基于特征點的人臉相似性評估模型

陳利軍 譚海 徐華健

摘要：提出了一種基于人臉特征點的人臉相似性評估模型，該模型采用自然場景下人臉姿態(tài)估計模型得出的人臉特征點，通過歐式距離計算方式對特征點集的拓撲結(jié)構(gòu)進行信息展開，得出人臉特征點的距離對稱矩陣。接著在該矩陣下構(gòu)建特征化規(guī)則，將人臉圖像轉(zhuǎn)化為特征向量。最后通過特征相似方法得出人臉的相似度。實驗表明，該模型能夠?qū)θ四樝嗨菩栽u估取得較好的效果。

關鍵詞：人臉識別；姿態(tài)估計；面部特征；人臉檢測

中圖分類號：TP311 文獻標識碼：A 文章編號：1009-3044（2018）03-0179-02

Abstract：In this paper， we present a model of face similarity assessment ， which are Based on facial feature points ， this model uses the facial feature points model estimates derived from the natural scene face posture， topology of the feature point set of information by Euclidean distance calculation， the distance matrix symmetry of facial feature points. Then the feature rule is constructed under the matrix， and the face image is transformed into a feature vector. Finally， the similarity of the face is obtained by the feature similarity method. The experimental results show that the model can achieve good results for face similarity evaluation.

Key words： face recognition； pose estimation； facial features； face detection

人臉識別目前人類身份識別相關應用中最好的生物識別技術之一，與其他生物識別技術不同，人臉采集過程較為特殊，由于環(huán)境光照、人臉姿勢、面部表情等因素的影響，使得同一個人的人臉在不同的環(huán)境中有較大的變化[1]。以神經(jīng)網(wǎng)絡為代表的人工智能算法，在人臉識別技術應用中得到很大的提升。文獻[2]提出的基于深度卷積神經(jīng)網(wǎng)絡方法用于人臉識別，其準確率達到了90.99%，文獻[3]提出的LSTM深度自編碼網(wǎng)絡人臉識別準確率達到了94.2%。文獻[4]通過構(gòu)建三層約束性Loss層改進的卷積神經(jīng)網(wǎng)絡比傳統(tǒng)的深度卷積神經(jīng)網(wǎng)絡人臉識別的錯誤率降低了2%。但神經(jīng)網(wǎng)絡的結(jié)構(gòu)復雜，容易出現(xiàn)過擬合，且往往依賴大量的迭代計算才能取得較好的效果。因而本文提取了一種基于特征點的低復雜度人臉相似性評估模型，該模型可應用在人臉識別和人臉圖像檢索等領域中。

1 人臉特征提取

人臉識別主要的是人臉的局部特征識別，如眼睛的分布、人臉形狀等。局部特征不容易受到環(huán)境的干擾，光照，旋轉(zhuǎn)，噪聲等不利因素對局部特征影響比較小。因此在對人臉識別分析中應該對人臉的局部特征點進行提取和選取合適的局部特征點進行分析。

本文采用Xiangxin Zhu等人[5]提出的人臉面部特征的提取模型提取人臉的特征點，該模型采用基于方向梯度直方圖的混合樹模型（Tree struct part mode and part sharing，TPS）來評估人臉的姿態(tài)。TPS方法將每個面部特征點模式化為一個局部區(qū)域，通過全局混合模型來檢測引起拓撲變化的視點，最后捕捉gross形變變化取得提取的特征組件獲取人臉特征點。

2 基于特征點人臉相似性評估模型

本文以人臉特征點為基礎，采用歐氏距離或離差測度來構(gòu)造人臉差異性判據(jù)，根據(jù)模式相似性的最近距離分類方法確定人臉的相似性。

2.1 人臉特征點特征向量生成

本部分的主要工作為人臉特征點拓撲結(jié)構(gòu)信息展開，即計算特征點集S內(nèi)的每個特征坐標點之間的歐式距離，得出距離矩陣D。由于D是個對稱矩陣，取D的下三角元素構(gòu)成人臉特征點拓撲的特征向量T。

2.2 特征相似度計算

本模型根據(jù)構(gòu)造的特征向量進行歸一化處理，最后計算兩個特征向量的平均絕對誤差，再用Sigmoid函數(shù)映射到（0，1）的區(qū)間，得到最終的人臉相似度。

3 實驗評估

本節(jié)將通過設計實驗來評估本文提出的人臉相似性評估方法，實驗選取4組圖片來分別測試四種不同的情況。如圖1所示，實驗通過TPS方法提取的人臉特征點。其中實驗組Ⅰ的圖片（ORL庫）為2張拍攝時間相差較短，表情姿勢不同的同一個人的照片。實驗組Ⅱ的圖片為不同人的2張照片（ORL庫）。實驗組Ⅲ檢測的照片是從網(wǎng)上收集的奧巴馬不同時期的照片（年齡跨度8年），圖片較大，其檢測時間相對較長。實驗組Ⅴ的照片是查爾斯王子不同時期的照片（年齡跨度40年左右），圖片較大，其檢測時間相對較長。

表1為各組實驗的結(jié)果，當使被檢測的兩張人臉照片同屬于一個人的時候，其具有較高的相似度，而對于不同的人，具有較低的相似乎。由此可以判斷，本文設計的模型具有較好好的人臉相似性檢測效果。

4 結(jié)束語

針對人臉特征點提出的人臉相似性估計模型，在采用歐式距離的幾何拓撲信息展開后，能夠?qū)崿F(xiàn)人臉相似性有效評估，該評估模型對于人臉紋路變化和環(huán)境變化的場景有較大的魯棒性，適合應用在人臉圖像檢索和跨年齡人臉識別的場景中。

參考文獻：

[1] Parkhi O M， Vedaldi A， Zisserman A. Deep Face Recognition[C].//British Machine Vision Conference. 2015：41.1-41.12.

[2] Yang S， Luo P， Loy C C， et al. From Facial Parts Responses to Face Detection： A Deep Learning Approach[C]// IEEE International Conference on Computer Vision. IEEE， 2016：3676-3684.

[3] Zhao F， Feng J， Jian Zhaoa， et al. Robust LSTM-Autoencoders for Face De-Occlusion in the Wild[J]. IEEE Transactions on Image Processing， 2016， PP（99）：1-1.

[4] Yeung H W F， Li J， Chung Y Y. Improved performance of face recognition using CNN with constrained triplet loss layer[C]// International Joint Conference on Neural Networks. IEEE， 2017：1948-1955.

[5] Ramanan D. Face detection， pose estimation， and landmark localization in the wild[C]// Computer Vision and Pattern Recognition. IEEE， 2012： 2879-2886.