矩阵Wf和特征向量<,计算公式为W;5 =/"_, \ ;其中i = U···,!!,η表示训练样本数量;t表示每个训练样本的分块 数量;Rm表示第i个训练样本的第r个分块的深度特征向量;W, eiTM表示将m维训 练样本X J拳维为m i维向量的映射矩阵;4,,为HiXmi的单位矩阵;m 1取经验值50 ; 步骤23 :分别根据以下公式(6)和(7)来更新特征向量μ〖和映射矩阵胃; 为了得到最有分辨效果的特征向量μ i,具体目标方程如下:
其中,η表示训练样本数量;t表示每个训练样本的分块数量;Xil^e Rm表示第i个训 练样本的第r个分块的深度特征向量;W, 表示将m维训练样本Xt降维为 m i维向量 的映射矩阵,则表示样本降维之后的特征向量;通过Wi的值计算获得的特征具有最 小的类内距离和最大的类间距离,其中参数Σ凑示训练样本每个分块之间的HiiXmi维聚 合度矩阵,其值越小,则计算获得的特征在同一个样本不同分块间更聚集;参数Σ ' 1表示 不同训练样本之间的聚合度矩阵,其值越大,则计算获得的特征在不同样本之间越分散;对 Σ i本别取经验值0.5XI,2XI,其中I是单位矩阵; 公式(1)等式右边第一项来自多元高斯分布的指数部分,公式如下:
公式变量含义同公式(I);同一个样本的各个分块的特征数据间应服从高斯分布,并 且每个样本相互独立,可得到似然函数即公式(3);该分布约束了样本的类内距离,即保持 样本每个分块之间较小的类内距离; 公式(1)等式右边第二项来自指数分布的指数部分,公式如下:
公式变量含义同公式(1);不同样本的特征向量μ JP μ 尹i)应服从指数分布,并 且每个样本相互独立,可得到先验函数即公式(5);该分布约束了样本的类间距离,即保持 不同样本之间较大的类间距离; 则通过贝叶斯定理,特征向量Ui的条件概率正比于似然函数(3)与先验函数(5)的 乘积:/^,\\^工工')《:户(\\^如工);?(只,.|1丨);则通过上述多元分布,为了 求得特征向量μ 最大后验估计,即可简化为目标公式(1); 为求解公式(1),通过对其求偏导进行迭代逼近,可计算获得特征向量Ui和映射矩阵 ffi:
其中参数
,公式变量含义同 公式(1); 步骤24 :重复步骤三直到达到最大迭代次数或者收敛;获得最优的特征向量和映射矩 阵,即 Jii 二μ;',Wi=WiS i'=l,2,·.·,?; 步骤3,识别分类:根据上述获得的特征向量和映射矩阵,在训练样本中需寻找与待识 别样本最相似的匹配样本; 应用基于马氏距离的分类方法,寻找最优分类标签: identity (c) = argminid(Xi, Χτ), (8)
其中,c是计算得到的最佳分类标签;CKLXt)是第i个训练样本Xi与待识别样本Xt 之间距离函数,表示两个样本的相似程度;其距离定义为各个样本所提取的特征向量μ 1与 待识别样本所提取的特征向量μ 间的马氏距离,由不同样本之间的聚合度矩阵Σ ' 1来 调控;其中待识别样本所提取的特征μτ由公式计算获得,Xft表示待识别样 本原始数据第r个分块的深度特征向量,11表示由上个步骤计算获得的第i个训练样本的 映射矩阵; 根据公式(9)可计算出待识别人脸与训练库中每个人的马氏距离,即相似度;再由公 式(8)确定待识别人脸的所属个人标签,即其识别结果。
【专利摘要】基于贝叶斯多元分布特征提取的三维人脸识别方法,包括三维数据预处理,特征提取和识别分类。本发明的优点是:克服现有技术存在的计算量大的缺点,本发明用三维人脸深度图进行识别,可减少计算量,提高识别效率;并解决单样本识别问题中训练样本不足的问题,用分块方法增加训练样本;在此基础上提出一种基于贝叶斯分析的特征提取方法,使获得的特征具有最小的类内距离和最大的类间距离,即具有最佳的可分离性;并用基于马氏距离的分类方法,获得最优的识别分类。经实验数据证明,本发明的方法具有较好的三维人脸识别结果。
【IPC分类】G06K9-66, G06K9-46, G06K9-00
【公开号】CN104636729
【申请号】CN201510069223
【发明人】梁荣华, 沈闻佳, 李小薪, 王海霞, 蒋莉, 胡顺福
【申请人】浙江工业大学
【公开日】2015年5月20日
【申请日】2015年2月10日
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1