基于環(huán)形核的旋轉(zhuǎn)不變性特征提取方法

王　迪，陳岳林，蔡曉東，呂　璐

(桂林電子科技大學(xué) 機(jī)械工程學(xué)院，廣西　桂林　541004)

基于環(huán)形核的旋轉(zhuǎn)不變性特征提取方法

王迪，陳岳林，蔡曉東，呂璐

(桂林電子科技大學(xué) 機(jī)械工程學(xué)院，廣西桂林541004)

摘要:針對(duì)人臉在XOZ平面內(nèi)旋轉(zhuǎn)，即在圖像所在平面內(nèi)人臉產(chǎn)生的旋轉(zhuǎn)，因特征值變化大導(dǎo)致人臉識(shí)別率降低的問(wèn)題，提出了一種新穎的基于環(huán)形核的旋轉(zhuǎn)不變性特征(Circular Kernel Feature，CKF)提取方法。所提算法有兩個(gè)創(chuàng)新點(diǎn)，第一點(diǎn)是給出了環(huán)形核的建立方式，定位人臉上明顯的特征部分。第二點(diǎn)是提供了特征的旋轉(zhuǎn)不變計(jì)算方式。首先建立環(huán)形核，定位人臉上明顯特征的坐標(biāo)區(qū)域；然后，用旋轉(zhuǎn)不變的計(jì)算方式獲取定位區(qū)域的特征值。在Georgia Tech人臉數(shù)據(jù)庫(kù)上的實(shí)驗(yàn)證明：人臉旋轉(zhuǎn)前后CKF的值相較Gabor，LBP等特征值的變化小了98%。

關(guān)鍵詞:CKF；旋轉(zhuǎn)不變；環(huán)形核

1人臉識(shí)別

人臉識(shí)別常以比較人臉特征向量的方式衡量相似度，特征向量由特征值計(jì)算方式以及特征點(diǎn)定位兩部分構(gòu)成。人臉識(shí)別的難點(diǎn)在于人臉發(fā)生旋轉(zhuǎn)的前后，人臉上相同位置的特征值發(fā)生了改變，導(dǎo)致同一個(gè)人臉旋轉(zhuǎn)前后特征向量不同，相似度降低，識(shí)別不出是同一個(gè)人。基于解決這個(gè)問(wèn)題，有提出放射變換和透視原理的人臉多紫臺(tái)矯正方法，利用改變圖像比例，旋轉(zhuǎn)角度來(lái)矯正旋轉(zhuǎn)后的人臉，但是這種方法只針對(duì)旋轉(zhuǎn)小于±45°的人臉有效[1]。還有的人臉檢測(cè)中將檢測(cè)到的區(qū)域顏色信息特征向量作為人臉特征，這種算法過(guò)分依賴人臉檢測(cè)準(zhǔn)確率而且耗費(fèi)時(shí)間較長(zhǎng)[2]。也有一些算法采用廣義旋轉(zhuǎn)不變性核函數(shù)，可以大幅提高抗噪能力，但是搭建過(guò)程復(fù)雜，識(shí)別率受參數(shù)影響較大，容易過(guò)擬合[3]。

本文提出了一種旋轉(zhuǎn)不變特征，首先由ASM[4]定位到人臉的鼻尖點(diǎn)，以此為旋轉(zhuǎn)中心；其次，標(biāo)定所需的人臉特征極坐標(biāo)，每個(gè)特征點(diǎn)坐標(biāo)由半徑和角度兩個(gè)參數(shù)決定；最后求該坐標(biāo)附近3×3區(qū)域的像素均值作為該坐標(biāo)點(diǎn)的特征值。由此得到的特征向量依然會(huì)隨人臉旋轉(zhuǎn)發(fā)生改變，因此半徑相同的坐標(biāo)點(diǎn)的特征值要按從小到大的順序存放入特征向量。這樣即使人臉在XOZ平面內(nèi)旋轉(zhuǎn)，特征向量也不會(huì)發(fā)生變化。

2CKF特征提取

提取CKF需要構(gòu)建一個(gè)環(huán)形核保存特征點(diǎn)的特征值，特征點(diǎn)由半徑和角度兩個(gè)參數(shù)決定，半徑相同的特征點(diǎn)作為一環(huán)存入一個(gè)特征向量。人臉上所有點(diǎn)之間的距離不會(huì)隨人臉旋轉(zhuǎn)發(fā)生變化，因此當(dāng)確定一個(gè)旋轉(zhuǎn)中心后，任一定位到的特征點(diǎn)在人臉旋轉(zhuǎn)前后都處在同一個(gè)環(huán)上。

2.1構(gòu)建環(huán)形核

本文提出了一種CKF特征，它提取了人臉旋轉(zhuǎn)不變性特征。

首先，為了構(gòu)建環(huán)形核本文采用了ASM模型[5]定位出圖像的鼻尖點(diǎn)，如圖1所示第52號(hào)點(diǎn)作為旋轉(zhuǎn)中心點(diǎn)。半徑是由人臉上幾處關(guān)鍵點(diǎn)位置[6]決定的，本文給出5個(gè)位置，均由ASM定位獲取，它們分別到旋轉(zhuǎn)中心的連線作為5個(gè)環(huán)的半徑。如圖1所示，5條連線即5個(gè)環(huán)的半徑，這5個(gè)關(guān)鍵點(diǎn)由近及遠(yuǎn)依次為：人中頂部點(diǎn)(第56號(hào)點(diǎn))、左鼻翼最左點(diǎn)(第58號(hào)點(diǎn))、上嘴唇下沿中點(diǎn)(第67號(hào)點(diǎn))、嘴巴左邊角點(diǎn)(第59號(hào)點(diǎn))、左眼瞳孔中心點(diǎn)(第38號(hào)點(diǎn))。這些都是梯度較大點(diǎn)，特征信息較多，因此選這些點(diǎn)所在環(huán)的特征值作為人臉特征信息。

圖1　ASM定位點(diǎn)圖

其中，5條連線的交點(diǎn)即第52號(hào)點(diǎn)是旋轉(zhuǎn)中心點(diǎn)；鮮紅色連線的末端即人中頂部點(diǎn)(第56號(hào)點(diǎn))；黃色連線的末端即左鼻翼最左點(diǎn)(第58號(hào)點(diǎn))；綠色連線的末端即上嘴唇下沿中點(diǎn)(第67號(hào)點(diǎn))；深紅色連線的末端即嘴巴左邊角點(diǎn)(第59號(hào)點(diǎn))；黑色連線的末端即左眼瞳孔中心點(diǎn)(第38號(hào)點(diǎn))。

任意特征點(diǎn)的角度是由該點(diǎn)的半徑?jīng)Q定的，L(周長(zhǎng))=2×π×R，向下取整得到該特征點(diǎn)所在環(huán)的像素點(diǎn)個(gè)數(shù)，被360°整除，得到該環(huán)上每個(gè)特征點(diǎn)的角度間隔，即人臉上每環(huán)像素點(diǎn)極坐標(biāo)確定了，如圖2所示。

圖2　每一環(huán)的角度分布圖

L=2×PI×R，N=[360/L]

(1)

式中：L表示一環(huán)有L個(gè)像素點(diǎn)；“[ ]”表示向下取整；N表示一環(huán)有N個(gè)特征點(diǎn)。

2.2計(jì)算旋轉(zhuǎn)不變性特征值

算法流程如下：

1)for i=0，…，num_ring

2)for j=0，…，num_pixes

計(jì)算每個(gè)像素點(diǎn)的局部均值作為該點(diǎn)的像素值；

存入pixes[num_pixes]數(shù)組；

3)endfor；

4)for m=0，…num_pixes-1

5)for n=m+1，…，num_pixes

6)if pixes[n]

temp=pixes[n]；

pixes[n]=pixes[m]；

pixes[m]=temp；

7)end if；

8)end for；

9)end for；

10)end；

其中：num_ring表示總環(huán)數(shù)；num_pixes表示每環(huán)的特征點(diǎn)個(gè)數(shù)；pixes[num_pixes]表示每環(huán)存放特征點(diǎn)的數(shù)組。具體計(jì)算過(guò)程如下。

搭建好環(huán)形核，在這些極坐標(biāo)處計(jì)算特征值并按序存放。首先，將每個(gè)極坐標(biāo)轉(zhuǎn)換為人臉圖像上的直角坐標(biāo)，在每個(gè)特征點(diǎn)3×3鄰域計(jì)算像素均值，作為該特征點(diǎn)的特征值，目的是降低定位帶來(lái)的誤差，取定位到的特征點(diǎn)的特征模糊值，如圖3所示。

X=(a1+a2+a3+a4+a5+a6+a7+a8)/8

(2)

圖3　特征模糊值計(jì)算圖

式中：S={a1，a2，a3，a4，a5，a6，a7，a8}表示某像素點(diǎn)X的周?chē)?個(gè)像素點(diǎn)的集合；ai(i≤8)表示第i個(gè)像素點(diǎn)的像素值。

每環(huán)的全部特征值要按從小到大的順序依次存入一個(gè)特征向量，因?yàn)槿四槹l(fā)生旋轉(zhuǎn)前后，任一特征點(diǎn)都在同一個(gè)環(huán)上，但是在環(huán)上的位置會(huì)發(fā)生變化。因此CKF在保存特征值的時(shí)候是按序存放，即使人臉發(fā)生旋轉(zhuǎn)，特征向量中的特征值順序不發(fā)生變化。旋轉(zhuǎn)前后的人臉圖像對(duì)比每環(huán)特征向量都大致相同，如圖4所示，即CKF是旋轉(zhuǎn)不變的特征。

圖4　旋轉(zhuǎn)不變性計(jì)算圖

算法流程如下：

1)for m=0,…num_pixes-1

2)for n=m+1,…,num_pixes

3)if pixes[n]

temp=pixes[n];

pixes[n]=pixes[m];

pixes[m]=temp;

4)end if;

5)end for;

6)end for;

其中，num_pixes 表示每環(huán)有num_pixes個(gè)特征點(diǎn)，pixes[num_pixes]表示每環(huán)的特征點(diǎn)都存放這個(gè)數(shù)組，將每環(huán)的特征點(diǎn)按特征從小到大的順序存放。因此旋轉(zhuǎn)前后同一環(huán)上的pixes[num_pixes]的值是相同的。由圖4可以看出，旋轉(zhuǎn)前后人臉的CKF相同，即CKF的旋轉(zhuǎn)不變性。

3實(shí)驗(yàn)及結(jié)果分析

3.1實(shí)驗(yàn)?zāi)繕?biāo)及過(guò)程

實(shí)驗(yàn)采用Georgia Tech人臉數(shù)據(jù)庫(kù)50人，每人15張不同姿態(tài)的人臉圖像，共計(jì)750張。使用該人臉數(shù)據(jù)庫(kù)原因如下：1)每個(gè)人都有多張XOZ平面內(nèi)的旋轉(zhuǎn)圖像；2)背景干擾小；3)像素足夠清晰。

實(shí)驗(yàn)階段將每個(gè)人的正臉和在XOZ平面內(nèi)發(fā)生旋轉(zhuǎn)的圖像取出。以單個(gè)人為例，提取正臉的CKF和一個(gè)旋轉(zhuǎn)后人臉的CKF，如圖5部分樣本所示。旋轉(zhuǎn)前后的人臉都用一個(gè)CKF構(gòu)成的特征向量表示，圖5a是旋轉(zhuǎn)前的正臉，圖5b是旋轉(zhuǎn)后的臉。計(jì)算一個(gè)人的旋轉(zhuǎn)前后圖像的特征向量的歐氏距離。同理提取人臉的Gabor[7]和LBP[8]特征，結(jié)論見(jiàn)圖6所示。

圖5　人臉數(shù)據(jù)庫(kù)

圖6　不同算法提取的特征向量歐氏距離對(duì)比圖

3.2實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)結(jié)果如圖6所示，其中提取的是Georgia Tech人臉數(shù)據(jù)庫(kù)中750張圖像的CFK作為特征向量，比較旋轉(zhuǎn)前后兩圖像特征向量的的歐氏距離，平均歐氏距離為400，而提取Gabor和LBP特征作為特征向量，旋轉(zhuǎn)前后圖像的平均歐氏距離達(dá)到了20 000以上。因此實(shí)驗(yàn)證明：CFK特征較Gabor，LBP這類傳統(tǒng)特征具有較強(qiáng)的旋轉(zhuǎn)不變性。

4結(jié)束語(yǔ)

本文提取人臉的CKF特征，該特征：1)建立的環(huán)形核，核內(nèi)特征值不會(huì)隨人臉旋轉(zhuǎn)而發(fā)生改變；2)在ASM定位準(zhǔn)確時(shí)，由實(shí)驗(yàn)數(shù)據(jù)可知CKF相比Gabor和LBP兩種特征，對(duì)于人臉旋轉(zhuǎn)更具有魯棒性，可推廣到人臉識(shí)別應(yīng)用領(lǐng)域。未來(lái)進(jìn)一步的研究方向是在其他平面內(nèi)改進(jìn)CKF，最終實(shí)現(xiàn)CKF適用于人臉的各種姿態(tài)變化。

參考文獻(xiàn)：

[1]GUO B F，LAM K M，LIN K H，et al.Human face recognition based on spatially weighted Hausdorff distance[J].Pattern recognition letters，2003，24(3)：499-507.

[2]祝磊，朱善安.人臉識(shí)別的一種新的特征提取方法[J].光電工程，2007，34(6)：122-125.

[3]HAMSICIONUR C. Rotation invariant kernels and their application to shape analysis[J].IEEE transactions on pattern analysis and machine intelligence，2009，31(11)：1985-1999.

[4]LI D，KONG F. Facial feature point extraction using a new improve active shape model[J].International congress on image & signal processing,2010(2)：944-948.

[5]MILBORROW S，MORKEL J，NICOLLS F. The MUCT landmarked face database[EB/OL].[2015-08-24]. https://www.researchgate.net/publication/264885609_The_MUCT_Landmarked_Face_Database.

[6]MILBORROW S，NICOLLS F. Active shape models with SIFT descriptors and MARS[EB/OL].[2015-08-24].http://xueshu.baidu.com/s?wd=paperuri%3A%285a8b47ec4e9b9f94367f00bfa93f45c0%29&filter=sc_long_sign&tn=SE_xueshusource_2kduw22v&sc_vurl=http%3A%2F%2Fdx.doi.org%2F10.5220%2F0004680003800387&ie=utf-8.

[7]王慶軍，張汝波.基于Log-Gabor和正交等度規(guī)映射的人臉識(shí)別[J].計(jì)算機(jī)科學(xué)，2011，38(2)：274-276.

[8]王映輝. 人臉識(shí)別—原理、方法與技術(shù)[M].北京：科學(xué)出版社，2010.

王迪(1988— )，碩士生，主研智能視頻分析與人臉識(shí)別；

陳岳林(1968— )，碩士生導(dǎo)師，主研機(jī)制、機(jī)電等；

蔡曉東(1971— )，碩士生導(dǎo)師，主研并行化圖像和視頻處理、模式識(shí)別與智能系統(tǒng)、基于云構(gòu)架的智能傳感器網(wǎng)絡(luò)，為本文通訊作者；

呂璐(1992— )，碩士生，主研智能視頻分析與人臉識(shí)別。

責(zé)任編輯：時(shí)雯

Feature extraction method based on CKF for face recognition

WANG Di，CHEN Yuelin，CAI Xiaodong，Lü Lu

(SchoolofInformationandCommunication，GuilinUniversityofElectronicTechnology，GuangxiGuilin541004，China)

Abstract:A novel mechanism named CKF(Circular Kernel Feature) for solving the problem that face recognition rate reduced by rotation is proposed in this paper. Firstly， characteristics of rotation in-variants are defined. Then， to establish the annular nuclear，striking features are located. Secondly， eigenvalues by rotation invariant method are calculated . Experimental results show that， compared with traditional Gabor and LBP， the Euclidean distance of CKF achieved 98 percent reduction using Georgia Tech database.

Key words:CKF；rotation invariant；circular nucleus

中圖分類號(hào):TP391.4

文獻(xiàn)標(biāo)志碼：A

DOI：10.16280/j.videoe.2016.03.001

基金項(xiàng)目：國(guó)家科技支撐計(jì)劃課題項(xiàng)目(2014BAK11B02)；廣西科學(xué)研究與技術(shù)開(kāi)發(fā)計(jì)劃項(xiàng)目(桂科攻14122007-5)；廣西自然科學(xué)基金項(xiàng)目(2013GXNSFAA019326)

作者簡(jiǎn)介：

收稿日期：2015-08-24

文獻(xiàn)引用格式：王迪，陳岳林，蔡曉東，等.基于環(huán)形核的旋轉(zhuǎn)不變性特征提取方法[J].電視技術(shù),2016，40(3)：1-4.

WANG D，CHEN Y L，CAI X D，et al.Feature extraction method based on CKF for face recognition [J].Video engineering,2016,40(3)：1-4.