一种基于属性空间的人脸可视化特征表征方法

摘要

本发明公开了一种基于属性空间的人脸可视化特征表征方法，该方法包括：对64种人脸全局或局部属性进行数据模拟、预处理和数据评测，提取数据的“底层”特征；利用高斯混合模型对属性数据分布进行估计，形成人脸属性空间；将输入人脸数据投影至属性空间中，获得量化的人脸可视化特征；通过Z-score方法对可视化特征进行标准化，能更有效的对输入数据进行识别。本发明方法能够更准确的获取判别人脸所需的特征，可广泛应用于其它模式识别与先进智能领域模型中。

说明书

技术领域

本发明属于图像处理和模式识别技术领域，涉及到一种基于属性空间的人脸可视化特征表征方法。

背景技术

随着计算机和图像处理技术的迅猛发展，公共安全问题受到社会越来越多的关注，各种身份识别技术层出不穷。人脸识别以其直接、方便、友好、隐蔽等特点使其具有巨大的优势。人脸识别涉及模式识别，计算机视觉，智能人工交互，计算机图形学，认知科学等多个学科。作为生物特征识别关键技术，人脸识别在信息安全、安防、金融等领域具有很好的应用前景。

人们在人脸识别领域做了很多有益的尝试并且取得了丰硕的成果，但是利用计算机进行自动、高效的人脸识别仍然有许多困难，主要表现为：人脸复杂，变化多样、人脸图像会受到包括光照、表情、姿态、拍摄视角甚至相机规格等因素的影响。

发明内容

本发明的目的在于提出一种在人脸属性空间中研究人脸可视化特征的方法，以挖掘人脸可视化特征对人脸识别的作用。

本发明采用的技术方案是：

本发明提供了一种基于属性空间的人脸可视化特征表征方法，包括以下步骤：

步骤1：人脸可视化特征被看作人脸属性，获取可用于人脸识别的人脸全局和局部属性；一些基本的人脸属性，如性别、种族等是用于判别人脸的突出属性，但仅用这些属性还不能完全有效地进行人脸识别，仍然需要获得一些其他属性加以补充；

步骤2：对步骤1选取的人脸属性进行数据模拟，对数据预处理，提取“底层”特征；

数据模拟采用以下方式进行，评测小组中的一人先对每种属性的数据进行初选，之后将数据发给小组其他成员，只有小组成员全部同意，该数据才会被加入此类属性数据中；

对于全局属性，如性别、年龄等，属性数据先进行人脸检测，用返回的关键点坐标将人脸矫正到标准坐标系统中；设x＇和y＇是变换前像素的坐标值，x和y是变换后像素的坐标值；a，b，c，d，e，f是仿射变换系数；仿射变换计算公式如下：

$>\left(\begin{array}{c}x={\mathrm{ax}}^{\prime }+{\mathrm{by}}^{\prime }+c\\ y={\mathrm{dx}}^{\prime }+{\mathrm{ey}}^{\prime }+f\end{array}\right)$>

对于局部属性，如眼睛的宽度、眼眉的形状等，属性数据会被分割成8块人脸子区域，在子区域中，获取相应的可视化特征；

最后，预处理完成，对所有属性数据提取sift作为“底层”特征；

步骤3：利用支持向量机（SVM）对属性数据进行测评，获得属性和数据的最优化模拟；当选择的数据经过步骤2处理后，对每种属性给出带标签的正例（同一属性数据）和反例（不同属性数据），用于测试属性和数据合理性；

步骤4：混合高斯模型（GMM）获取输入人脸的可视化特征；利用混合高斯模型（GMM）模拟属性数据分布，形成属性空间；计算输入人脸数据在属性空间中各种属性数据分布的后验概率；后验概率相对应的人脸属性被看作是人脸的可视化特征，对于输入的人脸特征向量F(I)，根据已获人脸属性V_i=1...n，计算出相应的可视化特征为：

$>V\left(I\right)=\{V_1\left(F\left(I\right)\right),...,V_n\left(F\left(I\right)\right)\}$>

步骤5：采用Z-Score方法对已被量化的可视化特征进行标准化；标准化公式如下：

$>V_i^{\prime }\left(F\left(I\right)\right)=\frac{V_i\left(F\left(I\right)\right)-E\left(V\left(I\right)\right)}{\mathrm{std}\left(V\left(I\right)\right)}$>

式中，E(V(I))、std(V(I))为数据的均值、标准差；标准化完成后，利用向量的余弦距离得到输入数据A、B的相似度：

$>\mathrm{Sim}(A,B)=\frac{\mathrm{\Sigma V}\_A\left(I\right)*V\_B\left(I\right)}{\sqrt{(\mathrm{\Sigma V}\_A{\left(I\right)}^2)(\mathrm{\Sigma V}\_B{\left(I\right)}^2)}}$>

最后用Sim(A,B)进行人脸识别与验证，完成人脸识别与验证。

本发明提供的一种基于属性空间的人脸可视化特征表征方法，其优点和积极效果在于：

1、该方法对影响人脸识别的各种属性进行预测，对属性进行数据模拟，利用混合高斯模型对属性建模，形成属性空间。

2、该方法是基于模式识别和信息处理理论，挖掘人脸可视化特征在人脸识别中的作用，在属性空间中对人脸“底层”特征进行转换，降低了姿态、光照、表情等因素变化在人脸识别中的敏感性，这一成果还可以推广到其它模式识别模型和先进智能领域模型中。

附图说明

图1是本发明方法的流程框图。

图2是人脸部分属性测试结果图。

图3是人脸在属性空间中的映射示意图。

具体实施方式

本发明的基本思想是通过对人脸属性进行建模，将输入的人脸与属性空间进行关联，利用混合高斯模型挖掘输入人脸的可视化特征，在高层特征中进行人脸识别和验证。

根据以上思想，本发明流程如图1所示，下面结合技术方案和附图对本发明的方法进一步说明。

首先分析各种人脸属性对人脸识别的影响，获取人脸全局和局部属性，同时对各种人脸属性进行数据模拟和测评。其次，对输入人脸和模拟数据进行图像预处理，并提取“底层”特征。再次，根据混合高斯模型对属性建模并获取输入人脸在属性空间中的各种可视化特征。最终进行人脸识别与验证。

以输入人脸数据A和B为例，本方法的具体步骤如下：

步骤1：将人脸可视化特征看作人脸属性，预测人脸全局和局部属性；全局属性即观察整张人脸得出的特性，局部属性则取自于人脸各个子区域，实践中本发明选取了64种人脸属性。

选取的人脸全局属性如下：

选取的人脸局部属性如下：

步骤2：对人脸属性进行数据模拟，对数据预处理，提取“底层”特征；

2.1：进行人脸属性模拟时，评测小组中的一人先对该属性进行数据初选，例如属性A1被选择的数据为D₁={D₁₁,D₁₂,…,D_1n}，D₁中的数据从D₁₁开始依次发给小组其他成员进行主观评测，评测标准为0、1，只有当评测结果全部为1时，该数据通过，被加入到此类属性数据中，反之，则丢弃。

2.2：对于人脸全局属性，属性数据先进行人脸检测，其返回的三个关键点坐标依次为：左眼中心、右眼中心、嘴中心。设定一张正面人脸作为标准人脸，选择上述三个关键点为基准点进行仿射变换。

二维仿射变换公式如下所示：

$>\left(\begin{array}{c}x={\mathrm{ax}}^{\prime }+{\mathrm{by}}^{\prime }+c\\ y={\mathrm{dx}}^{\prime }+{\mathrm{ey}}^{\prime }+f\end{array}\right)$>

其中x＇、y＇是变换前像素的坐标值，x、y是变换后像素的坐标值，a,b,c,d,e,f是仿射变换系数。根据上述坐标信息，得到仿射变换系数进行人脸对齐。

2.3：对于局部属性，如张嘴、眼闭合等，人脸检测和人脸对齐过程与步骤2.2相同，但属性数据将会被分割成8块人脸子区域。即：额头、眼眉、眼睛、鼻子、脸颊、胡子、嘴和下巴。

2.4：选取sift为数据的“底层”特征。全局属性数据根据步骤2.2处理后得到特征：fea_global，局部属性数据根据步骤2.3处理后得到特征：fea_local={fea_1,…,fea_n}，式中n代表人脸区域编号。输入数据A或者B将同时获得fea_global、fea_local。

步骤3：通过支持向量机（SVM）对属性数据进行评测，获得数据和属性的最优化模拟；

3.1：属性数据被确定后，用属性数据和一些非属性数据构成300对正例和300对反例，用支持向量机（SVM）对形成的测试数据进行评测。当属性的评测结果低于基准时，需对该属性重新进行数据模拟，实际中使用核函数为RBF的SVM。属性评测部分结果如图2所示。

步骤4：利用混合高斯模型来获取输入人脸的可视化特征，如图3所示。

4.1：利用混合高斯模型（GMM）模拟属性数据分布。如人脸属性类C包括圆脸、方脸等，同一类型（C类）中所有属性混合高斯度K是相同的。X表示属性类C的已知数据，混合高斯模型参数由X估计；

步骤4.2：计算输入人脸数据在各种属性分布的概率，形成属性空间。人脸数据在属性类C的后验概率为：

$>p\left(x\right|\Theta )=\underset{k=1}{\overset{K}{\Sigma }}{\omega }_k^{C}N(x;{\mu }_k^C,{\Sigma }_k^C)$>

式中，属性类C依次选择圆脸、方脸等，代表属性中第K高斯的权值、均值、方差；

步骤4.3：后验概率相对应的人脸属性被看作是人脸的可视化特征。输入人脸的特征向量F(I)，根据已获属性V_i=1…n，可视化特征可以表示为：V(I)={V₁(F(I)),...,V_n(F(I))}。

步骤5：采用Z-Score方法对已被量化的可视化特征进行标准化。标准化过程如下：

$>V_i^{\prime }\left(F\left(I\right)\right)=\frac{V_i\left(F\left(I\right)\right)-E\left(V\left(I\right)\right)}{\mathrm{std}\left(V\left(I\right)\right)}$>

式中，E(V(I))、std(V(I))为数据的均值、标准差。标准化完成后，利用向量的余弦距离求输入A、B的相似度。公式如下：

$>\mathrm{Sim}(A,B)=\frac{\mathrm{\Sigma V}\_A\left(I\right)*V\_B\left(I\right)}{\sqrt{(\mathrm{\Sigma V}\_A{\left(I\right)}^2)(\mathrm{\Sigma V}\_B{\left(I\right)}^2)}}$>

最后利用Sim(A,B)进行人脸识别与验证。