[發明專利]基于面部圖像特征的圖像處理方法

有效

• 申請號: 201210247479.X
• 申請日: 2012-07-17
• 公開（公告）號: CN102799872A
• 公開（公告）日: 2012-11-28
• 發明（設計）人: 周秦武;張軍;張嘯宇;強敢峯;張鳳華;蔡云麗
• 申請（專利權）人: 西安交通大學
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權

技術領域：

本發明專利涉及圖像處理領域，用于測定人體面部狀態，具體涉及一種基于面部圖像特征的圖像處理方法。

背景技術：

在圖像處理領域，針對臉部特征的處理方法有多種多樣，最常見的是：

基本算法選取

（1）基于幾何特征的方法

基于幾何特征的方法(Geometrical?Features?Based)是早期的人臉識別算法。該方法要求選取的特征矢量有一定的獨特性，既要反映不同人臉的差異，還要具有一定的彈性，以減少或者消除光照差異等影響。幾何特征向量是以人臉器官的形狀和幾何關系為基礎的特征向量，其分量通常包括人臉指定兩點間的歐式距離、曲率、角度等。

（2）基于神經網絡的方法

神經網絡用于（Neural?Network?Based）人臉識別較早。早期用于人臉識別的神經網絡主要是Kohonen自聯想映射神經網絡，當人臉圖像受噪聲污染嚴重或部分缺損時，用Kohonen網絡恢復完整的人臉的效果較好。Cottrell等人使用級聯BP神經網絡進行人臉識別，對部分受損的、光照有所變化的人臉圖像識別能力也較好。基于神經網絡的方法將人臉直接用灰度圖（二維矩陣）表征，通過訓練把模式的特性隱含在神經網絡的結構和參數之中，即設計特定結構神經網絡作為決策分類器。所選用的神經網絡有：反向傳播神經網絡（Back?Propagation?NN）,卷積神經網絡（Convolution?NN）,支持向量機（SVM）等。

（3）基于代數特征的方法

這類算法是采用代數特征向量，即人臉圖像在由“特征臉”張成的降維子空間上的投影?；诖鷶堤卣髯R別的主要原理是利用統計方法提取特征，從而形成子空間進行識別?；诖鷶堤卣鞯姆椒ǖ幕咎幚磉^程為：將圖像看作一個數值矩陣，對其進行SVD分解，得到的奇異值作為人臉圖像的描述。由于奇異值向量與圖像有一一對應關系而且具有較好的穩定性和各種變換的不變性，代數特征反映了圖像的本質，可以用做人臉特征的描述。并且該方法將K-L變換用于人臉圖像的最優表示。

4）當前主流算法

（1）特征臉（eigenface）算法

特征臉方法的優點：

①圖像原始灰度數據直接用來學習識別，不需任何低中級處理；

②不需要人臉的幾何和反射知識；

③通過低維可以有效的對高維數據進行壓縮；

④與其它匹配方法相比，識別簡單有效。

（2）基于Fisher線性判別分析算法

Fisher線性判別準則是模式識別里的經典算法，Fisher準則假設了不同類別在模式空間是線性可分的，而引起它們可分的主要原因是不同人臉之間的差異?？蓱糜谄谂袛鄟肀硎就粋€人在不同環境及健康狀況下的面部差異。

（3）彈性圖匹配方法

彈性圖匹配方法（Elastic?Graph?Matching）是一種基于動態鏈接結構(Dynamic?Link?Architecture，DLA)的方法。它將人臉用格狀的稀疏圖（即拓撲圖）表示，圖中的節點用圖像位置的Gabor小波分解得到的特征向量標記，圖的邊用連接節點的距離向量標記。

（4）局部特征分析算法

局部特征分析算法（LFA:Local?Feature?Analysis）是利用人臉的先驗結構知識和人臉圖像的灰度分布知識，先粗略找出人臉的特征點，然后利用人臉彈性圖來對其進行調整，最后在各個特征點處計算Gabor變換系數集合，并以此來表示人臉的特征。

（5）非線性子空間算法

非線性子空間分析法（Non-Linear?SubSpace）它代表了一種主流發展趨勢。主要有基于內核機方法（如：K-SVM，K-PCA、K-LDA）、局部線性嵌入方法（LLE）、拉普拉斯特征臉方法（LE）等。其主要思路：用較少數量的特征對樣本進行描述，采用非線性映射實現降維，構造人臉特征子空間，進而通過分類器，實現人臉識別與特征跟蹤。

3、基于知識建模的人臉檢測方法

基于知識的方法利用人臉特征知識建立若干規則，將人臉檢測問題轉化為假設和驗證問題。

器官分布方法：雖然人臉在外觀上變化很大，但還是遵循一些普遍適用的規則。如五官的空間位置分布等。檢測圖像中是否有人臉，即測試該圖像中是存在滿足這些規則的圖像塊。一般先直接檢測幾個器官可能分布的位置，將這些位置點分別組合，用器官分布的幾何關系作為分類器進行篩選，找到可能存在的人臉。