[發明專利]一種基于AAM模型的視頻序列人臉識別方法

有效

• 申請號: 201310445776.X
• 申請日: 2013-09-26
• 公開（公告）號: CN103514442B
• 公開（公告）日: 2017-02-08
• 發明（設計）人: 徐向民;陳曉仕;黃卓彬;林旭斌
• 申請（專利權）人: 華南理工大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/66
• 代理公司: 廣州市華學知識產權代理有限公司44245
• 代理人: 蔡茂略

技術領域

本發明涉及一種人臉識別方法，特別涉及一種基于AAM模型的視頻序列人臉識別方法。

背景技術

在這個信息膨脹，計算機技術日新月異的信息時代，人類開始希望電腦成為一種能夠用自然語言與之間進行交流的機器，并渴望開發全新概念的人機界面和人工智能技術，從而使人們能夠不再依賴傳統計算機的鍵盤、鼠標和顯示設備等交互設備。然而，要實現如此自然的人機交互就要求計算機能夠準確快速地獲取用戶的身份、狀態、意圖以及相關的特征信息。由于人臉所蘊含的大量信息內容是一個重要的信息傳遞窗口，計算機通過利用人臉面部的獨一無二性來獲取對象的身份和相關信息，同時通過人臉豐富的表情變化傳達對象的狀態和意圖，使人與計算機之間建起一座智能化的橋梁，而這些必然要研究有效的與人臉相關的圖像處理技術。

目前已有的人臉識別方法中，人臉特征提取方法主要是基于幾何特征，基于模板匹配，基于子空間和基于神經網絡等方法。在基于子空間的提取方法中，主成分分析PCA和Fisher線性判別等方法是比較常用的方法，它們在靜態圖像中取得較高的識別率。但是在視頻序列中，目前的人臉識別方法必須在用戶配合的情況下才能取得理想識別效果，如果用戶在識別過程中不配合的情況下，識別效果有可能發生大幅降低。另外在視頻序列中，由于人臉姿勢的多變等導致這些方法的識別率有不同程度的下降。

活動外觀模型(Active?Appearance?Model，AAM)是廣泛應用于模式識別領域的一種特征點提取方法。基于AAM的人臉特征定位方法在建立人臉模型過程中，不但考慮局部特征信息，而且綜合考慮到全局形狀和紋理信息，通過對人臉形狀特征以及紋理特征進行統計分析，建立人臉混合模型，即最終對應的AAM模型。

發明內容

本發明的目的在于克服現有技術的缺點與不足，提供一種基于AAM模型的視頻序列人臉識別方法。該方法在人臉姿勢多變的情況下也能夠精確的識別出人臉，具有很強的魯棒性。

本發明的目的通過下述技術方案實現：一種基于AAM模型的視頻序列人臉識別方法，包括訓練階段和識別階段；

（1）所述訓練階段包括：

（1-1）PCA投影：

首先對訓練圖片進行歸一化，根據歸一化后的訓練圖片計算平均臉，將所有歸一化后的訓練圖片與平均臉做差值運算，得到第一差值；

然后根據第一差值構建協方差矩陣，通過協方差矩陣前K個最大特征值的特征向量組成PCA投影矩陣WPCA，作為特征量空間；

最后將第一差值通過PCA投影矩陣WPCA投影到低維空間，得到降維后的特征向量；

（1-2）LDA投影：

首先計算所有訓練圖片樣本經PCA投影得到的降維后的特征向量的均值向量m以及第i類訓練圖片樣本經PCA投影得到的降維后的特征向量的均值向量mi；

然后根據均值向量m、mi和計算訓練樣本類內離散度矩陣S_W和類間離散度矩陣S_B，計算矩陣S_W^-1S_B的特征向量，通過選取S_W^-1S_B的前L個最大的特征向量構成LDA投影矩陣W_LDA；

最后通過LDA投影矩陣W_LDA對通過PCA投影降維后的特征向量進行投影，得到每張訓練圖片的最佳分類特征Γ_ij；

（2）所述識別階段包括：

（2-1）Adaboost檢測：通過Adaboost算法標識出測試視頻幀包含人臉的子區域；

（2-2）AAM跟蹤與姿勢校正：首先訓練得到AAM模型；然后通過訓練得到的AAM模型對人臉子區域進行跟蹤；最后采用AAM模型訓練時得到的最終形狀參數對人臉的子區域進行姿勢校正，得到姿勢校正后的人臉子區域；

（2-3）PCA投影：

首先對上述得到的姿勢校正后的人臉子區域圖片進行歸一化，然后與訓練階段的PCA投影時得到的平均臉做差值運算，得到第二差值；

然后將上述第二差值矩陣投影到訓練階段得到的PCA投影矩陣W_PCA，得到降維后的特征向量η；

（2-4）LDA投影：將步驟（2-3）中得到的降維后的特征向量投影到訓練階段得到的LDA投影矩陣W_LDA，得到待識別人臉圖像的最佳分類特征；

（2-5）最近鄰分類器決策：