【導(dǎo)讀】人臉識別具有重要的理論價值和廣泛的應(yīng)用前景。盡管近年來人臉識別。從某種意義上講，人臉識別問題的核心是人臉建模問題，而近年來，基。局部建模的方法更取得了較大的成功。本文在分析現(xiàn)有的產(chǎn)生式方法的基礎(chǔ)。到最終的圖像匹配相似度。本文對不同的圖像分塊策略（稠密和稀疏、分塊。表明融合部分稠密采樣的局部匹配方法可以取得更好的性能。LVP）的產(chǎn)生式模型，并用于人臉重建和識別中。建高維灰度人臉圖像。此外，本文還提出了基于LVP的。直方圖交計算相似度來實現(xiàn)人臉識別。在FERET人臉庫上的實驗結(jié)果表

　　

【正文】 最經(jīng)典的得到局部模型的方法就是對原始圖像進行劃分，得到反映不同局 部特征的子圖像。但是現(xiàn)有的文獻中并沒有對不同的圖像分塊策略（稠密和稀 疏、分塊大小等）以及融合策略（全部融合和部分融合）等進行系統(tǒng)的說明和 闡述。所以在本章中我們將通過大量的實驗，對上述方面進行了系統(tǒng)全面的研 究。 眾所周知，人臉圖像可能會由于大的姿態(tài)，光照，表情，環(huán)境變化，以及 由胡須和太陽鏡形成的遮擋，而產(chǎn)生比較大的變化。這些因素使得類內(nèi)不變化 過于復(fù)雜。因此為了得到好的識別性能，傳統(tǒng)的歐式距離在有些情況下就不適 用了。如常用的圖 31所示歐式距離就不能把測試圖像歸到正確的類別之中。 圖 31 歐式距離引起的問題示例 Figure 31 An illustration of the problem caused by the Euclidean distance 15 哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文 事實上，度量距離，例如歐式距離，是嚴格遵循度量公理的，即下面 4個 公式給出的非負性，自相似性，對 稱性和三角不等的性質(zhì)。 1. D(i1, i2 )?? 0 2. D(i1, i2 )?? 0 當且僅當 i1?? i2 3. D(i1, i2 )?? D(i2 , i1 ) 4. D(i1, i3 )?? D(i1, i2 )?? D(i2 , i3 ) 非負性 自相似性 對稱性 三角不等性 但是很多研究表明這些公理對于人類的感知距離是無效的 [32][33]，因此對于 魯棒的人臉識別來說是不適用的 [34]。就如 Jacobs在 [34]中提到的，如果不對變 化豐富的人臉圖像之間 的距離進行變形，它們就不能被投影到一個度量特征空 間中去。所以為了更好的達到識別的目的，我們應(yīng)該從人類感知的角度出發(fā)找 到一個更加有效的非度量距離度量方法。 圖 32給出了非常形象的圖示，很多觀察者都會覺得人和馬與第三幅人馬 座的圖像都很相似，但是卻相對很少關(guān)注他們不相似的部分。為什么呢？因為 當比較兩幅圖像的時候，人類通常會 ―注意它們非常相似的部分而很少注意有 很大不同的部分 ‖[34]。換句話說與不相似的部分相比，相似的部分對于人類的 感知來說更加重要，它對圖像匹配的過程起著至關(guān)重要的作用。這樣的發(fā)現(xiàn)意 味著對于魯棒的圖像比較來說相似的部分可能會具有很重要的信息。所以提取 這樣的信息非常必要。此外，從圖 32我們還可以看出考慮圖像數(shù)據(jù)的空間結(jié) 構(gòu)也是很重要的。 圖 32 三幅圖像的視覺相似度可以顛覆三角不等性 Figure 32 Judgements of visual similarity between these three images may violate the triangle inequality 16 哈爾濱工業(yè)大學(xué)工學(xué)碩士 學(xué)位論文 非常明顯，這種人類視覺信息的處理機制對于人臉識別來說有本質(zhì)上的用 處，因為它可以減少外界的變化對于同一人臉的影響，從而有易于識別同一人 在不同情況下的圖像。鑒于此在本章中我們做了大量相關(guān)的實驗來驗證：在只 取兩張人臉最相似的部分而丟棄它們那些非常不相似的特征，并通過融合相似 區(qū)域子圖像的匹配結(jié)果來得到最終的圖像匹配相似度時，識別性能比只取人臉 的整體特征是否會提高等。因為這種融合的策略得到的距離不滿足三角不等行 所以它屬于非度量距離。即本章是驗證這種從人類視覺感知原理出發(fā)的非度量 距離能否可以 反應(yīng)出更加準確的人臉之間的差別。 基于稠密局部匹配的人臉識別算法 在介紹基于稠密局部匹配（ Densely Local Matching，簡寫為 DLM）的人 臉識別算法之前，首先介紹一下算法中用到的人臉庫集合。在人臉識別的算法 性能的測試中采用的人臉庫通常分為三個部分：訓(xùn)練集合（ Training Set）、原 型圖像集合（ Gallery）和測試集合（ Probe Sets）?？紤]到算法泛化能力（也稱 推廣能力）的問題，嚴格的講，訓(xùn)練集合中的圖像與測試集合和原型集合中的 圖像乃至人物應(yīng)該是不能有重疊的 。在本算法中由于不存在訓(xùn)練所以并不需要 訓(xùn)練集合，簡化了系統(tǒng)的設(shè)計。 算法中用到的重要參數(shù)的說明： m*m為子塊大?。?L為采樣間隔； N為保 留子塊的數(shù)目。所以具體做法如下： 1. 不乏一般性首先我們對 Probe中某一幅圖像 Ip密集采樣得到 m*m的子圖 像塊，采樣間隔為 L個象素（ L = m）。 i) ii) iii) iv) 對 Gallery集合中的每一幅圖像進行同樣的采樣工作； 對于每一個采樣位置，計算 Ip與每一幅 Gallery圖像中對應(yīng)子塊 的相似度，并對其進行降序排序； 保留前 N個子塊（ 最相似的 N個子塊）采用他們的相似度之和作 為 lp與某一幅 Gallery中圖像的相似度，這里我們采用的是兩個 向量的相關(guān)性（ cos距離）作為相似度度量； 根據(jù)最近鄰原則，取與 Ip相似度最大的圖像作為識別結(jié)果。 2. 對 Probe中每幅圖像都做步驟 1中的處理，最后得到相應(yīng)的識別率。 當采樣間隔 L小于子塊邊長 m時，采樣得到的子塊之間必然存在重疊部分 即進行稠密采樣。其稠密程度取決于相臨子塊之間重疊部分占整個子塊的比例 （即取決于 L和 m）。 17 哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文 實驗與分析 閾值選取 所謂 ―部分大于全部 ‖即上文所述的只取兩張人臉最相似的部分時的識別 性能要好于提取人臉的整體特征的性質(zhì)。下文第 4章 實際上就是這種思想的一種變形的實現(xiàn)。為了驗證這樣的性質(zhì)，我們首先要得 到兩張圖像相似的部分，即選取一個合適的閾值。 在我們的實驗中，取 FERER人臉庫中的四個測試集合 Fa, Fb, Dup I, Dup II 分別作為 Probe集合進行測試。具體做法如 ：其中子塊大小為 5*5， （ m=5）；采樣間隔為 2個像素（ L=2），注意：此時因為 Lm所以為稠密采樣； 保留前 10個最近似子塊（ N=10）。 在此實驗中我們只保留了 10個最相似的子塊的信息，為了得到更全面的結(jié) 果，即隨著保留的子塊數(shù)目的增加識別率的變化趨勢，在我們的實驗中以 50個 子塊數(shù)量為步長，每次增加 50個子塊重復(fù)以上的算法，直到取得所有子塊為 止。這樣就得到了圖 33所示的識別性能變化趨勢圖。 這種計算相似度的方法是一種非度量距離。因為它滿足非負性和對稱性， 但是不能保證三角不等性和自相似性質(zhì)。這恰恰非常好的符合了人類視覺感知 的性質(zhì)。因為如圖 32所示，不失一般性我們假設(shè)人和人馬的最相似部分的相 似度要大于馬和人馬圖像，則 d(人，人馬 )d(人，馬 )+d(馬，人馬 )，即不滿足 三角不等性。這里 d(A,B)表示圖像 A和圖像 B之間相似部分的相似度。在自相似 性方面由于存在兩個人的某些部分長的非常相似的情況，此時如果只計算它們 最相似的部分，則它們之間的距離可能為 0，這就違背了 metric距離中的第 2條 性質(zhì) ——自相似性。然而這種完全相似的現(xiàn)象在實際的應(yīng)用中幾乎不可能遇 到，即使兩幅圖像取自于同一個人時，所以容許有微小變形的兩幅人臉圖像視 為來自同一人比 把兩幅距離為零的圖像歸為同一類更加合理。除此之外這種距 離度量方法對于同一人的人臉圖像因為外界因素的影響（例如遮擋，表情變化 等）而有很大類內(nèi)變化的普遍現(xiàn)象有很好的魯棒性能。實驗結(jié)果如圖 33所 示。 18 Recognition Rate 哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文 fb fc Dup II Dup I 0 10 60 110 160 210 260 310 360 410 460 510 560 610 660 710 760 Block Num 圖 33 識別性能隨所取子塊數(shù)量變化趨勢圖 Figure 33 The trend chart of the variation of recognition performance along with the varying number of sub blocks 從圖中的實驗結(jié)果我們可以看出：除了反映光照變化的 Fc數(shù)據(jù)庫以外，識 別性能在 Fb, Dup I, Dup II三個測試庫上都在取 460個塊的時候（圖中的藍色豎 線所示）達到了最大值。大概是 全部塊的 60%多。所以以后的實驗中我們都取 黃金分割點作為閾值，即前 %的子塊的相似度之和作為比較基準。在 Fc測 試庫中得到的曲線我們可以看出它并不遵循其他三個人臉庫的規(guī)律。這是因為 Fc庫中的圖像都是有較大的光照變化，這對于提取最相似部分的步驟帶來了不 利的影響。因為很可能我們找到的最相似的部分是由于高光，或者陰影造成的 偽相似的部分，而不是真正相似的圖像塊。因此我們可以預(yù)測在以后的工作中 通過對輸入圖像進行一定的預(yù)處理去除光照的不良影響之后， Fc的測試結(jié)果曲 線將遵循同樣的規(guī)律。 此外從曲線圖中， 可以觀察到在四個 Probe庫上隨著所取子塊數(shù)量的增多， 識別性能都是先提高再下降的。這樣的結(jié)果說明了我們所要驗證的 ―部分大于 全部 ‖，不難理解，從人類視覺感知的角度出發(fā)，最相似的部分帶有更多的信 息。例如如果兩個人的眼睛非常的相似，那么這樣的信息對于識別就很重要 了。但是如果取得的信息太少，即實驗中當取的子塊數(shù)過少的時候，由于信息 不夠充足或過于片面導(dǎo)致識別率不夠理想。但是當取的子塊數(shù)過多的時候，由 19 哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文 于引入了很不相似的子塊（大多 是由于外界影響，例如表情變化，眼鏡遮擋等 導(dǎo)致的），使類內(nèi)變化過大，即會產(chǎn)生如圖 31所示的現(xiàn)象：相同人的不同圖像 之間的距離增大。導(dǎo)致了后端識別性能的下降。所以取恰當數(shù)目的子塊做識別 對于性能影響還是很大的。 總之通過這個實驗說明了基于稠密采樣的人臉識別算法中 ―部分大于全 部 ‖的現(xiàn)象，為我們找到一個更好的相似性度量的思考方向，而且根據(jù)識別性 能選擇了黃金分割點作為度量相似的閾值。 采樣方法對識別性能的影響 這個實驗的主要目的是驗證密集采樣對識別率的影響?，F(xiàn)在在人臉識別領(lǐng) 域中有很多應(yīng)用分 塊采樣的算法，大部分是直接把圖像分成若干子塊再進行下 面的操作。所以存在這樣的問題：是否有必要進行稠密采樣？稠密采樣會產(chǎn)生 更多的子塊，是否會產(chǎn)生信息冗余，即對識別率有沒有提高？所以在本章中設(shè) 計了這樣的實驗： 對于 FERET 人臉庫中的 4 個測試庫分別做了以下 4 種實驗： i. 5*5塊 間隔 2采樣 整體 cos距離； (m=5。 L=2。 N=所有子塊數(shù) /圖 ) ii. 5*5塊 無重疊采樣 整體 cos距離； (m=5。 L=5。 N=所有子塊數(shù) /圖 ) iii. 間隔 2采樣 相似度為前 %的 塊 cos距離之和； (m=5。 L=2。 N=%*所有子塊 /圖 ) iv. 無重疊采樣 相似度為前 %的塊 cos距離之和。 (m=5。 L=5。 N=%*所有子塊 /圖 ) 其中實驗 i 和 ii 中 ―整體 cos 距離 ‖是這樣計算的：把采樣后的子圖像塊 的向量連接為一個大的向量，然后計算兩個大向量之間的相關(guān)性，即他們之間 夾角的余弦值。實驗 iii 和 iv 中則分別計算了每個子塊的相關(guān)性，降序排序后 取前 %的子塊的夾角余弦的總和作為兩幅圖像的相似度度量。 得到的識別率分別對 應(yīng)于表 31 中的 4 行數(shù)據(jù) 20 哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文 表 31 FERET 人臉庫中 4 個測試庫上的 4 種實驗得到的識別率 Table 31 The recognition rates of four test sets in FERET in four experiments respectively Fb Fc Dup I Dup II 實驗 實驗 實驗 實驗 i ii iii iv 從實驗結(jié)果中我們可以看出 4種實驗在 FERET人臉庫 4個測試集合上的最好 識別率都在實驗 iii中得到。 實驗 iii比實驗 iv的識別性能有很明顯的提高，說明采用上述