基于图形矢量的精准人脸识别系统Zhengya Xu, Hong Ren Wu, Xinghuo Yu, Fellow, IEEE, Kathryn Horadam, and Bin Qiu, Senior Member, IEEE摘要：本文提出了一个基于人脸特征的快速的人脸识别方法。这是一种基于目标形状的自动参考控制技术和特征提取技术，提出了通过测量出脸部两边的平面差，根据提取的特征集合中将每组2D图像组合成具有3D特征的面部模板。不同于脸部整体的识别算法的是，基于人脸特征的算法是相对稳定的，面部表情、照明状态以及姿势的变化都会导致面部特征向量的变化。提出的技术的性能分析理论均由概率统计做基础。所提出的方法使用了人脸识别数据库的几个样品，以实现可观的人脸识别功能。关键词：人脸特征向量；人脸识别；人脸表征；外形特征向量。一、 引言人脸是最具社会可接受性和非侵入性的影像测量的生物特征之一。其需求少也没有在监视的课题中出现。但是，人脸自动识别是一个非常具有挑战性的任务，因为与其他生物特征相比面部特征的差异是相当细微的（例，指纹识别）【1】。此外，由于面部表情、照明状态、人的姿势和面部化妆的变化都为人脸识别的准确性增加难度。在文献中，静止图像的人脸识别算法分为三类，即全面的、基于特征向量的和混合匹配算法【2】。整体识别算法例如Eigenfaces算法【3】和Fisherfaces算法【4】，从整个脸部提取特征。整体匹配算法的一个限制便是它需要更全面，需要根据正常的姿态，照明以及比例【5】。而这些因素的变化都可能会影响从面提取的全局特征，导致最终识别的不准确。通常的解决办法是通过手动识别面孔来进行，这使得整个过程变得半自动化【6】。人工纠正是不完善的识别系统，因为它通常变现在几个特殊的控制点上，人工识别也为每个控制点提供足够的精度。用具有里程碑意义的自动识别算法来更换这个最终会劣化识别结果的手动过程【6】。此外，全球性特点也敏感于面部表情和遮挡的变化。基于特征的匹配算法提取局部特征或区域特征，如眼睛和鼻子，然后使用这些特征执行匹配或运作自己的本地统计数据进行识别。此类别的一个例子是基于区域的3D匹配算法【7】，其中分别相匹配的眼睛、额头和鼻子的3D点云区域和融合结果在目标水平。另一个例子是使用本地样本提升人脸识别准确度【8】，哪从面部图像在不同匹配的矩形区域、比例和方向【9】。混合匹配方法使用面部全局和局部功能组合识别【10】。3D和多模式人脸识别调查由等人给出【11】，Bowyer认为3D人脸识别必须克服其2D潜在吻合的局限性。多模式的2D和3D人脸识别技术提供了比那些由单独个体方式获得更准确的结果【11】。混合运算方法或分类可以提高人脸识别的准确度被认可。例如Gokberk等人【12】。报道曾表彰通过结合多个三位面部特征的识别算法。许多三维面部识别方法基于迭代最近点（ICP）算法13或它的变体7。ICP为基础的方法的一个主要优点是，它避免了面部表情7和把手构成的变化由匹配2.5-D扫描完成人脸模型14。然而，比较方案的主要缺点是它是一个迭代算法，因此，在计算上很昂贵。此外，为了加快匹配过程ICP算法不提取任何规则的特征级融合和索引的脸部特征的可能性。除非另一个分类器或方式进行索引或之前的排斥不可能面临来自画廊【6】，基于ICP算法必须进行强力匹配，从而使识别费时，不适合生产生活使用。另一个缺点是，它需要ICP好的初始近似值。在本文中，一个快形状特征矢量为基础的人脸识别方法（SFV-FR的简称），提出了以支持实时应用，如实时的现场脸识别系统。新办法旨在避免任何强力匹配算法等。不同于整体人脸识别算法，变化的表达式下如照明、姿势、遮挡和化妆的条件下，基于特征的算法是相对稳健的【7】。2D和3D的组合算法提供了更为准确的结果，形成了一个共同的2-D和3-Dsfv-fr方法。本文的组织如下：第二节/介绍了该方法的sfv-fr原理，其中包括一个新的人脸特征提取的切角技术和独特的面部特征向量的人脸表示；证明比例，平移，旋转不变性所提取的面部特征；与理论由概率的sfv-fr系统性能分析与统计方法。第三节得出结果，第四节结论。二 、sfv-fr方法的原理人脸表达人脸表达是人脸识别系统中的一个重要组成部分有效的人脸模型是有效的不变的，取向和位置对于人脸识别的成功与否是至关重要的。大多数上述的审查国家的最先进的算法是一般的算法。就一个特定的实时系统而言他们有着数据的缺陷，包括昂贵的计算成本。为了缓解这一问题，一种新颖的方法适合于实时面部识别应用，提出了论文。首先，一坐标系（或基线和基准点）是（或者）设置，以限定的面部特征来表示一脸进一步人脸识别。通常，为了构建2-D或3-D的面部数据集和比较面，所有的面捕集/扫描和匹配需要精确对准在一个共同的坐标系。而不是使用暴力破解的搜索或类似的面比对，如先前讨论的，基于形状的自动跟踪参考（坐标）系统被引入用于SFV-FR，通过自动化过程它可以正常进行。由于基于形状的五官都比较稳健的规模化，噪声，光，和姿势的变化，形状特征用于在建议的人脸表示主要特征。SFV-FR的方法多数特征的基础上，坐标由基准点制成，绝不能在可变形份的面部;因此，他们将能够容忍（或避免从显著）患的变化，由于面部表情。的SFV-FR方法使用多个2-D基于视图三维脸代表性，因为它不是一个简单的任务，基于当前的和广泛使用的技术，以获得3-D的脸用于实时视频监控系统的站点信息。因此，有必要建立坐标（或引用）的正面和侧面上。基准点（或控制点），用于建立坐标都必须是普遍的，从图像中不易察觉，抗噪能力和光变，和宽容，在一定程度上，要变化面部表情和姿态，以便产生可靠的特点（即特征向量）进行比较的注册观察/检测到的面部。图1（a）协调和参考点（基线），用于前表面。（b）协调和参考点（基线），用于一个侧面。1）为前脸参考：为了建立参考为一个正面，需要下列步骤。首先，在检测到脸部的中心轮廓。第二，中央正面的线是基于该配置文件的位置。第三，它假设的平均值的控制点的位置面部模型被训练集已知的;因此，初始预测关于测试控制点的位置可以是经过简单的中线对齐进行。第四，从搜索基于平均面部的控制点来找到特定的给定的脸要点他们的外形特征。一坐标建立基于检测到的特定的控制对于进一步的特征向量提取和比较点之间的模板，测试图像。前两个控制点是对应于眼睛的内角的各点。坐标基线是直线，连接两个控制点。这条线的长度被定义为基准一个前表面的长度见图图1（a）。 2）参考侧面人脸：建立的方法，对于一个侧面的引用介绍如下：首先，将侧在检测到脸部的轮廓。的鼻子的直线定面部被选择为一个基线。 （如果它不存在，则第一曲线转弯点，并在该点的切线将选定作为基线）。二，直线被发现是垂直于第一基线和切线与概要文件鼻子的见图图1（b）作为第二基准线。距离点是交叉处的第一基底的点之间和第二基线和点是交叉点在第二基线和上面的嘴的轮廓被选择作为基准长度为代表的侧面功能见图图1（b）。另外，该第二交叉点被用于查找的侧面的主要基线。该基地线是一条直线，从该点和切线与起始的侧面鼻轮廓看到图1中的黄线。图1（b）。根据这一线，鼻尖，其余控制点，和参考点可以发现（如在第III节详细说明）。这些控制点是普遍建立（selfextract）参考点建立一个坐标（参照图1），用于注册和检测到的图像之间的特征（矢量）比较。参考点（控制点），很容易被发现通过从边缘的突出的几何特征和面部的轮廓，无需人工操作。控制点也是稳健噪声和光线的变化，和亮度变化，面部表情变化和姿态改变。图2.指标转换，由于姿态改变带来的人脸特征向量变化基于人脸模型的特征矢量根据基准点（坐标），特征矢量是定义，其中包括显着点，如最大或最低点，或周围的眼睛，鼻孔的边缘角落，和面部。当然，大多数的特征点的有在一个面的不可变形部分，以便容忍定义变化脸部表情的。首先，一组距离是特征和之间限定要点，其中标有黑点与绿色方形围绕它，如图1和2所示，在边缘成比例的基准长度为侧面或前面。下巴尖的点不包括生成比率，因为它是在一个面的可变形部分。因为一个面的形状可以通过角度，来表示其可通过相应的距离的比率来表示，和的比例是独立的标度，该比率的值是特征矢量的部分组件。其他主要用于人脸识别的特征矢量的分量是在每一个特征点的切线角之间的差异并在它的基准点的切线的角度。这意味着脸形的功能可以通过这些角度与代相对于参考基线。其他主要形态特征在SFV-FR方式脸都是相对的切线角度其特征点位于其边缘和轮廓。在每个参考点，一组特征点的设置上边缘/简档的距离D / N从基准点其中，d是面的基准长度，n是限定为确保D / N3个像素。该SFV-FR方法需要高清晰度图像以确保人脸表示的精度来区分不同的面。若图像分辨率（或清晰度）是足够高的，每个人脸上都有着自己独特的形状。面容的几何不变性的证明在脸姿势和位置，相对于所述的可变性传感器，是重要的，因为面出现在不同的非常不同的方向。即使是同样的面孔完全可以出现不同，在两个不同的方位。为了解决这个问题后不变形人脸模板被确定为先前推出的，从观察到的脸部转换特征与模板面部特征通常需要或用脸特征应该是不变的方向和位置。所使用的SFV-FR的特征都必须是不变规模，平移和旋转，并且耐受一定程度噪音腐败和光线的变化。几何变换的定义脸特征不变性性质被示出为如下：对任何规模和平移不变性首先，证明切线角度呈现相对于所述先前定义的坐标。在一般情况下，一个面的边缘和轮廓是一般曲线，这可以表示为16其中，（X，Y）是任意点的面边缘。它的导数表示为。假定切线处的特征的取向点是1和切线在基准方向点是0。 1和0之间的角度差可以是表示为16其中Y？1和Y？0顷的Y在X1和X0点导数边缘/ profile文件分别为后一般曲线缩放和翻译转型公式Y = K（Y + a）和X = K（X+ B），根据新协调系统的x和y，曲线可以被表示为其中，k，a和b是比例因子，Y的位移，x的位移分别并在新的坐标。使用新的坐标，在相应的角（2）是表示为其中y1和y0顷Y的X1和X0点衍生物边缘/ profile文件，分别为。关于x微分（3）后，左侧的（3）可以被表示为奇,和右侧的（3）可以是表示为KF（X）。简化后，我们得到代（5）代入（4），（4）等于（2）。它意味着，它们具有相同的角度，即平移和缩放不变性持有。旋转不变性的证明被讨论如下：转换为y =x sin+ y cos和X = x cosy sin，（1）可以表示为x sin+ y cos= f(x cos y sin) (6)其中，是一个给定的旋转角度。微分后（6）与关于x，（6）可以表示为简化后，Y导可被表示为如下：在新的坐标对应的角被表示为代在（9）通过（8），（9）可以表示如下：因此，已经证明，（9）实际上是相同的（2），并且它们具有相同的角度，即旋转不变性成立。其结果是，所提出的相对切线角度为基础的面部功能，这代表了一个面的固有形状，是不变尺度，位置，并且如果一个面部被转动姿势（在平面）。在3-D空间的转化，这是代表由它的笛卡尔坐标（轴），一个功能之间面对在任意方向和位置，而那些的脸标准（模板）的位置和姿势，包括三平移沿其三个轴和三个旋转它的三个轴。从证明前面提到的，由于相对切线角型脸特征是不变的规模，平移和旋转（在平面中），所需要的变换被减少到两个旋转。为了解决这个问题，在考虑的特征观察满脸都是与它的模板不同，因为它们之间的区别，在其它两个方向，以下变换应用：耳底（功能点耳垂）位置到测试面的底边（坐标）能被用于指示该脸姿势角。为了补偿由于差的面上/下转时，偏离（转）角度大致由ud=反正切（A/ B），其中A估计是鼻孔和耳朵底部的特征