鍵像素點(diǎn)領(lǐng)域像素點(diǎn)的梯 度主方向，也即關(guān)鍵像素點(diǎn)的方向； 為了保持旋轉(zhuǎn)不變性，將坐標(biāo)軸旋轉(zhuǎn)為關(guān)鍵像素點(diǎn)的方向，然后W關(guān)鍵點(diǎn)為中屯、，取16 X 16大小的領(lǐng)域窗口，在每4 X 4大小的格子中計(jì)算8個(gè)梯度方向的直方圖，最終形成4 X 4 X 8 = 128維的SIFT人臉特征向量； 步驟3、將步驟2中得到的特征向量映射到intra-personal子空間中； 在該步驟中，為了削弱噪聲的影響，首先需要將步驟2中得到的特征向量利用PCA方法 (主成分分析)進(jìn)行降維，形成特征臉;其協(xié)方差矩陣表達(dá)式如下：其中，η為人臉樣本數(shù)量，XI表示人臉向量，m為η個(gè)人臉向量的均值；由于協(xié)方差矩陣描 述了向量之間的相關(guān)性，因此上述協(xié)方差矩陣的特征向量形成映射矩陣，根據(jù)映射矩陣對(duì) 人臉圖像數(shù)據(jù)進(jìn)行映射，即可形成特征臉;然后，為了保證同一個(gè)人不同的人臉圖片之間的 類內(nèi)不變性，將特征臉映射到intra-personal子空間中，其協(xié)方差矩陣表達(dá)式如下：其中，S表示同一個(gè)人的人臉圖片集合，XI和Xj表示同一個(gè)人的人臉圖片集合中不同的 兩張人臉圖片的人臉向量；Λ = {λι，···，λι^和ν=(νι，···，νι〇分別表示上式協(xié)方差矩陣的前 k個(gè)特征值和特征向量；同樣地，前k個(gè)特征向量形成映射矩陣，將上述特征臉數(shù)據(jù)通過(guò)該映 射矩陣進(jìn)行映射，從而保證同一個(gè)人的人臉圖片之間的類內(nèi)不變性；如果Cs是可逆的，那 么，特征臉映射到intra-personal子空間用下式來(lái)表達(dá)：其中，V是由上述k個(gè)特征向量形成的映射矩陣，成w(Af，...，Af)是由上述k個(gè)特征值所 組成的對(duì)角矩陣，g即最終形成的特征矩陣； 步驟4、利用雙線性相似度函數(shù)和馬氏距離來(lái)計(jì)算兩個(gè)人臉特征向量之間的相似度得 分值； 馬氏距離已被廣泛用于人臉識(shí)別領(lǐng)域，但其識(shí)別效果不是特別好，而近幾年的研究表 明，雙線性相似度函數(shù)在圖片相似度捜索領(lǐng)域已獲得了很好的效果；因此，本方法中，結(jié)合 雙線性相似度函數(shù)和馬氏距離來(lái)計(jì)算兩個(gè)人臉特征向量之間的相似度得分值，其表達(dá)式如 下：其中，&巧，與)表示馬和馬特征矩陣之間的雙線性相似度函數(shù)，馬俏，:矮示X和X特 征矩陣之間的馬氏距離;G和Μ均為k X k大小的矩陣，需要訓(xùn)練合適的Μ和G來(lái)盡量保證類內(nèi) 不變性的同時(shí)保證類間的最大可辨別性；因此，將in化a-personal子空間相似度量學(xué)習(xí)的 表達(dá)式定義成如下形式：其中，S和D分別表示相似人臉對(duì)（即同一個(gè)人的兩張人臉圖片）和不相似人臉對(duì)（即不 同人的兩張人臉圖片）的標(biāo)簽；II · Mf是矩陣的F范數(shù)，即矩陣元素絕對(duì)值的平方和再開 方;其作用類似于向量的2范數(shù)，因此，表達(dá)式ψν/ -iff + |g - ijp在保證類內(nèi)不變性的同 時(shí)有效地防止過(guò)擬合現(xiàn)象；ξ*是經(jīng)驗(yàn)判別的損失函數(shù)，最小化該參數(shù)可W增強(qiáng)類間的可辨 別性；由此可見，Ct保證了類間的最大可辨別性，而|m - + |g - 保證了類內(nèi)不變性， 而正數(shù)丫用來(lái)協(xié)調(diào)運(yùn)兩個(gè)表達(dá)式所帶來(lái)的影響;對(duì)于上述表達(dá)式中的不等式，當(dāng)一對(duì)人臉 圖片來(lái)自于同一個(gè)人時(shí)，yu = l，而ξυ的值較小，于是把/.。,咕f,)的值會(huì)盡可能大;而當(dāng)一 對(duì)人臉圖片來(lái)自于不同的人時(shí)，yu = -l，而ξυ的值較小，于是瓜/.6·化，引的值會(huì)盡可能??； 因此，當(dāng)也W化，與)值較大時(shí)，則表明一對(duì)人臉圖片來(lái)自于同一個(gè)人，反之，則表明一對(duì)人 臉來(lái)自于不同的人； 步驟5、利用KELM分類器判斷兩張圖片是否來(lái)自于同一個(gè)人； ELM是只包含一個(gè)隱含層和一個(gè)輸出層的神經(jīng)網(wǎng)絡(luò);其最顯著的特點(diǎn)是，它的隱含層參 數(shù)不需要進(jìn)行調(diào)試，而是隨機(jī)設(shè)定的，具有較強(qiáng)的泛化能力；假設(shè)化Μ的隱含層包含L個(gè)節(jié) 點(diǎn)，則其輸出函數(shù)如下：其中，xeRd，yeRE，0表示隱含層的L個(gè)節(jié)點(diǎn)與輸出層之間的權(quán)重，h(x)表示L個(gè)節(jié)點(diǎn)與 輸入X之間的關(guān)系，它是一個(gè)非線性的激勵(lì)函數(shù)（如sigmoid函數(shù)），實(shí)際上，它的作用是將d 維數(shù)據(jù)映射到L維數(shù)據(jù)空間中，Wi表示隱含層第i個(gè)節(jié)點(diǎn)與輸入層的連接權(quán)重，bi表示隱含層 第i個(gè)節(jié)點(diǎn)的偏差； 在ELM的基礎(chǔ)上，又提出了一種基于核函數(shù)的ELM方法，即KELM方法;該方法是用核函數(shù) 來(lái)隱藏ELM原有的激勵(lì)函數(shù)H，從而更好地提高了算法的泛化能力;對(duì)于某一樣本XI，其輸出 函數(shù)表達(dá)式如下：Y=[yi; . . . ;yn]ERnXc 其中，C是一個(gè)回歸系數(shù)； 將步驟4中得到的相似度得分值作為KELM分類器的輸入，所得到的輸出若為1，則表明 兩張人臉圖片來(lái)自于同一個(gè)人，若為0,則表明兩張人臉圖片來(lái)自于不同的人。2.根據(jù)權(quán)利要求1所述的基于關(guān)鍵點(diǎn)的改進(jìn)SIFT人臉特征提取方法，其特征在于:本方 法具體包括W下步驟， 1)將人臉數(shù)據(jù)庫(kù)中的數(shù)據(jù)分成10組進(jìn)行交叉驗(yàn)證實(shí)驗(yàn)，其中，9組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)， 剩余1組數(shù)據(jù)作為測(cè)試數(shù)據(jù)，每組中包含300對(duì)來(lái)自同一個(gè)人的人臉圖片和300對(duì)來(lái)自不同 人的人臉圖片；對(duì)于每張人臉圖片，利用Ξ層深度卷積網(wǎng)絡(luò)級(jí)聯(lián)定位五個(gè)關(guān)鍵像素點(diǎn)的坐 標(biāo)位置，左眼中間位置的像素點(diǎn)，右眼中間位置的像素點(diǎn)，鼻尖上的像素點(diǎn)，左嘴角的像素 點(diǎn)W及右嘴角的像素點(diǎn)； 在Ξ層深度卷積網(wǎng)絡(luò)級(jí)聯(lián)結(jié)構(gòu)的第一層中，包含Ξ個(gè)深度卷積網(wǎng)絡(luò)；第一個(gè)深度卷積 網(wǎng)絡(luò)的輸入是整張人臉，輸出五個(gè)關(guān)鍵像素點(diǎn)的位置;第二個(gè)深度卷積網(wǎng)絡(luò)的輸入是人臉 的上半部分，輸出眼睛和鼻子位置關(guān)鍵像素點(diǎn)的位置;第Ξ個(gè)深度卷積網(wǎng)絡(luò)的輸入是人臉 的下半部分，輸出鼻子和嘴己位置關(guān)鍵像素點(diǎn)的位置;最后，將運(yùn)Ξ個(gè)深度卷積網(wǎng)絡(luò)的輸出 結(jié)果進(jìn)行平均得到第一層最終的輸出；深層卷積網(wǎng)絡(luò)級(jí)聯(lián)的第二層和第Ξ層均取前一層輸 出結(jié)果中關(guān)鍵像素點(diǎn)周圍的領(lǐng)域作為輸入，對(duì)關(guān)鍵像素點(diǎn)的坐標(biāo)位置進(jìn)行再次確認(rèn)，是對(duì) 第一層輸出結(jié)果的補(bǔ)充； 2) 對(duì)于步驟1)中的五個(gè)關(guān)鍵像素點(diǎn)，W每個(gè)關(guān)鍵像素點(diǎn)為中屯、，取14X14的鄰域窗口 大小，計(jì)算該窗口中每個(gè)像素點(diǎn)的梯度模值和方向；然后統(tǒng)計(jì)梯度方向的直方圖；為了減少 突變的影響，用參數(shù)σ為1.5 X 14的高斯函數(shù)對(duì)直方圖進(jìn)行平滑處理;最后W每個(gè)關(guān)鍵像素 點(diǎn)鄰域像素的梯度方向分布特性來(lái)確定每個(gè)關(guān)鍵像素點(diǎn)的方向； 確定了關(guān)鍵像素點(diǎn)的方向后，將坐標(biāo)軸旋轉(zhuǎn)為關(guān)鍵像素點(diǎn)的方向，W確保旋轉(zhuǎn)不變性； 然后W關(guān)鍵像素點(diǎn)為中屯、取16X16的鄰域窗口大小，然后在每4X4大小的小塊上計(jì)算8個(gè) 方向的梯度直方圖，最終，每個(gè)特征向量形成4 X 4 X 8 = 128維的描述子；由于本發(fā)明中每張 人臉圖片的關(guān)鍵像素點(diǎn)數(shù)為5個(gè)，因此，每張人臉圖片的特征向量為5X128 = 640維，運(yùn)不僅 大大降低了特征維數(shù)，而且削弱了表情變化、光照變化W及其他環(huán)境因素等造成的影響，增 強(qiáng)了人臉特征的魯棒性； 3) 將步驟2)中得到的特征向量利用PCA(主成分分析)方法進(jìn)行降維，獲取前400個(gè)主成 分變量，形成400維的特征臉;然后，為了保證同一個(gè)人不同的人臉圖片之間的類內(nèi)不變性， 將特征臉映射到intra-personal子空間中，其中，intra-personal空間的特征維數(shù)取300; 4) 通過(guò)9組訓(xùn)練數(shù)據(jù)訓(xùn)練得到雙線性相似度函數(shù)和馬氏距離中的Μ參數(shù)和G參數(shù);利用 訓(xùn)練過(guò)程所得到的Μ參數(shù)和G參數(shù)計(jì)算訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)中各對(duì)人臉圖片之間的相似度 得分值； 5) 利用KELM分類器判斷兩張圖片是否來(lái)自于同一個(gè)人;在KELM分類器中，本發(fā)明選擇 徑向基核函數(shù)(RBF)作為核函數(shù)，回歸系數(shù)C=1024;將步驟4)中得到的兩張人臉圖片之間 的相似度得分值作為KELM分類器的輸入，所得到的分類器輸出若為1，則表明兩張人臉圖片 來(lái)自于同一個(gè)人，若為0,則表明兩張人臉圖片來(lái)自于不同的人。
【專利摘要】基于關(guān)鍵點(diǎn)的改進(jìn)SIFT人臉特征提取方法，本方法采用了基于關(guān)鍵點(diǎn)的改進(jìn)SIFT人臉特征提取的方法。通過(guò)定位人臉中的五個(gè)關(guān)鍵像素點(diǎn)，并利用SIFT方法中的方向直方圖來(lái)描述這五個(gè)關(guān)鍵點(diǎn)，從而形成魯棒的人臉圖像特征向量。結(jié)合雙線性相似度函數(shù)和馬氏距離來(lái)計(jì)算兩個(gè)人臉特征向量之間的相似度得分值。采用KELM分類器對(duì)相似度得分值進(jìn)行二值分類，得分值較高的一類人臉圖片，兩張人臉圖片均被判為來(lái)自于同一個(gè)人，而得分值較低的一類人臉圖片，兩張人臉圖片均被判為來(lái)自于不同的人。在人臉特征向量的基礎(chǔ)上進(jìn)行人臉識(shí)別的過(guò)程中，結(jié)合了雙線性相似度函數(shù)和馬氏距離來(lái)計(jì)算兩特征向量的相似度得分值，增強(qiáng)了類間的可辨別性。
【IPC分類】G06K9/00
【公開號(hào)】CN105550657
【申請(qǐng)?zhí)枴緾N201510977092
【發(fā)明人】李偉, 王璐, 馮復(fù)標(biāo)
【申請(qǐng)人】北京化工大學(xué)
【公開日】2016年5月4日
【申請(qǐng)日】2015年12月23日