基于體繪制思維的人臉識別算法優(yōu)化研究

摘 要： 傳統(tǒng)的人臉識別算法主要解決二維正面圖像識別，如果人體姿態(tài)發(fā)生明顯變化，或外界環(huán)境發(fā)生顯著變化，則算法性能大大降低，無法獲取準確的識別結(jié)果。體繪制算法針對三維數(shù)據(jù)場進行繪制，繪制的圖像能夠描述人臉的內(nèi)部細節(jié)，可提高人臉識別精度。因此，提出一種基于體繪制思維的人臉識別算法，依據(jù)聚類思想對二維人臉庫進行聚類，在各分類的基礎(chǔ)上，構(gòu)建人臉相似模型。通過錯切變形體制算法，構(gòu)建人臉體數(shù)據(jù)，實現(xiàn)人臉體數(shù)據(jù)坐標系統(tǒng)的轉(zhuǎn)換以及人臉三維圖像的合成，從人臉三維圖像中采集人臉特征，利用相似性模型對人臉關(guān)鍵特征同數(shù)據(jù)庫已有的特征進行匹配分析，完成人臉身份識別。實驗結(jié)果說明，所提算法對于不同表情和不同光照條件下的人臉圖像，都具有較高的識別率和魯棒性。

關(guān)鍵詞： 體繪制； 人臉識別； 三維圖像； 相似性模型

中圖分類號： TN911?34 文獻標識碼： A 文章編號： 1004?373X（2015）24?0019?04

Optimization research of face recognition algorithm based on volume rendering thinking

HUANG Xiaoping

（School of Electromechanical and Quality Technology Engineering， Nanning University， Nanning 530200， China）

Abstract： The traditional face recognition algorithm is used mainly for the two?dimensional positive image recognition. The algorithm performance will be greatly reduced when the human body posture and external environment have changed significantly， so it is unable to obtain the accurate identification results. The volume rendering algorithm conducts drawing for the three?dimensional data field， and the drawed image can describe the internal details of the face， so the accuracy of face recognition can be improved. Therefore， a face recognition algorithm based on volume rendering thinking is proposed， in which the two?dimensional face library is clustered according to the clustering thought， and the similar face models are constructed on the basis of each classification. The face volume data is constructed by the algorithm of shear deformation system to realize the coordinate system transformation of face volume data and synthesis of face three?dimensional images. The facial features are acquired in face three?dimensional image， and the similarity model is used to conduct matching analysis for the face key feature existing in the same database， then face recognition is completed. The experimental results indicate that the proposed algorithm has high recognition rate and robustness for the face images with different expressions and different illumination conditions.

Keywords： volume rendering； face recognition； three?dimensional image； similarity model

0 引 言

人臉識別技術(shù)應(yīng)用廣泛，并且隨著社會的發(fā)展，不同場合對個體身份識別提出了更為嚴格的要求[1?3]。傳統(tǒng)的人臉識別算法主要解決二維正面圖像識別，如果人體姿態(tài)發(fā)生明顯變化，或外界環(huán)境發(fā)生顯著變化，則算法性能大大降低，無法獲取準確的人臉識別結(jié)果[4?6]。體繪制算法針對三維數(shù)據(jù)場進行繪制，繪制的圖像能夠描述人臉的內(nèi)部細節(jié)，可提高人臉識別精度，因此該種算法成為人臉識別領(lǐng)域相關(guān)人員分析的熱點。

當前的人臉識別算法較多，文獻[7]提出基于輪廓線的方法，基于一系列圖像塑造人臉的三維模型，研究人臉模型的面貌曲率，采集輪廓線中的特征點，完成人臉識別；但是該種方法對人臉幾何特征具有較高的敏感性，局限性較高。文獻[8]依據(jù)平均曲率從人臉圖像中采集凸區(qū)域，運算不同人臉凸區(qū)域間的相關(guān)矩陣，基于該矩陣完成人臉識別；該種方法精度較低，容易產(chǎn)生誤判。文獻[9]提出了一種基于深度圖像標定人臉區(qū)域，通過多階段融合方法，實現(xiàn)人臉的有效識別；但該種方法消耗能量較高，識別效率低。文獻[10]分析了一種快速三維人臉識別方法，通過采集人臉上半部分特征，將特征投影到非線性空間，再經(jīng)過支持向量機進行人臉識別；但算法的計算量大，十分耗時。

為了解決上述分析的問題，本文提出了一種基于體繪制思維的人臉識別算法，依據(jù)聚類思想對二維人臉庫進行聚類，再在各分類的基礎(chǔ)上，構(gòu)建人臉相似模型。通過錯切變形體制算法，構(gòu)建人臉體數(shù)據(jù)，合成人臉三維圖像，再從該人臉三維圖像中獲取人臉特征，利用相似性模型對人臉關(guān)鍵特征進行匹配分析，完成人臉身份識別。實驗結(jié)果說明，所提算法對于不同表情和不同光照條件下的人臉圖像，都具有較高的識別率和魯棒性。

1 基于體繪制思維的人臉識別系統(tǒng)框架

依據(jù)傳統(tǒng)相似模型框架，本文提出了基于體繪制思維建模的人臉識別系統(tǒng)框架，如圖1所示。

圖1 系統(tǒng)架構(gòu)圖

本文通過相似性運算模塊，按照輸入的二維圖像，在n個相似模型基于相似性最大原則獲取一個相似模型進行模型匹配。在塑造n個相似模型過程中，基于聚類思想先對二維人臉庫進行聚類，再在各分類的基礎(chǔ)上，構(gòu)建相應(yīng)的相似模型。基于輸入的二維人臉圖像切片序列，通過錯切變形體制算法，對人臉體數(shù)據(jù)進行塑造，完成體數(shù)據(jù)坐標系統(tǒng)的轉(zhuǎn)換和人臉三維圖像的合成。再從合成的人臉三維圖像中采集人臉特征，利用相似性模型對獲取的人臉關(guān)鍵特征同數(shù)據(jù)庫已有的特征進行匹配分析，完成人臉身份識別。

2 塑造相似模型

2.1 模型人臉選擇

運算二維人臉圖像同相似模型間的相似性時，給定模型的組合參數(shù)，則可獲取新的模型人臉[（SMOD，TMOD）]，再計算輸入二維人臉同相似模型間的相似性。人臉相似模型的表達式為：

[SMOD=S+i=lmalsi， TMOD=T+i=lmblti] （1）

式中：[a]和[b]表示模型的組合參數(shù)；[S]和[T]分布表示人臉二維圖像的橫坐標和縱坐標；[S] 和[T]則表示人臉二維圖像橫縱坐標的均值。分析式（1）可得，通過調(diào)控模型組合參數(shù)[a]，[b]，相似模型能夠產(chǎn)生大量的模型人臉，本文選擇平均臉作為人臉相似模型，由式（1）可知，應(yīng)設(shè)置[a]，[b]中的所有[al]和[bl]都取0，則由相似模型產(chǎn)生的新模型人臉就是平均臉[（S，T）]。

2.2 相似性的計算

獲取的平均臉[F（S，T）]是一張二維人臉，形成一張能夠進行相似運算的二維圖像，還應(yīng)獲取相似模型的人臉姿態(tài)、攝像機狀態(tài)、光照環(huán)境等，最終得到的二維平均人臉圖像為：

[Imodel（x，y）=（Ir，motel（x，y），Ig，model（x，y）），Ib，model（x，y））T] （2）

式中：[Ir，motel]表示不同人臉姿態(tài)相似模型；[Ig，model]表示不同攝像機狀態(tài)下相似模型；[Ib，model]表示不同光照環(huán)境下相似模型，則輸入的二維人臉圖像為：

[Iinput（x，y）=（Ir（x，y），Ig（x，y），Ib（x，y））T] （3）

兩張人臉圖像的全部相似和色階的歐幾里得距離為：

[E=x，yIinput（x，y）-Imodel（x，y）2] （4）

式中：[Iinput]表示待識別的二維圖像模型；E的大小描述了兩張人臉相似性的大小，其值越高相似性越低，反之越大。n個相似模型可產(chǎn)生n張對應(yīng)的平均人臉，E最小的平均人臉對應(yīng)的相似模型則是同二維輸入圖像最相似的相似模型，也就是人臉相似模型。

3 人臉識別過程

三維人臉圖像包含較多的信息，人臉識別是提供一張未知身份的人臉圖像，將該張圖像與一個身份已知的人臉數(shù)據(jù)庫圖像進行對比分析，進而明確改張人臉的身份。

3.1 基于體繪制算法的人臉三維圖像重建流程

人臉識別過程中需要獲取人臉特征點的三維數(shù)據(jù)分布，本文基于體繪制算法塑造人臉三維圖像模型，再從該模型中采集人臉特征點，進而采用相似模型對人臉特征點進行匹配分析，完成人臉身份識別。

本文采用錯切變形體繪制算法，實現(xiàn)人三維圖像的重建，詳細的流程圖如圖2所示。

錯切變形算法主要是對人臉體數(shù)據(jù)進行塑造，完成人臉體數(shù)據(jù)坐標系統(tǒng)的轉(zhuǎn)換和三維人臉圖像的合成，具體的過程為：

（1） 讀入二維切片序列塑造人臉三維體數(shù)據(jù)，依據(jù)人臉二維切片的大小依次讀入數(shù)據(jù)，每張二維切片中依據(jù)行列順序讀入相應(yīng)的數(shù)據(jù)，將讀取的數(shù)據(jù)存儲在數(shù)據(jù)組結(jié)構(gòu)中。結(jié)束數(shù)據(jù)讀入工作后，應(yīng)構(gòu)建人臉體數(shù)據(jù)場的物理標系，為數(shù)組中的繪制數(shù)據(jù)設(shè)置惟一的物體坐標值。將原始視矩陣設(shè)置成單位矩陣。

圖2 錯切變形體制流程圖

（2） 將人臉坐標變換成標準人臉坐標，再按照視線完成視矩陣的校正確保校正后的視矩陣轉(zhuǎn)換到人臉觀測坐標系。

（3） 對校正后的視矩陣進行錯切變形分解，獲取錯切矩陣和變形矩陣，確保錯切坐標系中的第三坐標軸同視線方向平行，再將錯切坐標系規(guī)范化，同時對錯切矩陣和變形矩陣校正處理，進而獲取人臉標準錯切坐標系。

（4） 在人臉標準錯切坐標系進行投影操作，基于重采樣和圖像合成原理，在人臉標準錯切坐標系中，進行二維切片內(nèi)的重采樣處理，再對重采樣值按照傳遞函數(shù)進行顏色和不透明度的映射，基于合成算子沿視線進行人臉圖像合成，同時投影到中間投影平面，最終產(chǎn)生中間圖像。

（5） 變形形成最終圖像，對變形矩陣進行降維處理，獲取用于二維圖像的變形矩陣，并將該變形矩陣作用于中間圖像，變形后獲取的圖像則是人臉三維圖像。

3.2 代碼設(shè)計

本文通過標準 C++語言和 Opengl 圖形庫實現(xiàn)上文描述的錯切變形算法，該算法的具體實現(xiàn)用偽代碼描述算法為：

procedure Umonin（erlom）

Qsddm（BxsomWriik）；

AnalysisEdge（）；

Synthetic（）；

Deformation（）；

AccordingFaceimage（）；

end

其中：Umonin（erlom）是主函數(shù)，用于完成erlom 體數(shù)據(jù)的繪制；Qsddm（BxsomWriik）可將視矩陣依據(jù)錯切變形分解理論，分割成錯切矩陣以及變形矩陣，同時將主軸信息存儲下來；AnalysisEdge（）對中間圖像的邊緣盒進行運算，同時運算各張切片在中間圖像的左上角和右下角點的坐標，進而在運算各張切片對中間圖像的價值度過程中，僅對同切片對應(yīng)的中間圖像進行檢索和合成；Synthetic（）完成圖像的合成；并且在在合成圖像過程中，需要依據(jù)切片順序，融合各張切片和中間圖像。Synthetic（）函數(shù)的偽代碼為：

procedure Synthetic（）

for（n=0； n

for（xi=xi_start； xi

for（yi=yi_start； yi

contribution = resample（xi，yi）；

color = C（contribution）；

uqionm = EirongePllon（（Econtribution））；

ContributionToPoint（xi，yi）；

end

end

end

end

合成完成后即生成中間圖像。Deformation（）通過后向變形法，對合成的中間圖像進行變形處理，產(chǎn)生最終的人臉三維圖像。該函數(shù)先按照變形矩陣，運算中間圖像在最終圖像中的包圍盒，再運算包圍盒中的點在中間圖像中的坐標，依據(jù)坐標位置在中間圖像中完成重采樣，獲取的重采樣值則為最終圖像中相關(guān)點的顏色值； AccordingFaceimage（）應(yīng)用OpenGL 的紋理貼圖性能，確保最終圖像顯示到屏幕中。

3.3 三維人臉特征提取和識別

基于錯切變形體繪制算法，重建三維人臉圖像，再從該三維人臉圖像中采集人臉特征。應(yīng)先匹配三維人臉圖像空間坐標進行匹配，通過深度圖像處理技術(shù)分析人臉曲面的曲率等特征，分割人臉曲面凹凸區(qū)域，采集人臉正側(cè)面輪廓邊緣，將采集到的特征當成識別的要素。本文基于圖像灰度提取三維人臉特征，依據(jù)人臉不同區(qū)域的灰度變化情況，先匹配人臉三維圖像空間方向，再將圖像從空間域轉(zhuǎn)換到頻率中進行操作，最終獲取人臉關(guān)鍵特征。

基于采集到的人臉關(guān)鍵特征，通過人臉相似模型同數(shù)據(jù)庫中已有的圖像進行對比，完成人臉識別。相似模型在識別人臉過程中，先匹配人臉總體輪廓和三維空間方向，再在保持姿態(tài)穩(wěn)定的狀態(tài)下，對人臉圖像不同特征點進行匹配，這些特征點通過人臉圖像特征采集過程獲取。匹配過程中按照人臉特征向量的統(tǒng)計相似度完成分析，如果相似度處于一定的區(qū)間中，則為識別結(jié)果。相似度運算公式為：

[S=k1（t1-p1）2+k2（t2-p2）2+km（tm-pm）2] （5）

式中：[ti]表示待檢驗樣本的特征向量的第i個特征分量；[pi]是樣本庫中樣本的特征向量的第i個特征分量；[ki]是第i個特征分量的權(quán)值，m是特征向量的維數(shù)。

4 實驗分析

本文實驗選擇AR人臉庫進行實驗，如圖3所示，選取 AR人臉庫包含105人，其中（a）～（e）為表情變化庫，（g）～（l）為光照變化庫。實驗前先將圖片處理，將其縮放到 46×62大小。

圖3 AR人臉庫

4.1 表情變化實驗

在AR人臉庫上，針對不同的表情變化人臉圖像圖3（a）～（f），采用本文算法和輪廓線算法進行識別，得到的結(jié)果用表1描述。分析表1可得，本文算法對于不同的人臉表情具有較高的識別率。

表1 AR人臉庫中表情不同下不同算法的識別率 %

4.2 光照變化實驗

在AR人臉庫上，針對不同的光照狀態(tài)下人臉表情變化圖像圖3（g）～（l），實驗分別對比兩種方法對應(yīng)不同人臉圖像的識別率。分析表2可以看出，在不同的光照條件下，本文算法對于不同的人臉表情圖像的識別率不低于93%，且遠遠高于輪廓線算法，具有較高的優(yōu)越性。

表2 AR人臉庫中不同光照條件下不同算法的識別率 %

4.3 識別精度對比

為了顯示本文人臉識別算法相對于輪廓線算法在識別效率上的優(yōu)越性，在AR人臉數(shù)據(jù)中任意選取了80張人臉圖像進行實驗。兩種算法對于實驗人臉的識別精度對比結(jié)果如圖4所示。

圖4 識別精度對比

分析圖4可以看出，本文算法在進行人臉識別時的精度遠遠高于輪廓線算法，并且對人臉樣本的數(shù)量不敏感，說明本文算法具有較高的魯棒性。

5 結(jié) 語

本文提出了一種基于體繪制思維的人臉識別算法，依據(jù)聚類思想對二維人臉庫進行聚類，再在各分類的基礎(chǔ)上，構(gòu)建人臉相似模型。通過錯切變形體制算法，構(gòu)建人臉體數(shù)據(jù)，實現(xiàn)人臉體數(shù)據(jù)坐標系統(tǒng)的轉(zhuǎn)換以及人臉三維圖像的合成，從人臉三維圖像中采集人臉特征，利用相似性模型對人臉關(guān)鍵特征同數(shù)據(jù)庫已有的特征進行匹配分析，完成人臉身份識別。實驗結(jié)果說明，所提算法對于不同表情和不同光照條件下的人臉圖像，具有較高的識別率和魯棒性。

參考文獻

[1] 陳炳權(quán)，劉宏立.基于二次修正的 LRP 算子和稀疏表示的人臉表情識別[J].中南大學(xué)學(xué)報：自然科學(xué)版，2014，45（5）：1053?1058.

[2] SINAN N， ROZIATI Z， SAMEEM A K. Detecting face in colored images using multi?skin color models and neural network with texture analysis [J]. Malaysian Journal of Computer Science， 2013， 26（2）： 101?123.

[3] STEFANOS Z， GRAY A A， MARK F H， et al. Face recognition and verification using photometric stereo： the photoface database and a comprehensive evaluation [J]. IEEE Transactions on Information Forensics and Security， 2013， 8（1）： 121?135.

[4] FEMANDES S， BALA J. Performance analysis of PCA?based and LAD?based algorithms for face recognition [J]. International Journal of Signal Processing Systems， 2013， 1（1）： 1?6.

[5] KATSIMEROU C， REDI J A， HEYNDERICKX I. Face detection in intelligent ambiences with colored illumination [C]// Proceedings of 2013 International Symposium on Ambient Intelligence. Salamanca： Springer， 2013： 195?204.

[6] TORU N， TAKAHIRO H， TETSUYA T， et al. RGB?D based 3D?object recognition by LLC using depth spatial pyramid [J]. Information and Communication Engineers， 2013， 112（441）： 43?48.

[7] SURYA P A， SHAILJA S. Automatic face detection using color based segmentation eigen face?based facial recognition [J]. International Journal of Enhanced Research in Science Technology Engineering， 2013， 2（11）： 1?10.

[8] FANHAI X， SHAHREL A S. Fusion of multi color space for human skin region segmentation [J]. International Journal of Information and Electronics Engineering， 2013， 3（2）： 172?174.

[9] 袁建英，郭進，王瑋，等.一種結(jié)構(gòu)光三維掃描系統(tǒng)新標定方法[J].計算機應(yīng)用與軟件，2013，30（3）：151?153.