基于SIFT的阈值匹配的人脸识别算法.docVIP

基于SIFT的阈值匹配的人脸识别算法 　　摘 要：SIFT算法优点是在对特征点的个数和有效点的比例没有要求的前提下对视角变化、尺度缩放、亮度变化、噪声等都能保持相对的稳定性。但是该算法原有的对关键点非匹配策略在图像纹理复杂情况下存在缺陷。本文提出了一种关键点阈值匹配算法可避免使用常规错的关键点人脸图像网格。在各种转换中得到较稳定的鲁棒性。 　　关键词：阈值匹配；SIFT算法；人脸识别 　　中图分类号：TP391.41 　　人脸识别利用生物特征的普遍性、唯一性、防卫性、可接受性进行身份识别可以避免上已有的身份鉴别技术缺陷，在技术应用上具有非接触性，采集成本低廉的特点。 　　人脸自动识别系统包括两个主要技术环节。首先是人脸检测和定位，即从输入图像中找到人脸及人脸存在的位置，并将人脸从背景中分割出来，然后才是对归一化的人脸图像进行特征提取与识别[1]。 　　在本文中，通过扩展网格SIFT方法，提出一个新的关键点面部识别的匹配策略。匹配策略可避免错配局部的关键点，通过人脸图像规则化网格为局部的关键点的位置信息。此外，匹配策略可以给各类转换提供稳定的鲁棒性，通过使用局部独立的标注提出投票策略的关键点。 　　1 SIFT算法 　　尺度不变特征变换（SIFT）算法由DAVID G.L.于1999年提出[2]，并于2004年进行了发展和完善，MIKOLAJCZYK[3]对多种描述子进行实验分析，结果证实了SIFT描述子具有最强的鲁棒性。尺度不变特征变换提取鲜明已经提出图像不变特征，它可以用于执行可靠的匹配之间的物体或场景。 　　它包括两个主要阶段计算生成的图像特征[4]。 　　2 阈值匹配 　　匹配的关键点对给出的最小距离，可能会来自面部图像的不同部分。例如，可从左眼的关键点匹配右眼或口之一。这种不匹配可能会导致分类性能低。 　　为了克服这一缺点，Bicego等建议[5]。分别使用特定的网格重叠的子图像的图像。两幅图像之间的距离可以测量计算最低对所有相应的子图像之间的距离与它们平均。 　　2.2 关键点投票。标准的SIFT方法和SIFT网格法测量距离测试图像和每个训练图像之间，以一个指定测试图像类从训练图像的最小距离。我们利用当地的关键点独立属性由SIFT特征，并尝试分配到一个特定的测试图像中的每个独立关键点类。为每个关键点的分配结果将由整个测试图像的类成员的决定。 　　由重要的面部特征，如眼睛，鼻子和嘴可以有所不同独立，一个关键点，在图像匹配分值高，可以降低在另一幅图像，即从同一人的两个图像匹配得分。该方法可以在这里找到相应的训练图像最相似的变化定位。我们可以通过投票的每个关键点的分配结果。 　　2.3 阈值的混合方法。为了克服上述两种方法的缺点，我们提出一个混合匹配策略。该匹配策略包括三个步骤。在第一步，我们对所有训练图像进行筛选获得的关键点。接下来，在SIFT网格法，每次训练图像细分为不同的子图像重叠使用一个普通的网格，为每一个关键点训练其中N表示训练图像的数量。 　　2.4 提出的混合匹配策略可以给某个区域的信息。使用规则网格的人脸图像，并利用定位的独立关键点。此外，当人脸图像是由太阳眼镜或围巾遮挡，它可能的是修改使用阈值技术的匹配策略。由于非人脸因素，如太阳眼镜或围巾，关键点不应该用来区分，我们需要放弃他们使用阈值。它可以实现只是到一个关键点，对距离小于阈值的最低作为一票。以下将描述每一个匹配的策略的结果人脸识别。 　　3 实验和结果 　　从AR人脸数据库是一个著名的基准数据库。从库中同一个人物的图片，选择各种表情，光照条件，封闭的转换。所有图片都是768×576像素和24位的深度。从这个数据库中，我们随机选取了40不同的个人（20名男性和20女）和使用的第一次训练的数据集。与768的原始色彩图像×576像素演变到85×60像素阵列中所述。选定图像出现和我们转换灰度图像。为提高计算效率，图像的大小减小到68×50像素。 　　使用这些图像，我们构建了两个数据集，包括不同照片。数据集1训练，每个子类取三个非封闭的图像。用于测试，仍然从每个主题的四个非封闭的图像使用。 　　数据集2训练，三个非封闭的图像，从每一个子类测试，仍然是四个非封闭的图像和6个封闭的图像分配每个子类使用。 　　实验结果显示在数据集1常出现有普遍偏低的表现数据。不同于PCA，LDA的比数据集1赋予更好的表现。然而，LDA未能找到有意义的功能来区分面孔。这意味着LDA是不是适合封闭数据。 　　4 结论 　　为了应用SIFT为代表的面部图像数据的方法，本文提出一种混合匹配的策略，结合SIFT方法关键点投票与一个阈值。混合匹配策略，可以使用功能的区位信息定位人脸图像，还可以利用区域中的独立关键点。此外，当人脸由太阳眼镜或