基于生物熱傳模型的人臉血流圖建模及應(yīng)用

基于生物熱傳模型的人臉血流圖建模及應(yīng)用

0紅外人臉識別系統(tǒng)的試驗(yàn)與發(fā)展在光的明亮識別中，光的變化是你面臨的一個(gè)重要挑戰(zhàn)。為了克服光照因素的影響,一些研究者提出了用紅外人臉圖像來進(jìn)行識別,提出了一些適合紅外人臉識別的有效算法,取得了不錯(cuò)的性能。相對于可見光的人臉識別技術(shù),紅外人臉識別技術(shù)可以在光照條件變化、人臉姿態(tài)變化、人臉表情、化妝、照片欺詐等非約束條件下獲得更好的識別率。然而,紅外圖像用于識別也存在一些挑戰(zhàn):對于時(shí)延數(shù)據(jù),即訓(xùn)練樣本和測試樣本不是在同一時(shí)刻采集(時(shí)間間隔可以為1個(gè)星期、1個(gè)月甚至是1a),紅外人臉識別系統(tǒng)的性能會(huì)急劇下降。性能急劇下降的主要原因是紅外圖像容易受到周圍環(huán)境溫度、心理狀況等因素的影響。如何克服環(huán)境溫度等因素的影響,尋找更加穩(wěn)定的人臉生物特征,提高紅外人臉識別系統(tǒng)中時(shí)延數(shù)據(jù)的識別性能,成為紅外人臉識別研究的1個(gè)重要方向。由于人臉溫譜圖是由人臉組織與結(jié)構(gòu)等的紅外熱輻射決定的,如血管、血流速度和血管分布等,而人臉的血流速率和血管分布特征是人體的內(nèi)部特征,不直接與外界接觸。所以,從生物學(xué)的角度來說,應(yīng)該具有更加穩(wěn)定的特征?；谶@個(gè)認(rèn)識,不少研究者從血流率和血管分布兩個(gè)方面開展了研究,目前比較典型的有:一方面,基于人臉的血管分布,文獻(xiàn)提出了1種重構(gòu)人臉血管分布的紅外人臉識別方法;另一方面,在血流率上,文獻(xiàn)從生物力學(xué)角度,基于皮膚表面的熱平衡公式,建立了1個(gè)點(diǎn)對點(diǎn)的血流轉(zhuǎn)換模型。本研究主要是基于第二方面,建立了1個(gè)新的血流轉(zhuǎn)換模型,得到1個(gè)更穩(wěn)定的血流特征,在環(huán)境溫度變化的情況下,提高時(shí)延紅外人臉系統(tǒng)的識別性能。1皮膚熱平衡模型為充分利用人臉的生物特征,文獻(xiàn)基于生物力學(xué)知識提出1個(gè)人臉的血流模型,該模型的主要目標(biāo)是把不穩(wěn)定的溫度信息(溫譜圖)轉(zhuǎn)為人體相對穩(wěn)定的生物信息(血流),用于人臉識別。該模型假設(shè)人體表面處于1個(gè)穩(wěn)定的熱平衡狀態(tài),則皮膚表面可用以下熱平衡公式來描述:其中:Q表示單位面積的熱流量(J/m2),左邊3項(xiàng)代表從皮膚表面到外界的流出熱流量,下標(biāo)r、e和f表示輻射、蒸發(fā)和對流。下標(biāo)c,m和b分別表示人體熱傳導(dǎo)、新陳代謝和血液引起的對流。通過等式(1)化簡、簡化和代入人臉生理參數(shù)可以得到如下簡化模型:其中:ε、σ、α、cb為常量參數(shù),Ta表示動(dòng)脈溫度(K)、Te表示環(huán)境溫度(K)、T表示皮膚溫度(K)。從式(2)可以看出,血流的轉(zhuǎn)換時(shí)基于點(diǎn)對點(diǎn)的轉(zhuǎn)換,沒有考慮到人臉溫度點(diǎn)之間的關(guān)聯(lián)。所以,該模型是1個(gè)建立在若干假設(shè)下的1個(gè)近似模型。2基于生物熱傳學(xué)的血流模型2.1建立了理想的生物傳熱模型生物熱傳學(xué)是研究生物組織內(nèi)的傳熱、傳質(zhì)以及生物體與環(huán)境之間物質(zhì)和能量的交換過程的1門學(xué)科。近些年來,人體環(huán)境學(xué)以及生物醫(yī)學(xué)工程領(lǐng)域內(nèi)諸如腫瘤的溫?zé)岑煼?、低溫外科、溫器官保存、燒傷、燙傷、凍傷等臨床醫(yī)學(xué)和康復(fù)醫(yī)學(xué)的發(fā)展進(jìn)步,要求人們對生體(特別是人體)的物質(zhì)和能量傳輸?shù)难芯恐鸩接啥ㄐ赞D(zhuǎn)變?yōu)槎?這樣就促使工程技術(shù)的定量分析方法在生物熱傳學(xué)中得到廣泛應(yīng)用。對于生命體的傳熱,第1次將生物組織與一般工程材料的傳熱問題從根本上區(qū)別開來始于1948年P(guān)ennes的工作。將人體小臂簡化為圓柱體,并考慮到小臂肌肉組織中含有血流的灌注,Pennes寫出了軸對稱條件下微分形式的“生物傳熱方程”(Bio-heatequation),其具體數(shù)學(xué)表達(dá)式是:其中:ρ為人體組織密度(kg/m3),c為人體組織比熱容〔J/(kg·K)〕,k為人體組織的熱導(dǎo)率〔W/(m·K)〕,Wb為體積血流量,Cb為血的比熱容〔J/(kg·K)〕,Ta為動(dòng)脈血溫度(K),qm為體積人體代謝產(chǎn)熱熱流量(J),qr為外部供熱熱流量(J)。組織的熱特性參數(shù)包括ρ、c、k,熱生理參數(shù)包括Wb、qm。Pennes方程與一般熱傳導(dǎo)方程的不同在于其增加了血液灌注項(xiàng):其中:Wb就是本研究要用于定量分析的血流率。式(4)是1個(gè)三維的生物傳熱橢圓偏微分方程。自1948年P(guān)ennes提出第1個(gè)生物傳熱方程后,研究人員隨后提出了很多改進(jìn)模型,如Stolwijk模型、Chen-holmes模型、Weinbaum-jiji模型等,這些模型都是在Pennes模型的基礎(chǔ)上,增加一些生理因素的影響,更精確的描述了生物的傳熱過程。所以,這些改進(jìn)模型傳熱和Pennes方程模型的形式上都是一致的,符合人體組織的傳熱過程。基本的傳熱Pennes模型由于假設(shè)組織的同質(zhì)性,且不考慮血管的幾何特性,形式簡單,且便于分析。所以,本研究初步工作選擇Pennes方程作為分析人臉的傳熱模型。2.2不同度場分布的細(xì)胞的離散化由于本研究分析的是人臉的表面溫度場的分布,是1個(gè)二維溫度場的分布,所以原來三維的Pennes方程可以簡化為二維形式?？紤]到二維穩(wěn)態(tài)的情況,故,另外,在無源熱場下qr=0,同時(shí)人臉組織是各向同性的,于是就可以把原來的三維Pennes方程變?yōu)橄旅娴亩S形式:其中:各個(gè)變量的含義與式(3)相同。分析二維Pennes方程,通過紅外圖像,了解了人臉表面的溫度場的分布,要在此基礎(chǔ)上求解血流率Wb,其實(shí)就是通過1個(gè)微分方程的反向求解來建立模型,進(jìn)而求解血流率的過程。即:本研究采用離散化的思想,假設(shè)已知的溫譜圖中每1個(gè)點(diǎn)對應(yīng)不同的血流率,在一般情況下,以像素為基本單位,建立的基于像素人臉離散化模型,見圖1。采用數(shù)字圖像中的拉普拉斯算子,離散化后得到:由于采集的紅外人臉圖片是用同一相機(jī)拍攝的,所以得到一副人臉紅外圖像像素點(diǎn)的間隔是一樣的,即:,d為實(shí)際人臉離散化后的取樣間隔距離。于是可以得到:即:考慮到實(shí)際人臉是曲面,而得到的紅外圖像是平面,在實(shí)際間距和成像距離之間有一定的誤差,所以在血流式(10)中的參數(shù)λ在不同的點(diǎn)應(yīng)該有所不同?？紤]到人臉肌肉組織的代謝熱流量,qm=400(J/m3·s)。從式(10)可以看出,血流率不僅和自身點(diǎn)的溫度值有關(guān),而且還和周圍點(diǎn)的溫度值相關(guān)聯(lián),而這也體現(xiàn)了血流與溫度不是點(diǎn)對點(diǎn)關(guān)聯(lián)的,而是存在相互影響的,符合人臉組織的傳熱機(jī)理。同時(shí),從血流式(10)可以看出,本研究的計(jì)算血流只是對圖像中的像素點(diǎn)進(jìn)行1個(gè)線性插值和簡單的算術(shù)運(yùn)算,運(yùn)算量比較小。從圖2可以看出,血流率構(gòu)成的人臉圖像突出了人臉的眼睛、鼻子、人臉輪廓和嘴巴等特征,而削弱了人臉臉頰和額頭等平滑區(qū)域的特征。3不同溫度下的流體模型的應(yīng)用識別本研究得到的人臉血流圖,主要是提取了相對穩(wěn)定的血流信息,文獻(xiàn)通過用于人臉識別來測試其有效性。血流圖的降維和特征提取方法采用PCA與FLD結(jié)合的方法;分類器采用基于歐式距離的最近鄰分類器;數(shù)據(jù)庫采用文獻(xiàn)的紅外人臉數(shù)據(jù)庫。圖3所示為部分訓(xùn)練采集數(shù)據(jù)庫樣本。實(shí)驗(yàn)設(shè)計(jì)分別在兩種不同環(huán)境下得到:同一環(huán)境溫度下的識別和不同環(huán)境溫度下的識別。在同一環(huán)境溫度下,一共用1000幅照片(50個(gè)人,每個(gè)人20幅圖像),其中每個(gè)人前10幅共500幅用于訓(xùn)練,每個(gè)人后10幅共500幅用于識別。本研究的實(shí)驗(yàn)忽略了不同點(diǎn)之間不同的參數(shù)λ,認(rèn)為所有點(diǎn)的參數(shù)λ是以平面來估計(jì)的,通過估計(jì)與反復(fù)實(shí)驗(yàn)λ為4.5×105。首先,實(shí)驗(yàn)的訓(xùn)練樣本來自于同一溫度下的數(shù)據(jù),PCA降維后,取最大維數(shù)為訓(xùn)練總樣本數(shù)減1。在PCA基礎(chǔ)上用FLD特征提取的維數(shù)為訓(xùn)練類別數(shù)減1。在本研究所有的實(shí)驗(yàn)結(jié)果中,Pen表示本研究基于Pennes方程得到的血流圖;B表示文獻(xiàn)得到的血流模型;T表示溫譜圖。表1為同一溫度下識別結(jié)果。從表1可以看出,通過離散化得到的血流圖并將其用于識別,相對于溫譜圖而言,識別性能有了較大的改善。但是,本研究提出的血流模型相對于文獻(xiàn)提出的血流模型,識別率基本沒有提高。主要原因是,環(huán)境溫度沒有對識別產(chǎn)生干擾,識別率應(yīng)該基本不變(2個(gè)血流模型都得到了比較好的生物特征,而且兩者的識別率都優(yōu)于溫譜圖的識別率)。此外,對于溫譜圖,在PCA的基礎(chǔ)上做FLD特征提取,識別率會(huì)有所降低:94.2%~90.6%,而對于兩個(gè)血流模型而言,識別率基本沒變化,主要原因是:FLD是基于類間距和類內(nèi)距最大化的1個(gè)投影,經(jīng)過投影降維,血流變換后的識別率不會(huì)降低,也就是可分性相對于溫譜圖得到了增強(qiáng),具有更加穩(wěn)定的特征信息。所以,相對于溫譜圖,本研究和文獻(xiàn)的血流模型都具有更加穩(wěn)定的血流信息。在不同的環(huán)境溫度下,用同一溫度下的400幅圖像作為訓(xùn)練集(40個(gè)人,每個(gè)人10幅圖像),測試樣本為不同溫度下同一個(gè)人采集的165幅圖像。不同溫度下的紅外人臉與其對應(yīng)的血流圖,見圖4。采用PCA特征提取后直接做識別,結(jié)果如圖5所示:本研究提出的血流模型應(yīng)用識別,在不同的PCA特征數(shù)下的識別率普遍都高于文獻(xiàn)提出的血流模型,顯示出本研究提出的血流模型具有更加穩(wěn)定的生物特征。而且,取不同的PCA特征數(shù)用于識別,其識別率有可能超過特征數(shù)為399(訓(xùn)練樣本為400時(shí)候的最大特征數(shù))的識別率。所以,在PCA的基礎(chǔ)上可以繼續(xù)降維,提高識別率。采用500幅同一溫度下作為訓(xùn)練樣本,測試樣本為不同溫度下的165幅人臉,采用PCA+FLD做特征提取,實(shí)驗(yàn)結(jié)果見表2。從表2可以看出,在不同的環(huán)境溫度下,采用PCA的特征提取方法得到的主要特征的穩(wěn)定性明顯優(yōu)于文獻(xiàn)得到的血流圖:識別率提高13.7%。識別率改善的主要原因是,本研究的血流模型利用了生物組織的傳熱模式,考慮到了組織間不同點(diǎn)之間的聯(lián)系,即相鄰的溫度點(diǎn)之間是相互關(guān)聯(lián)的,這樣更加符合人臉的生物傳熱模式。而文獻(xiàn)的血流圖,基于熱平衡原理認(rèn)為人臉溫度點(diǎn)之間是相互獨(dú)立的,忽略了組織點(diǎn)之間傳熱聯(lián)系。所以,對于環(huán)境溫度變化的情況下,本研究提出的血流圖具有更加穩(wěn)定特征,從而具有更好的識別性能。從實(shí)驗(yàn)結(jié)果還可以看出:考慮到環(huán)境溫度對紅外人臉識別的影響(時(shí)延數(shù)據(jù)),在PCA基礎(chǔ)上進(jìn)行FLD的特征提取不僅降低了最終特征維數(shù),而且能夠改善識別性能:識別率提高了3.6%。由于FLD是1個(gè)從可分性角度來進(jìn)行投影降維的,所以在不同環(huán)境溫度的影響下,本研究提出的血流模型更具可分性,得到了更加穩(wěn)定的特征。為了考察訓(xùn)練樣本數(shù)對不同溫度下識別效果的影響,對本研究提出的血流圖,采用不同的樣本數(shù)訓(xùn)練后,在不同溫度下進(jìn)行識別測試(165幅)。從表3可以看出,本研究的血流模型識別率隨著樣本數(shù)的減少,識別率還會(huì)有較小的改善,主要原因是:隨著樣本類別少了,不同類別之間的干擾會(huì)相對減小,所以識別率會(huì)有較小的提高?？偨Y(jié)以上實(shí)驗(yàn)結(jié)果,本研究提出的基于Pennes方程模型求得的血流圖,能夠減小環(huán)境溫度對紅外人臉識別的影響,獲得較穩(wěn)定的生物特征,在于環(huán)境溫度變化的情況下能取得比傳統(tǒng)方法更好的識別性能。對于基于PCA+FLD識別系統(tǒng),系統(tǒng)訓(xùn)練的計(jì)算復(fù)雜度主要由PCA的計(jì)算復(fù)雜決定。PCA的計(jì)算復(fù)雜度是O(d2),其中d是系統(tǒng)輸入的人臉維數(shù),本研究的d值為60×80=4800。本研究提出的血流模型轉(zhuǎn)換方法只是對圖像中的像素點(diǎn)進(jìn)行線性插值和簡單的算術(shù)運(yùn)算,計(jì)算復(fù)雜度為O(d),其復(fù)雜度相對于PCA的復(fù)雜度O(d2),基本可以忽略。由此可見,本研究的血流模型基本不會(huì)增加識別系統(tǒng)的計(jì)算復(fù)雜度。4溫度點(diǎn)之間