[发明专利]基于非线性张量分解与视角流形的多视角人脸识别方法

说明书

技术领域

本发明属于模式识别与计算机视觉技术领域，特别涉及多视角人脸识别方法，可用于生物特征识别领域中不同视角下的人脸检索和识别。

背景技术

生物特征识别在今后数年内将成为安全及IT产业最为重要的技术革命之一。现代研究表明人的虹膜、指纹和掌形等均可用于身份鉴定。与其它生物特征识别技术或系统相比，人脸识别系统具有识别精度高、方便、友好、自然等优点。所以人脸识别是易于被人们接受的非侵犯性身份识别方法。人脸在成像过程受场景结构和人物状态等各种因素的相互作用，所获得的人脸图像在光照、表情、视角及噪声等方面具有多样性和复杂性。由美国国防部高级研究项目署和美国陆军研究实验室的人脸识别技术项目组联合建立的评测数据库上的测试结果表明，目前的人脸识别系统，在测试图像和训练图像中人脸视角接近的情况下，识别率很高；随着人脸视角变化的加剧，识别性能显著下降。这说明降低视角变化的影响是自动人脸识别技术走向实用化必须解决的关键问题之一。

目前多视角人脸识别的研究成果主要集中为以下两类：

第一类是基于3D人脸建模的多视角人脸识别技术。3D人脸识别在根本上需要将人脸3D表面结构等本质属性与表情、胡须、光照等具有自身可变性或易受外部因素影响的属性分离，以进行识别。3D人脸识别方法最初采用人脸曲率为特征，日本Ritsumeikan大学的Tanaka等采用主曲率的大小及方向信息为特征，用扩展高斯图表示每个人脸的曲面数据，最后计算扩展高斯图的Fisher球形相关度作为相似度来实现识别。德国马普学会计算机科学研究所的Blanz等提出3D人脸形变模型，对于待识别人脸，一是直接用拟合获得的一系列参数作为特征，进行识别；二是通过拟合的特定参数，结合3D形变人脸模型，合成特定姿态和光照条件下的2D人脸图像进行识别。新加坡南阳理工大学的Chua等提出基于标识点的人脸识别方法。以色列技术工程学院的Alexander等通过将3D人脸的深度数据和灰度纹理根据保局映射转换到2D图像上进行识别。美国加利福尼亚大学的Xu等提出基于几何集成的表面流形模型，通过一个四线性流形来表征人脸的光照、姿态、身份和形变信息。该模型中的形变子空间将二维图像与三维人脸模型对应起来，实现多姿态人脸的跟踪与识别。然而3D人脸识别需要昂贵的数据采集设备，且计算量很大。

第二类是基于2D人脸图像的多视角人脸识别技术。其中线性和非线性子空间分析的方法因其实用性得到越来越多研究人员的重视。美国MIT的Turk等最早提出用主成分分析进行人脸识别，它对单一条件下的人脸图像有相当高的识别率，而涉及到多因素变化时，其识别性能显著下降。美国斯坦福大学的Tenenbaum等人建立人脸的双线性模型用于将人脸图像的身份和视角分离，从而进行较精细的人脸识别。美国纽约大学的Vasilescu等将双线性模型推广到基于高阶张量分析的多线性模型，提出基于TensorFace的方法来处理多因素变化下的人脸识别，见文献“M.Alex O.Vasilescu，DemetriTerzopoulos.Multilinear image analysis for facial recognition.Proceedings of the InternationalConference on Pattern Recognition，Quebec City，3：511-514，Canada.2002.”。上述方法均属于线性方法，无法精确描述人脸视角变化引起的图像空间的非线性问题。一类方法是采用核子空间分析方法，德国GMD-FIRST研究所的Scho1kopf等提出基于核主成分分析的方法，将人脸数据由原始的图像空间投影到高维希尔伯特空间，用高维空间中的线性来表示低维空间中的非线性。另一种解决非线性的思路是采用基于流形学习的降维方法，实现人脸空间的非线性描述。美国斯坦福大学的Tenenbaum等人提出的Isomap，伦敦大学学院的Roweis等提出的局部线性嵌入和美国芝加哥大学的He等提出的LaplacianEigenmaps属于此类。美国伊力诺依大学的Lee等提出用在线学习的方法，构建视频中人脸的表面流形概率模型，从而实现视频中视角变化情况下的人脸识别。

目前，基于非线性子空间分解的方法是虽然是人脸识别研究的主流方向之一。但对于多因素变化的复杂人脸图像，这种方法由于不能建立一个统一的人脸表面模型，因而无法实现对各种影响人脸生成的因素分离，也无法准确描述人脸空间的线性及非线性变化。

发明内容