不确定性估计结合主动外观模型三维特征提取的人脸识别方法.docVIP

不确定性估计结合主动外观模型三维特征提取的人脸识别方法 　　摘要：对于人脸识别分类结果中的可信度问题，提出一种基于不确定性理论的人脸识别方法。首先，为了估计3D特征，使用主动外观模型（AAM）和三角测量处理两幅未知对象的2D图像；然后，估计数据库中每个对象的分数，通过不确定性进一步处理两幅图像；最后，决策过程根据估计的分数和估计的不确定性分类列表，其中分类列表中存储了所有已识别对象及其对应的可信度此处为“可信度”，2.2节中为“置信度”？以哪个为准？是否需要统一？请明确。。实验采用含两个摄像头的立体视觉系统采集各种姿态的人脸图像。与类似的概率预测测量方法相比，所提方法的正确检测率提高10%左右，漏检率至少降低了9%因与3.2节的数据不太一致，此处的数据对吗？请明确。。实验结果表明，所提方法通过构建3D图像特征的不确定性信息和采用合适的统计方法提高了分类结果的准确率。 　　关键词： 　　人脸识别；可信度；不确定性；生物识别算法；分类器 　　中图分类号： TP391.413 文献标志码：A 　　0引言 　　人脸识别[1]已广泛应用于基于生物特征的人机交互中，如视频监控和访问控制等[2]。人脸识别方法众多，比较具代表性的有主成分分析（Principal Component Analysis， PCA）[3]、线性成分分析（Linear Discriminant Analysis， LDA）[4]、独立主成分分析（Independent Component Analysis， ICA）[5]等，这些方法在非限制条件下均能取得不错的效果；但是，当出现光照、姿态、表情及场景等变化时，效果并不理想。 　　为了解决三维人脸识别中的问题，已有不少相关方法被提出。例如，文献[6]基于二维主成分分析，保留人脸部的拓扑关系，采用非负矩阵进行局部特征识别；然而，二维人脸识别容易出现光照变化和姿态变化引起的问题。文献[7]利用输入数据的测量不确定性解决识别和分类问题。该方法以概率统计为基础，系统输出为可信度，且使用准确率、错误率和弃权率改善方法性能。每个类使用一种置信度（Confidence Level， CL）描述，以获取每种类别的测量不确定性。文献[8]使用计量特征和预测线性判别分析进行特征降维，通过相关性和信息强度来降低错误决策；然而，从用户角度看，可操作性大为降低。文献[9]针对人脸畸变、表情变化等不可控因素，在B样条的多级模型自由形式形变（Free Form Deformation， FFD）基础上，利用低分辨率FFD网格进行全局配准，全局配准后，分块计算各子块的相关性，相关系数小的子块采用高分辨率FFD网格进行细配准，采用的凸集投影（Projections Onto Convex Sets， POCS）重建多帧图像为高分辨率图像；然而，重建和拟合过程的误差较大，且POCS重建易产生边缘模糊问题。文献[10]提出了基于多特征3D人脸识别方法，使用三种方法从人脸图像中提取特征，即最大曲率图像、平均边缘图像、范围图像，利用权重线性组合构建融合特征；该方法可以取得不错的识别效果，然而，需要使用3D扫描仪/照相机，这是一种价格非常昂贵的数据采集工具，且需要较长的处理时间。 　　一般人脸识别方法的主要问题包括：源不确定（例如立体像机是“摄像机”，还是“像机”？还有“相机”的描述？是否需要统一一下？请明确。的位置不确定，像机校准过程不确定）；在3D空间提取的特征具有不确定传播特性（例如：训练阶段的影响，两幅图像不确定性）和比较阶段的分数。本文方法能够有效确定系统参数最优值（例如：像机位置、评价分数中每种特征的权重）。其主要工作如下： 　　1）本文将不确定性扩展为基于3D特征的人脸识别算法的不确定性，提出了用于匹配目标对象形状的统计模型算法。 　　2）通过使用主动外观模型（Active Appearance Model， AAM）算法处理一对立体图像，从中获取2D标记点，扩展了AMM的应用范围。 　　1生物识别方法――AAM 　　本文分类算法流程如图1所示。首先，为了估计3D特征，使用生物识别算法[11]（AAM）和三角测量处理两幅未知对象的2D图像；然后，估计数据库中每个对象的分数，通过不确定性算法进一步处理两幅图像；最后，决策过程根据估计的分数和估计的不确定性计算分类列表，该分类列表中存储了所有已经识别的对象和其对应的可信度。 　　1.1提取3D特征 　　本文使用一组立体像机采集人脸图像，然后使用AAM软件[12]自动检测人脸图像中一组标志的2D坐标，利用三角测量两幅2D模板图像以获取一幅3D模板，如图2所示，将该3D模板图像与数据库中每个3D模板作比较，完成人脸识别，该过程中会获取每次比较的分数，详细过程如下。