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