人臉識(shí)別分解

1、歡迎各位老師和同學(xué)到來人臉識(shí)別分解第1頁先驗(yàn)形狀獲取及在人臉識(shí)別中應(yīng)用人臉識(shí)別分解第2頁目錄一.人臉識(shí)別概況二.人臉識(shí)別方法三.基于先驗(yàn)形狀人臉識(shí)別四.研究主要內(nèi)容和擬處理 de 問題人臉識(shí)別分解第3頁人臉識(shí)別是人體生物認(rèn)證技術(shù)一個(gè)，首先我們談?wù)勅梭w生物認(rèn)證技術(shù)人體生物生物特征包含生理特征和行為特征兩大類。 人體生理特征主要包含人臉、指紋、掌紋、掌形、虹膜、視網(wǎng)膜、靜脈、DNA、顱骨等，這些特征是與生俱來，是先天形成； 而行為特征包含聲紋、署名、步態(tài)、耳形、按鍵節(jié)奏、身體氣味等，這些特征是由后天生活環(huán)境和生活習(xí)慣決定。這些生物特征本身固有特點(diǎn)決定了其在生物認(rèn)證中所起作用是不一樣.一.人臉識(shí)別概

2、況人臉識(shí)別分解第4頁生物特征識(shí)別：人臉 臉部熱量圖 指紋 手形 手部血管分布 虹膜 視網(wǎng)膜 署名 語音 人臉識(shí)別分解第5頁人臉識(shí)別感性認(rèn)識(shí)人臉識(shí)別是一個(gè)活躍研究領(lǐng)域，是人類視覺最出色能力之一。即使人臉識(shí)別準(zhǔn)確性要低于虹膜、指紋識(shí)別，但因?yàn)樗鼰o侵害性和對(duì)用戶最自然、最直觀方式，使人臉識(shí)別成為最輕易被接收生物特征識(shí)別方式。人臉識(shí)別分解第6頁慣用生物特征比較生物特征普遍性獨(dú)特征穩(wěn)定性可采集性性能接收程度防坑騙性人臉HighLowMediumHighLowHighLow指紋MediumHighHighMediumHighMediumHigh手形MediumMediumMediumHighMediumM

3、ediumMedium虹膜HighHighHighMediumHighLowHigh視網(wǎng)膜HighHighMediumLowHighLowHigh署名LowLowLowHighLowHighLow聲音MediumLowLowMediumLowHighLow人臉識(shí)別分解第7頁人臉識(shí)別過程人臉識(shí)別分解第8頁人臉識(shí)別過程登記過程識(shí)別過程一對(duì)一驗(yàn)證過程一對(duì)多區(qū)分過程人臉識(shí)別分解第9頁登記過程人臉識(shí)別分解第10頁一對(duì)多區(qū)分過程人臉識(shí)別分解第11頁二.幾個(gè)常見人臉識(shí)別方法1 基于幾何特征人臉識(shí)別方法2 基于相關(guān)匹配方法3 基于神經(jīng)網(wǎng)絡(luò)方法4 彈性圖匹配方法5 基于三維模型方法人臉識(shí)別分解第12頁1 基于幾

4、何特征人臉識(shí)別方法基于幾何特征方法是早期人臉識(shí)別方法之一。常采取幾何特征有些人臉五官如眼睛、鼻子、嘴巴等局部形狀特征。臉型特征以及五官在臉上分布幾何特征。提取特征時(shí)往往要用到人臉結(jié)構(gòu)一些先驗(yàn)知識(shí)。識(shí)別所采取幾何特征是以人臉器官形狀和幾何關(guān)系為基礎(chǔ)特征矢量，本質(zhì)上是特征矢量之間匹配。人臉識(shí)別分解第13頁2 基于相關(guān)匹配方法基于相關(guān)匹配方法包含模板匹配法和等強(qiáng)度線方法。模板匹配法：Poggio和Brunelli專門比較了基于幾何特征人臉識(shí)別方法和基于模板匹配人臉識(shí)別方法。等強(qiáng)度線法：等強(qiáng)度線利用灰度圖像多級(jí)灰度值等強(qiáng)度線作為特征進(jìn)行兩幅人臉圖像匹配識(shí)別。人臉識(shí)別分解第14頁3 基于神經(jīng)網(wǎng)絡(luò)方法Gu

5、tta等提出了混合神經(jīng)網(wǎng)絡(luò)、Lawrence等經(jīng)過一個(gè)多級(jí)SOM（自組織映射）實(shí)現(xiàn)樣本聚類，將卷積神經(jīng)網(wǎng)絡(luò)CNN用于人臉識(shí)別、Lin等采取基于概率決議神經(jīng)網(wǎng)絡(luò)方法；Demers等提出采取主元神經(jīng)網(wǎng)絡(luò)方法提取人臉圖像特征，用自相關(guān)神經(jīng)網(wǎng)絡(luò)深入壓縮特征，最終采取一個(gè)MLP（多層感知器）來實(shí)現(xiàn)人臉識(shí)別。Er等采取PCA（主成份分析）進(jìn)行維數(shù)壓縮，再用LDA（線性判別分析）抽取特征，然后基于RBF進(jìn)行人臉識(shí)別。Haddadnia等基于PZMI特征，并采取混合學(xué)習(xí)算法RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行人臉識(shí)別。神經(jīng)網(wǎng)絡(luò)優(yōu)勢(shì)是經(jīng)過學(xué)習(xí)過程取得對(duì)這些規(guī)律和規(guī)則隱性表示，它適應(yīng)性較強(qiáng)。人臉識(shí)別分解第15頁4 彈性圖匹配方法L

6、ades等提出采取動(dòng)態(tài)鏈接結(jié)構(gòu)(DLA，Dynamic Link Architecture)方法識(shí)他人臉。它將人臉用格狀稀疏圖表示如圖所表示。圖中節(jié)點(diǎn)用圖像位置Gabor小波分解得到特征向量標(biāo)識(shí)人臉識(shí)別分解第16頁 5 基于三維模型方法 該類方法普通先在圖像上檢測(cè)出與通用模型頂點(diǎn)對(duì)應(yīng)特征點(diǎn)，然后依據(jù)特征點(diǎn)調(diào)整通用模型，最終經(jīng)過紋理映射得到特定人臉3D模型。Tibbalds基于結(jié)構(gòu)光源和立體視覺理論，經(jīng)過攝像機(jī)獲取立體圖像，依據(jù)圖像特征點(diǎn)之間匹配結(jié)構(gòu)人臉三維表面人臉識(shí)別分解第17頁三.基于水平集圖像分割方法 定義：水平集方法是將n維曲面演化問題轉(zhuǎn)化為n+1維空 間水平集函數(shù)曲面演化隱含方式來求解

7、。 優(yōu)勢(shì)：非參數(shù)化、自動(dòng)處理拓?fù)浣Y(jié)構(gòu)改變、捕捉局部形 變、提供一個(gè)自然方法來預(yù)計(jì)演化曲線幾何特 性 劣勢(shì)：不能有效處理有噪聲、不完整數(shù)據(jù)圖像人臉識(shí)別分解第18頁水平集方法研究現(xiàn)實(shí)狀況當(dāng)前基于水平集方法幾何活動(dòng)輪廓研究集中在分割模型改進(jìn)和加緊數(shù)值計(jì)算兩個(gè)方面。在模型改進(jìn)方面包含基于邊緣力測(cè)地活動(dòng)輪廓，基于區(qū)域統(tǒng)計(jì)信息C-V模型；在加緊數(shù)值計(jì)算方面是窄帶水平集方法人臉識(shí)別分解第19頁a.基于圖像邊緣力測(cè)地活動(dòng)輪廓 Caselles V等人提出隱式測(cè)地線動(dòng)態(tài)輪廓模型。它利用黎曼空間中測(cè)地線概念，把尋找圖像邊界限問題轉(zhuǎn)化為尋找一條加權(quán)弧長最小值問題。經(jīng)過使能量函數(shù)最小化，曲線從初始化曲線向目標(biāo)邊界運(yùn)動(dòng)

8、，當(dāng)能量到達(dá)最小值時(shí)，曲線演化結(jié)束，得到最終目標(biāo)邊界，利用水平集思想使模型能夠自適應(yīng)被檢物體拓?fù)涓淖儭Ｈ四樧R(shí)別分解第20頁b.基于圖像區(qū)域信息C-V模型傳統(tǒng)水平集圖像分割方法僅利用圖像局部邊緣信息，對(duì)于邊緣含糊或存在離散狀邊緣區(qū)域，則極難得到理想分割效果，一定程度上限制了其應(yīng)用。對(duì)此，Chan和Vese提出基于簡化M-S模型水平集分割圖像方法(C-V模型)，經(jīng)過單個(gè)水平集符號(hào)將待分割圖像簡單地劃分為目標(biāo)和背景兩個(gè)部分，在確保其分割質(zhì)量前提下，降低了M-S模型復(fù)雜度。 這種方法一個(gè)非常顯著特點(diǎn)就是全局優(yōu)化可僅使用一條初始閉合輪廓線，就能夠把帶有內(nèi)部空洞目標(biāo)內(nèi)部全部檢測(cè)出來，不需要為檢測(cè)內(nèi)部空洞而

9、另外做尤其處理；初始曲線不需要完全位于區(qū)域內(nèi)部或外部，依然能夠正確地分割出目標(biāo)和背景；這種方法不依靠圖像中邊界信息，即使圖像中邊界含糊或呈斷續(xù)狀，依然能夠取得理想分割結(jié)果；該方法還有消除噪聲作用。人臉識(shí)別分解第21頁 不過，同大多數(shù)圖像分割方法區(qū)域分離準(zhǔn)則一樣，C-V模型僅將灰度同質(zhì)作為區(qū)域分離準(zhǔn)則。假如有多個(gè)待分割目標(biāo)，而且各個(gè)目標(biāo)之間相距一定距離，或者含有空洞區(qū)域目標(biāo)壁比較厚，則C-V方法經(jīng)常不能得到正確結(jié)果；另外，C-V圖像分割方程中，每次更新了水平集函數(shù)后，需要對(duì)水平集數(shù)重新初始化為符號(hào)距離函數(shù)，以保持計(jì)算穩(wěn)定性；另外，C-V方法因?yàn)樾枰谡麄€(gè)定義域內(nèi)更新水平集函數(shù)，所以計(jì)算量大，分割

10、速度比較慢。人臉識(shí)別分解第22頁c.窄帶水平集方法在傳統(tǒng)水平集方法演化過程中，因?yàn)槊看蔚家獙?duì)圖像空間中全部網(wǎng)格點(diǎn)進(jìn)行計(jì)算，所以計(jì)算量比較大。窄帶水平集方法基本思想就是在零水平集鄰域內(nèi)選擇一定寬度作為界限，在水平集函數(shù)曲面上定義一條窄帶區(qū)域(Narrow band)，每次迭代只需更新計(jì)算窄帶內(nèi)點(diǎn)。與在整個(gè)水平集函數(shù)上計(jì)算相比，因?yàn)檎瓗е悬c(diǎn)數(shù)量較少，所以這一方法能夠大大降低水平集方法計(jì)算量。人臉識(shí)別分解第23頁基于先驗(yàn)形狀水平集圖像分割優(yōu)勢(shì)：既包含使全局形狀一致隱含曲面約束 ,又保持了水平集捕捉局部形變能力 。經(jīng)典處理過程：首先在水平集空間利用一樣本集結(jié)構(gòu)一個(gè)形狀模型 , 此形狀模型使用變分框

11、架由隱含函數(shù)來描述先驗(yàn)形狀改變 。然后模型引入能量函數(shù)作為先驗(yàn)形狀項(xiàng) ,該項(xiàng)目標(biāo)是使演化曲線與形狀模型距離最小 。人臉識(shí)別分解第24頁形狀模型構(gòu)建 標(biāo)識(shí)法：采取一系列點(diǎn)來表示先驗(yàn)形狀，它基于一個(gè)形狀訓(xùn)練集 ,利用主成份分析法來構(gòu)建經(jīng)典形狀和形狀改變。缺點(diǎn)：形狀分析性能依賴于點(diǎn)標(biāo)識(shí)質(zhì)量 ,手動(dòng)確定這些點(diǎn) ,工作量巨大且易犯錯(cuò) ,尤其是在處理三維物體時(shí) 。人臉識(shí)別分解第25頁水平集方法形狀建模特點(diǎn)：首先 ,它是一個(gè)隱含和內(nèi)在表示方式 ,獨(dú)立于輪廓參數(shù)化 ,并能自動(dòng)處理拓?fù)浣Y(jié)構(gòu)改變 。其次 , 它提供一個(gè)自然方法來預(yù)計(jì)形狀幾何特征 ( 如曲率和法向量) , 而水平集函數(shù)經(jīng)常由定義在圖像空間符號(hào)距離函

12、數(shù)來描述 。最終 , 這種形狀表示方式與曲線演化水平集變分模型相一致 ,能夠自然地融合于活動(dòng)輪廓分割框架。人臉識(shí)別分解第26頁基于變分水平集圖像分割基于變分水平集圖像分割方法能夠在構(gòu)建能量函數(shù)中自然融入附加約束信息，如基于圖像區(qū)域、邊界及目標(biāo)先驗(yàn)形狀知識(shí)等信息，故圖像分割效果魯棒性更強(qiáng)。CV模型能量函數(shù)：E(C,C1，C2)= 為邊界曲線長度， 為曲線C內(nèi)部區(qū)域面積， 是權(quán)重系數(shù)，前兩項(xiàng)為“光滑項(xiàng)”后兩項(xiàng)為“擬合項(xiàng)”。人臉識(shí)別分解第27頁C1，C2為曲線C內(nèi)外部區(qū)域圖像灰度平均值。C位置及C1，C2經(jīng)過最優(yōu)化此能量函數(shù)得到。引入變分水平集模型，CV模型引入H(Z)和 上式用 表示為： 引入先驗(yàn)

13、形狀： ; 人臉識(shí)別分解第28頁 （a） 為先驗(yàn)形狀水平集函數(shù) 經(jīng)上式仿射變換得到。給定任意一個(gè)形狀對(duì)應(yīng)符號(hào)距離函數(shù)，能夠經(jīng)過上述四元關(guān)系得到與其相關(guān)另外一個(gè)形狀符號(hào)距離函數(shù)。人臉識(shí)別分解第29頁改進(jìn)先驗(yàn)形狀能量函數(shù)模型 (b) ; ; 展開(b)，得人臉識(shí)別分解第30頁(b)在(a)基礎(chǔ)上引入局部縮放和局部剪切特征，包含縮放變換 、旋轉(zhuǎn)變換 、平移變換 、剪切變換 ，其中Sx,Sy為像素點(diǎn)在x、y方向縮放系數(shù)，為順時(shí)針旋轉(zhuǎn)角度，Tx,Ty為新坐標(biāo)相對(duì)于原坐標(biāo)在x,y方向像素點(diǎn)平移個(gè)數(shù)，shx,shy分別為像素點(diǎn)在x,y方向上剪切系數(shù)，（xg,yg）為當(dāng)前先驗(yàn)形狀模型中心位置坐標(biāo)。人臉識(shí)別分解第31頁四.研究主要內(nèi)容和擬處理問題研究內(nèi)容：1)用主成份分析（PCA）來預(yù)計(jì)