本發(fā)明屬于人工智能和模式識(shí)別技術(shù)領(lǐng)域,具體涉及一種基于神經(jīng)網(wǎng)絡(luò)的人臉識(shí)別方法。

背景技術(shù)：

人臉檢測問題最初來源于人臉識(shí)別（facerecognition）。人臉識(shí)別的研究可以追溯到20世紀(jì)60-70年代，經(jīng)過幾十年的曲折發(fā)展已日趨成熟。人臉檢測是自動(dòng)人臉檢測系統(tǒng)中的一個(gè)關(guān)鍵環(huán)節(jié)，也是面部表情識(shí)別、頭部狀態(tài)估計(jì)的必須技術(shù)。早期的人臉識(shí)別研究主要針對(duì)具有較強(qiáng)約束條件的人臉圖像（如無背景的圖像），往往假設(shè)人臉位置已知或很容易獲得，因此人臉檢測問題并未受到重視。近幾年隨著電子商務(wù)等應(yīng)用的發(fā)展，人臉識(shí)別成為最有潛力的身份驗(yàn)證手段，這種應(yīng)用背景要求自動(dòng)人臉檢測系統(tǒng)能夠?qū)σ话悱h(huán)境中的人臉圖像具有一定的適應(yīng)能力。

人臉是一類具有相當(dāng)復(fù)雜的細(xì)節(jié)變化的自然結(jié)構(gòu)的目標(biāo)，目前人臉檢測所面臨的問題可以歸結(jié)如下：

圖像平面內(nèi)變化：臉部圖像的最簡單變化可以通過臉部本事的旋轉(zhuǎn)、移動(dòng)、縮放、鏡像等獨(dú)立地表示。本類同樣包含所有的圖像亮度、對(duì)比度變化以及被其他物體遮擋。

姿態(tài)變化：臉部某些方面的姿態(tài)變包含在圖像平面變化中，比如旋轉(zhuǎn)和平移。不在圖像平面內(nèi)的臉部旋轉(zhuǎn)對(duì)表現(xiàn)會(huì)產(chǎn)生很大影響。另一類變化是臉部離攝像機(jī)的距離，會(huì)導(dǎo)致景物變形。

光線和膚色變化：目標(biāo)及其環(huán)境引起的變化，特別是目標(biāo)的表面特征和光源。光源的變化會(huì)引起臉部表現(xiàn)的強(qiáng)烈變化。

背景變化：當(dāng)目標(biāo)具有可預(yù)測的形狀，就可以選取一個(gè)只包含此物體象素的窗口，并忽略背景。可是，對(duì)于側(cè)臉，臉部本身的邊界是至關(guān)重要的特征，并且每個(gè)人的形狀都不一樣。因此，邊界是不可預(yù)測的，背景不能被簡單地屏蔽或忽略。

形狀變化：最后是目標(biāo)本身的形狀變化。對(duì)于人臉，此類變化包含了臉部表情，如嘴和眼睛的張開、閉合。

對(duì)于人臉檢測問題，從不同的角度可以有多種分類方法。同時(shí)，人臉圖像所包含的模式特征十分豐富，這些特征中哪些是最有用的、如何利用這些特征，是人臉檢測要研究的主要問題。

技術(shù)實(shí)現(xiàn)要素：

為了解決上述問題，本發(fā)明提供一種基于人工神經(jīng)網(wǎng)絡(luò)的人臉檢測系統(tǒng)，采用的技術(shù)方案如下：

基于人工神經(jīng)網(wǎng)絡(luò)的人臉檢測識(shí)別方法，包括以下步驟：

（1）位置和姿態(tài)估計(jì)：用神經(jīng)網(wǎng)絡(luò)分析圖像中潛在的臉部區(qū)域并確定臉部姿態(tài)；

（2）預(yù)處理：圖像進(jìn)行預(yù)處理來改善圖像的亮度和對(duì)比度；

（3）檢測：在前兩步對(duì)圖像作位置、姿態(tài)和預(yù)處理后，由面檢測器檢測是否存在人臉；

（4）決斷：通過利用啟發(fā)式算法，將面檢測器的檢測結(jié)果合并在一起作決斷，來增強(qiáng)人臉檢測的正確率。

優(yōu)選地，還包括人臉檢測訓(xùn)練，訓(xùn)練方法如下：

（1）窗口輸入圖像樣本；

（2）訓(xùn)練神經(jīng)網(wǎng)絡(luò)，對(duì)人臉圖像樣本輸出1，非人臉圖像樣本輸出-1；在循環(huán)的第一次迭代時(shí)，隨即初始化網(wǎng)絡(luò)的權(quán)重；

（3）使用上一次訓(xùn)練計(jì)算的權(quán)重做為下一次訓(xùn)練的起點(diǎn)。

優(yōu)選地，在輸入圖像樣本前還包括圖像樣本的處理，處理方法為：在20×20像素的窗口中，將圖像調(diào)整為統(tǒng)一的大小、位置和方位；圖像的擴(kuò)縮率為與之間的隨機(jī)因子，平移量為0.5像素以內(nèi)的隨機(jī)值。

優(yōu)選地，所述人臉訓(xùn)練所需的圖像樣本的生成方法如下：

（1）選擇初始人臉圖像；

（2）依據(jù)頭部的三維姿態(tài)，在每張人臉圖樣上標(biāo)記特征點(diǎn)；

（3）不同人臉上的標(biāo)記特征點(diǎn)組合；

（4）多次組合后，形成多個(gè)人臉圖像樣本。

優(yōu)選地，所述標(biāo)記特征點(diǎn)組合的原理為：相關(guān)特征點(diǎn)對(duì)之間的距離平方和為最小。

優(yōu)選地，所述標(biāo)記特征點(diǎn)組合的計(jì)算方法如下：當(dāng)存在旋轉(zhuǎn)、伸縮和移動(dòng)時(shí)，相關(guān)特征點(diǎn)對(duì)之間的距離平方和為最小，即在二維形式下，坐標(biāo)變換可以寫為：

。

優(yōu)選地，有多對(duì)相關(guān)的坐標(biāo)集，上述公式擴(kuò)展為：

用偽逆方法解此線形方程系統(tǒng)：命名左邊的矩陣為a，矢量形式的變量為t，右邊為b，此方程的偽逆解為：

偽逆解產(chǎn)生變換t是我們的初始目標(biāo)，t最小化了坐標(biāo)集與改造前的之間差的平方和。

在知道如何組合兩組標(biāo)記了的特征點(diǎn)后，按如下的過程不斷組合特征點(diǎn)：

（1）初始化，這是一些初始特征位置的向量，也是所有臉部每一個(gè)被標(biāo)記特征的平均位置；對(duì)于正面臉的組合，這些特征可以為輸入窗口中兩個(gè)眼睛的期望位置，其它姿態(tài)的人臉，這些位置應(yīng)該來自頭部的平均3d模型；

（2）對(duì)每一個(gè)人臉，使用組合程序來計(jì)算最合適的旋轉(zhuǎn)、平移和伸縮來組合臉部特征，得到平均特征位置，已組合的特征位置記為；

（3）對(duì)每一人臉，通過已組合的特征位置的平均，更新；

（4）旋轉(zhuǎn)、平移和伸縮特征坐標(biāo)，使得最大限度地匹配一些標(biāo)準(zhǔn)的坐標(biāo)，這些標(biāo)準(zhǔn)坐標(biāo)像用于初始值一樣的使用；

（5）轉(zhuǎn)第2步；

（6）迭代多次后收斂，產(chǎn)生每一人臉與其它人臉組合的變換。

優(yōu)選地，所述步驟（2）中預(yù)處理包括光照補(bǔ)償。

優(yōu)選地，所述光照補(bǔ)償包括線性光照模型補(bǔ)償。

優(yōu)選地，所述光照補(bǔ)償還包括商圖像補(bǔ)償。

本發(fā)明有益效果：

（1）本發(fā)明增加了非人臉的識(shí)別訓(xùn)練，能有效識(shí)別復(fù)雜背景中的人臉，人臉識(shí)別正確率可高達(dá)98%以上；

（2）圖像檢測前采用光照補(bǔ)償處理方法，能消除光照影響。

具體實(shí)施方式

下面結(jié)合具體實(shí)施方式對(duì)本發(fā)明做進(jìn)一步的說明。

實(shí)施例1

基于人工神經(jīng)網(wǎng)絡(luò)的人臉檢測識(shí)別方法，包括以下步驟：

（1）位置和姿態(tài)估計(jì)：用神經(jīng)網(wǎng)絡(luò)分析圖像中潛在的臉部區(qū)域并確定臉部姿態(tài)；

（2）預(yù)處理：圖像進(jìn)行預(yù)處理來改善圖像的亮度和對(duì)比度；

（3）檢測：在前兩步對(duì)圖像作位置、姿態(tài)和預(yù)處理后，由面檢測器檢測是否存在人臉；

（4）決斷：通過利用啟發(fā)式算法，將面檢測器的檢測結(jié)果合并在一起作決斷，來增強(qiáng)人臉檢測的正確率。

在人臉檢測識(shí)別前，還包括人臉檢測訓(xùn)練，訓(xùn)練方法如下：

（1）圖像樣本的處理，處理方法為：在20×20像素的窗口中，將圖像調(diào)整為統(tǒng)一的大小、位置和方位；圖像的擴(kuò)縮率為與之間的隨機(jī)因子，平移量為0.5像素以內(nèi)的隨機(jī)值；

（2）窗口輸入圖像樣本；

（3）訓(xùn)練神經(jīng)網(wǎng)絡(luò)，對(duì)人臉圖像樣本輸出1，非人臉圖像樣本輸出-1；在循環(huán)的第一次迭代時(shí)，隨即初始化網(wǎng)絡(luò)的權(quán)重；

（4）使用上一次訓(xùn)練計(jì)算的權(quán)重做為下一次訓(xùn)練的起點(diǎn)。

本實(shí)施例中，所述人臉訓(xùn)練所需的圖像樣本的生成方法如下：

（1）選擇初始人臉圖像；

（2）依據(jù)頭部的三維姿態(tài)，在每張人臉圖樣上標(biāo)記特征點(diǎn)；

（3）不同人臉上的標(biāo)記特征點(diǎn)組合；

（4）多次組合后，形成多個(gè)人臉圖像樣本。

其中所述標(biāo)記特征點(diǎn)組合的原理為：相關(guān)特征點(diǎn)對(duì)之間的距離平方和為最小。具體如下：

當(dāng)存在旋轉(zhuǎn)、伸縮和移動(dòng)時(shí)，相關(guān)特征點(diǎn)對(duì)之間的距離平方和為最小，即在二維形式下，坐標(biāo)變換可以寫為：

如果有多對(duì)相關(guān)的坐標(biāo)集，可以擴(kuò)展為：

當(dāng)有兩對(duì)及以上的不同特征點(diǎn)時(shí)，可以用偽逆方法（pseudo-inversemethod）解此線形方程系統(tǒng)。命名左邊的矩陣為a，矢量形式的變量為t，右邊為b，此方程的偽逆解為：

偽逆解產(chǎn)生變換t是我們的初始目標(biāo)，t最小化了坐標(biāo)集與改造前的之間差的平方和。

在知道如何組合兩組標(biāo)記了的特征點(diǎn)后，按如下的過程不斷組合特征點(diǎn)：

（1）初始化，這是一些初始特征位置的向量，也是所有臉部每一個(gè)被標(biāo)記特征的平均位置。對(duì)于正面臉的組合，這些特征可以為輸入窗口中兩個(gè)眼睛的期望位置，其它姿態(tài)的人臉，這些位置應(yīng)該來自頭部的平均3d模型；

（2）對(duì)每一個(gè)人臉，使用組合程序來計(jì)算最合適的旋轉(zhuǎn)、平移和伸縮來組合臉部特征，得到平均特征位置，已組合的特征位置記為；

（3）對(duì)每一人臉，通過已組合的特征位置的平均，更新；

（4）旋轉(zhuǎn)、平移和伸縮特征坐標(biāo)，使得最大限度地匹配一些標(biāo)準(zhǔn)的坐標(biāo)。這些標(biāo)準(zhǔn)坐標(biāo)像用于初始值一樣的使用；

（5）轉(zhuǎn)第2步；

（6）迭代多次后收斂，產(chǎn)生每一人臉與其它人臉組合的變換。

實(shí)施例2

本實(shí)施例與實(shí)施例1不同在于，在人臉檢測識(shí)別的步驟（2）中預(yù)處理包括光照補(bǔ)償；其中所述光照補(bǔ)償包括線性光照模型補(bǔ)償。

線性光照模型補(bǔ)償?shù)奶幚矸椒椋杭僭O(shè)增加多個(gè)光源到場景中會(huì)導(dǎo)致圖像是每一個(gè)光源單獨(dú)作用下圖像的和。作者進(jìn)一步假設(shè)物體對(duì)一個(gè)獨(dú)立的光源服從lambertian光照模型，即光線在各個(gè)方向均勻地散射到物體表面。這意味著物體上一個(gè)點(diǎn)的亮度只依賴于物體的反射率和物體表面與光源方向間的角度，用以下方程（假設(shè)沒有陰影）表示：

其中是像素點(diǎn)的亮度，是物體上該點(diǎn)的反射率，是物體表面的法線向量（相對(duì)于指向相機(jī)的向量），是物體相對(duì)于光源的向量，假設(shè)光線平行投射到物體上。

由于光源方向是可變的，所以也可變，但表面形狀和反射率是固定的，因此這是一個(gè)線性方程。其中有三個(gè)參數(shù)，物體的圖像空間（沒有陰影）是三維子空間。子空間通過主量分析（principalcomponentsanalysis(pca)）從物體樣例圖中確定。子空間通過線性變化與法線向量集產(chǎn)生聯(lián)系。如果我們想處理真實(shí)的法線向量，需要知道實(shí)際的光源方向。如果這些方向有效，系統(tǒng)可以象方程的過約束（over-constrained）集一樣處理，直接解出而不需要用主分量分析（principalcomponentsanalysis）。實(shí)際上，我們將解出，但由于具有單位長度，因此可以分離出反射率。有了和，本質(zhì)上是有了臉部的顏色和形狀，就可以產(chǎn)生任何期望光照下的新人臉圖像。

實(shí)施例3

本實(shí)施例與實(shí)施例2的不同在于圖像光照補(bǔ)償采用商圖像補(bǔ)償方法。

商圖像補(bǔ)償方法為：反復(fù)使用線性光照模型，即通過將輸入圖像投影到一個(gè)線性模型集組成的線性光照空間中，模擬投影找到，并最小化下述量：

其中，為輸入圖像，i是對(duì)所有n個(gè)光照模型求和，和第i個(gè)模型中像素點(diǎn)的對(duì)應(yīng)反射率和法線向量。最優(yōu)化結(jié)果為：向量表示輸入圖像中臉部的光照條件，利用一系列的線性模型來彌補(bǔ)人臉個(gè)體在反射率與形狀之間的差別。在收集了多個(gè)臉部光照模型后，用以下方程計(jì)算臉部圖像在同樣條件下的平均圖像：

輸入圖像被合成圖像相除，產(chǎn)生所謂的“商圖像”。商圖像只包含新臉部的反射率和平均臉，在此假設(shè)所有臉具有相同的形狀。再進(jìn)一步，在正面光照上乘以平均臉既得處理后的圖像：

。

以上所述僅為本發(fā)明的優(yōu)選實(shí)施例，并非因此限制本發(fā)明的專利范圍，凡是在本發(fā)明的構(gòu)思下，利用本發(fā)明說明書內(nèi)容所作的等效結(jié)構(gòu)變換，或直接/間接運(yùn)用在其他相關(guān)的技術(shù)領(lǐng)域均包括在本發(fā)明的專利保護(hù)范圍內(nèi)。