人臉識別.ppt

歡迎各位老師和同學(xué)的到來,先驗形狀的獲取 及在人臉識別中的應(yīng)用,目錄,一.人臉識別的概況 二.人臉識別的方法 三.基于先驗形狀的人臉識別 四.研究的主要內(nèi)容和擬解決的 de 問題,人臉識別是人體生物認證技術(shù)的一種，首先我們談?wù)勅梭w生物認證技術(shù),人體生物的生物特征包括生理特征和行為特征兩大類。 人體的生理特征主要包括人臉、指紋、掌紋、掌形、虹膜、視網(wǎng)膜、靜脈、DNA、顱骨等，這些特征是與生俱來的，是先天形成的； 而行為特征包括聲紋、簽名、步態(tài)、耳形、按鍵節(jié)奏、身體氣味等，這些特征是由后天的生活環(huán)境和生活習(xí)慣決定的。 這些生物特征本身固有的特點決定了其在生物認證中所起的作用是不同的.,一.人臉識別的概況,生物特征識別：,人臉,臉部熱量圖,指紋,手形,手部血管分布,虹膜,視網(wǎng)膜,簽名,語音,人臉識別的感性認識,人臉識別是一個活躍的研究領(lǐng)域，是人類視覺最杰出的能力之一。雖然人臉識別的準(zhǔn)確性要低于虹膜、指紋的識別，但由于它的無侵害性和對用戶最自然、最直觀的方式，使人臉識別成為最容易被接受的生物特征識別方式。,常用生物特征的比較,人臉識別的過程,人臉識別的過程,登記過程 識別過程 一對一的驗證過程 一對多的辨別過程,登記過程,一對多的辨別過程,二.幾種常見的人臉識別的方法,1 基于幾何特征的人臉識別方法 2 基于相關(guān)匹配的方法 3 基于神經(jīng)網(wǎng)絡(luò)的方法 4 彈性圖匹配方法 5 基于三維模型的方法,1 基于幾何特征的人臉識別方法,基于幾何特征的方法是早期的人臉識別方法之一。 常采用的幾何特征有人臉的五官如眼睛、鼻子、嘴巴等的局部形狀特征。 臉型特征以及五官在臉上分布的幾何特征。提取特征時往往要用到人臉結(jié)構(gòu)的一些先驗知識。識別所采用的幾何特征是以人臉器官的形狀和幾何關(guān)系為基礎(chǔ)的特征矢量，本質(zhì)上是特征矢量之間的匹配。,2 基于相關(guān)匹配的方法,基于相關(guān)匹配的方法包括模板匹配法和等強度線方法。 模板匹配法：Poggio和Brunelli專門比較了基于幾何特征的人臉識別方法和基于模板匹配的人臉識別方法。 等強度線法：等強度線利用灰度圖像的多級灰度值的等強度線作為特征進行兩幅人臉圖像的匹配識別。,3 基于神經(jīng)網(wǎng)絡(luò)的方法,Gutta等提出了混合神經(jīng)網(wǎng)絡(luò)、Lawrence等通過一個多級的SOM（自組織映射）實現(xiàn)樣本的聚類，將卷積神經(jīng)網(wǎng)絡(luò)CNN用于人臉識別、Lin等采用基于概率決策的神經(jīng)網(wǎng)絡(luò)方法； Demers等提出采用主元神經(jīng)網(wǎng)絡(luò)方法提取人臉圖像特征，用自相關(guān)神經(jīng)網(wǎng)絡(luò)進一步壓縮特征，最后采用一個MLP（多層感知器）來實現(xiàn)人臉識別。 Er等采用PCA（主成分分析）進行維數(shù)壓縮，再用LDA（線性判別分析）抽取特征，然后基于RBF進行人臉識別。 Haddadnia等基于PZMI特征，并采用混合學(xué)習(xí)算法的RBF神經(jīng)網(wǎng)絡(luò)進行人臉識別。 神經(jīng)網(wǎng)絡(luò)的優(yōu)勢是通過學(xué)習(xí)的過程獲得對這些規(guī)律和規(guī)則的隱性表達，它的適應(yīng)性較強。,4 彈性圖匹配方法,Lades等提出采用動態(tài)鏈接結(jié)構(gòu)(DLA，Dynamic Link Architecture)的方法識別人臉。它將人臉用格狀的稀疏圖表示如圖所示。 圖中的節(jié)點用圖像位置的Gabor小波分解得到的特征向量標(biāo)記,5 基于三維模型的方法,該類方法一般先在圖像上檢測出與通用模型頂點對應(yīng)的特征點，然后根據(jù)特征點調(diào)節(jié)通用模型，最后通過紋理映射得到特定人臉的3D模型。Tibbalds基于結(jié)構(gòu)光源和立體視覺理論，通過攝像機獲取立體圖像，根據(jù)圖像特征點之間匹配構(gòu)造人臉的三維表面,2019/10/27,18,三.基于水平集的圖像分割方法,定義：水平集方法是將n維曲面的演化問題轉(zhuǎn)化為n+1維空 間的水平集函數(shù)曲面演化的隱含方式來求解。 優(yōu)勢：非參數(shù)化、自動處理拓撲結(jié)構(gòu)的變化、捕捉局部形 變、提供一個自然的方法來估計演化曲線的幾何特 性 劣勢：不能有效的處理有噪聲、不完整數(shù)據(jù)的圖像,水平集方法研究現(xiàn)狀,目前基于水平集方法的幾何活動輪廓的研究集中在分割模型改進和加快數(shù)值計算兩個方面。在模型改進方面包括基于邊緣力的測地活動輪廓，基于區(qū)域統(tǒng)計信息的C-V模型；在加快數(shù)值計算方面是窄帶水平集方法,a.基于圖像邊緣力的測地活動輪廓,Caselles V等人提出隱式測地線動態(tài)輪廓模型。它利用黎曼空間中測地線的概念，把尋找圖像邊界線的問題轉(zhuǎn)化為尋找一條加權(quán)弧長最小值問題。通過使能量函數(shù)最小化，曲線從初始化曲線向目標(biāo)邊界運動，當(dāng)能量達到最小值時，曲線演化結(jié)束，得到最終的目標(biāo)邊界，利用水平集思想使模型能夠自適應(yīng)被檢物體的拓撲變化。,b.基于圖像區(qū)域信息的C-V模型,傳統(tǒng)的水平集圖像分割方法僅利用圖像的局部邊緣信息，對于邊緣模糊或存在離散狀邊緣的區(qū)域，則很難得到理想的分割效果，一定程度上限制了其應(yīng)用。對此，Chan和Vese提出基于簡化M-S模型的水平集分割圖像的方法(C-V模型)，通過單個水平集的符號將待分割圖像簡單地劃分為目標(biāo)和背景兩個部分，在保證其分割質(zhì)量的前提下，降低了M-S模型的復(fù)雜度。 這種方法一個非常顯著的特點就是全局優(yōu)化可僅使用一條初始閉合輪廓線，就可以把帶有內(nèi)部空洞目標(biāo)的內(nèi)部全部檢測出來，不需要為檢測內(nèi)部空洞而另外做特別處理；初始曲線不需要完全位于區(qū)域的內(nèi)部或外部，仍然可以正確地分割出目標(biāo)和背景；這種方法不依靠圖像中的邊界信息，即使圖像中的邊界模糊或呈斷續(xù)狀，仍然可以獲得理想的分割結(jié)果；該方法還有消除噪聲的作用。,但是，同大多數(shù)圖像分割方法的區(qū)域分離準(zhǔn)則一樣，C-V模型僅將灰度同質(zhì)作為區(qū)域分離的準(zhǔn)則。如果有多個待分割目標(biāo)，并且各個目標(biāo)之間相距一定的距離，或者具有空洞區(qū)域目標(biāo)的壁比較厚，則C-V方法常常不能得到正確的結(jié)果；另外，C-V圖像分割方程中，每次更新了水平集函數(shù)后，需要對水平集數(shù)重新初始化為符號距離函數(shù)，以保持計算的穩(wěn)定性；此外，C-V方法由于需要在整個定義域內(nèi)更新水平集函數(shù)，因此計算量大，分割速度比較慢。,c.窄帶水平集方法,在傳統(tǒng)水平集方法的演化過程中，由于每次迭代都要對圖像空間中所有網(wǎng)格點進行計算，所以計算量比較大。窄帶水平集方法的基本思想就是在零水平集的鄰域內(nèi)選擇一定的寬度作為界限，在水平集函數(shù)的曲面上定義一條窄帶區(qū)域(Narrow band)，每次迭代只需更新計算窄帶內(nèi)的點。與在整個水平集函數(shù)上計算相比，由于窄帶中的點數(shù)量較少，所以這一方法可以大大減少水平集方法的計算量。,基于先驗形狀的水平集圖像分割,優(yōu)勢：既包括使全局形狀一致的隱含曲面約束 ,又保持了水平集捕捉局部形變的能力 。 經(jīng)典處理過程：首先在水平集空間利用一樣本集構(gòu)造一個形狀模型 , 此形狀模型使用變分框架由隱含函數(shù)來描述先驗形狀的變化 。然后模型引入能量函數(shù)作為先驗形狀項 ,該項的目的是使演化曲線與形狀模型的距離最小 。,形狀模型構(gòu)建,標(biāo)記法：采用一系列的點來表達先驗形狀，它基于一個形狀訓(xùn)練集 ,利用主成分分析法來構(gòu)建典型的形狀和形狀的變化。 缺點：形狀分析的性能依賴于點標(biāo)記的質(zhì)量 ,手動確定這些點 ,工作量巨大且易出錯 ,尤其是在處理三維物體時 。,水平集方法的形狀建模,特點：首先 ,它是一種隱含的和內(nèi)在的表達方式 ,獨立于輪廓的參數(shù)化 ,并能自動處理拓撲結(jié)構(gòu)的變化 。其次 , 它提供一個自然的方法來估計形狀的幾何特性 ( 如曲率和法向量) , 而水平集函數(shù)常常由定義在圖像空間的符號距離函數(shù)來描述 。最后 , 這種形狀表達方式與曲線演化的水平集變分模型相一致 ,可以自然地融合于活動輪廓分割框架。,基于變分水平集的圖像分割,基于變分水平集的圖像分割方法可以在構(gòu)建的能量函數(shù)中自然的融入附加約束信息，如基于圖像區(qū)域、邊界及目標(biāo)先驗形狀知識等信息，故圖像分割效果魯棒性更強。 CV模型能量函數(shù)：E(C,C1，C2)= 為邊界曲線長度， 為曲線C內(nèi)部區(qū)域面積， 是權(quán)重系數(shù)，前兩項為“光滑項”后兩項為“擬合項”。,C1，C2為曲線C內(nèi)外部區(qū)域的圖像灰度平均值。C的位置及C1，C2通過最優(yōu)化此能量函數(shù)得到。 引入變分水平集模型，CV模型引入H(Z)和 上式用 表示為： 引入先驗形狀： ;,（a） 為先驗形狀的水平集函數(shù) 經(jīng)上式的仿射變換得到。給定任意一個形狀對應(yīng)的符號距離函數(shù)，可以通過上述的四元關(guān)系得到與其相關(guān)的另外一個形狀的符號距離函數(shù)。,改進的先驗形狀能量函數(shù)模型,(b) ; ; 展開(b)，得,(b)在(a)的基礎(chǔ)上引入局部縮放和局部剪切特性，包括縮放變換 、旋轉(zhuǎn)變換 、平移變換 、剪切變換 ，其中Sx,Sy為像素點在x、y方向的縮放系數(shù)，為順時針旋轉(zhuǎn)的角度，Tx,Ty為新坐標(biāo)相對于原坐標(biāo)在x,y方向的像素點平移個數(shù)，shx,shy分別為像素點在x,y方向上的剪切系數(shù)，（xg,yg）為當(dāng)前先驗形狀模型中心位置坐標(biāo)。,四.研究的主要內(nèi)容和擬解決的問題,研究內(nèi)容：1)用主成分分析（PCA）來估計分割目標(biāo)訓(xùn)練集的概率密度函數(shù)，目的在于尋求兩個重要