专利名称：快速鲁棒的人脸图像匹配方法
技术领域：
本发明涉及人体生物特征分析的方法，特别涉及基于计算机视觉技术的人脸图像匹配方法。
背景技术：
随着计算机计算能力和存储能力的飞速提高，生物识别技术以其特有的稳定性、唯一性、方便性，被广泛地应用在安全认证等身份鉴别领域中。与利用指纹、虹膜等其他人体生物特征进行身份识别的方法相比，使用人脸进行识别更加友好和方便，因此人脸识别技术脱颖而出，并逐渐进入实用领域。
基于人脸图像的身份鉴别可用于机关单位的安全和考勤、网络安全、银行、海关边检、物业管理、军队安全、计算机登录系统。比如，公安布控监控、监狱监控、司法认证、民航安检、口岸出入控制、海关身份验证、银行密押、智能身份证、智能门禁、智能视频监控、智能出入控制、司机驾照验证、各类银行卡、金融卡、信用卡、储蓄卡的持卡人的身份验证，等等。
人脸图像的自动分析是建立基于人脸的身份鉴别系统的基础。在十多年来关于人脸分析技术中，出现了许多人脸图像分析模型。这些模型可以分为如下几类(1)纹理模型纹理模型直接描述人脸图像中的像素信息，主要用于人脸的检测和识别。其基本方法是采用主成分分析来获得特征脸谱，并通过特征脸谱将人脸描述为训练样本的线性组合。虽然采用特征脸谱可较紧凑地表达出人脸线性空间，但它缺乏描述局部特征和局部拓扑性质的能力。
(2)形状模型这一类模型将人脸描述为一些特征点的位置或者一组参数曲线所表示的轮廓，基本方法是将形状表示为参数曲线，并通过边缘匹配来实现人脸定位。在此基础上，有人提出了主动形状模型，该模型将人脸描述为一些有语义的特征点，通过对训练样本的特征点进行统计建模，得到描述人脸形状的点分布模型。同时，还对各个特征点处的局部图像特征进行建模。
(3)形状—纹理模型因为形状模型和纹理模型对人脸的表达都不完整，因而可将纹理与形状结合起来，共同描述人脸。基本的思想是根据人脸的形状将人脸图像变形为标准的纹理图像，从而将形状和纹理分离开。
(4)形变模型从对人脸信息的描述方式来看，形变模型将形状描述为密集的向量场而不是少数特征点的位置。形变模型通过计算一个参考人脸图像到各训练人脸(称为原型人脸)的像素级(密集)对应来获取原型人脸的形状，并通过这个形状场将原型人脸图像进行变形，得到与参考人脸逐像素对齐的纹理图像。通过这种方式，形变模型将人脸的形状和纹理有效地分离开来，因此，具有对人脸形状描述精确、表达能力强、训练简单高效等优点。通过形变模型匹配获得的输入人脸的参数化描述可以用于很多场合，例如人脸校验与识别、人脸跟踪和图像压缩等。
形变模型用一种“合成而分析”的方式来分析新的输入人脸图像。通过将形变模型产生的人脸匹配到输入人脸上去，以最佳的模型参数给出了对输入人脸的解释。
(1)对于用于主成分分析的每一个人脸图像，首先对其进行归一化处理。归一化过程是根据眼睛和嘴角的坐标，消除样本人脸图像平移、旋转和缩放的差异。
(2)计算参考人脸图像。参考人脸图像可以取为库中所有原型人脸图像的平均图像。
(3)计算原型人脸图像的形状向量给定参考人脸图像I0和一个原型人脸图像库中的一个图像Ij，形变模型定义其形状为映射SjR2→R2，即从I0到Ij的像素对应Sj(x，y)＝(x′，y′)(1)其中，(x′，y′)是Ij中与I0像素(x，y)对应的像素。
(4)计算原型人脸图像的纹理向量相应地，Ij的纹理定义为映射TjR2→I(其中I为像素值，可以是灰度值或者RGB值)Tj(x，y)＝Ij(Sj(x，y))≡IjoSj(x，y)(2)其中o定义为变形算子，将Ij通过形状场Sj(x，y)反向变形到参考人脸图像上。因此Tj(x，y)是不包含形状信息的图像。
(5)计算模型形状向量和模型纹理向量用原型人脸的形状向量和纹理向量的线性组合表达输入人脸图像的计算模型形状向量和模型纹理向量。计算方法如下Smodel=Σi=0NciSi,Tmodel=Σi=0NbiTi---(3)]]>
原型形状向量和原型纹理向量张成的线性子空间的实际维数都很小，甚至小于原型的数量，因此，直接用原型形状向量和原型纹理向量来描述的模型形状向量和模型纹理向量并不紧凑。
(6)描述通用主动形变模型对原型形状和原型纹理分别进行主成分分析，从而，模型形状向量和模型纹理向量被表达为如下紧凑的形式S＝μ+Φα(4)T＝v+Ωβ (5)其中，μ是平均形状向量，Φ是最大的l个特征值对应的形状向量构成的矩阵，α是紧凑的l维形状系数向量。公式(5)中，v，Ω具有相似的含义。β是紧凑的m维纹理向量。通过主成分分析，消除了原型形状和原型纹理之间的线性相关性，降低了形状和纹理参数向量的维数。公式(4)和公式(5)所得到的模型形状向量和模型纹理向量就是本发明的通用的主动形变模型。
(7)根据参考人脸图像对每一个原型人脸进行向量化。
向量化就是将Sj(x，y)和Tj(x，y)与参考人脸图像逐像素对齐，也就是要建立两个对应关系Sj和Tj。图2说明了向量化过程计算各原型人脸图像与参考人脸图像之间的像素对应关系①本发明将形状表达为参考人图像中每一个像素到原型人脸图像中对应像素的坐标偏移量。由于坐标偏移量是一个2D向量，因而获得一个向量场，称之为形状场。形状场描述了参考人脸图像和原型人脸图像的图像级密集对应关系。
②有了形状对应关系，纹理则被表达为参考图像中每一个像素在原型人脸图像中对应像素的灰度值或RGB值，可通过形状场将原型图像反向变形到参考图像上而得到。
(8)去除背景原型图像中不仅有我们所关心的人脸部分，还包括背景。在实际的人脸分析问题中，我们所需要分析的仅仅是人脸部分，而不是背景部分。而背景的变化很大，无法建立一个通用的模型。因此，背景区域不能被表达在形变模型当中，应设法去除。另外，去除背景区域后，因背景像素被丢弃，形变模型的形状、纹理向量的维数将大大减少，节约了计算资源。
图3是说明去除背景的方法。根据参考人脸图像，生成模板图像。模板图像中白色的像素标记了需要建模的人脸部分。在将2D阵列展开成向量时，只有人脸部分的像素对应的形状(2D位移向量)和纹理值(灰度或RGB)被使用。由此得到的原型形状向量和原型纹理向量只包含我们需要的人脸部分，去除了我们不需要的背景部分。这些向量被用来训练得到形状和纹理的线性模型。因为上面的形状和纹理的2D阵列分别与参考人脸图像逐像素对齐的，上述加模板过程并未丢失原型中包含的有用信息。
通过加模板处理之后，公式(4)和(5)中的S和T可以描述为S＝[x1，L，xL|y1，L，yL]T(6)T＝[R1，G1，B1，L，RL，GL，BL]T(7)其中，L是加模板后像素的数量，(xi，yi)和(Ri，Gi，Bi)分别是(参考人脸图像的)第i个像素所对应的原型人脸像素的位置和像素值。
(9)将输入人脸表达成通用的主动形变模型对于用于主成分分析的每一个原型人脸图像，通过上述过程，获得对应的形状向量和纹理向量。分别将形状向量和纹理向量进行主成分分析，获得μ和Φ以及v和Ω。然后对一个新的输入人脸图像，由公式(4)和(5)表示成式(6)和(7)的向量形式。
(10)计算通用的主动形变模型的匹配参数本发明将形变模型的匹配描述为一个误差函数最小化问题。本发明采用基于梯度信息的优化方法来求解这一匹配问题。引入一个仿射变换，使通用主动形变模型适应实际人脸图像的各种不同姿态。仿射变换A用缩放系数s，2D旋转角θ和平移向量[tx，ty]T来表示A(x,y)=scosθ-sinθsinθcosθxy+txty---(8)]]>将公式(8)应用于公式(4)和(5)，则有Smodel＝R(μ+Φα)+t (9)其中，R是2L×2L维分块的缩放和旋转矩阵R=scosθ·IL-sinθ·ILsinθ·ILcosθ·IL]]>这里IL为L×L维单位矩阵。t是2L维平移向量t＝[tx，tx，L，tx，ty，ty，L，ty]T对纹理(5)进行线性色彩变换C，模型产生的纹理表示为Tmodel＝C·(v+Ωβ)+s(10)其中C是3L×3L维对角色彩增益矩阵C＝diag(γr，γg，γb，L，γr，γg，γb)s是3L维色彩偏移向量s＝[σr，σg，σb，L，σr，σg，σb]T(γr，γg，γb)和(σr，σg，σb)分别是色彩增益和偏移参数。引入这些参数的原因将随后介绍。
这样本发明的通用形变模型的参数为αi(i＝1，L，L)，s，θ，(tx，ty)，βi(i＝1，L，m)，(γr，γg，γb)和(σr，σg，σb)。
为了求解这些参数，可通过最小化匹配误差的方法来获得E=12Σx,y||Inovel·A[(μ(x,y)+Σi=1LαiΦi(x,y)]-C[v(x,y)+Σi=1LβiΩi(x,y)]||2---(11)]]>下面描述式(10)中相关的色彩变换。在实际的人脸分析问题中，输入的彩色人脸图像并不一定来源于同一个取像设备，而不同的数字取像设备的色彩增益特性是不一样的。为了让形变模型能够正确地匹配到从各种取像设备取得的人脸图像上去，必须考虑这一因素。我们用一个线性的色彩变换模型描述色彩增益特性，对彩色像素[r，g，b]T，变换后的像素[r′，g′，b′]T为r′g′b′=B-1·diag(1,d,d)·B·diag(γr,γg,γb)·rgb+σrσgσb---(12)]]>其中，0≤d≤1是颜色对比度因子。极端情况d＝0，变换后的图像退化为灰度图像，加入这一考虑使彩色的形变模型可以匹配灰度输入图像或者颜色比较灰暗的图像。B的取值为B=0.2990.5870.1140.596-0.27-0.320.2110.5230.312]]>匹配参数计算出来，也就是说已经完成了将输入人脸匹配到模型人脸。
但是，从以上方法可知用形变模型匹配(即分析)输入人脸图像的问题被简单地描述为一个误差最小化问题，并采用普通的数值优化算法——随机梯度下降来求解。导致其有如下两个缺点一、没有充分利用输入图像的启发信息用形变模型匹配输入人脸图像的问题被简单地描述为一个误差最小化问题，并采用普通的数值优化算法——随机梯度下降来求解。这样就没有有效地利用输入图像提供的启发信息。而实际上，输入人脸图像Inovel所隐含的启发信息非常丰富一方面，对于纹理而言，通用形变模型所需要匹配的最终目标纹理图像直接包含在Inovel当中，从而形变模型中纹理参数的优化可以直接利用此信息。另一方面，对于形状而言，虽然Inovel本身并不包含形状信息(即参考人脸各像素在Inovel中对应像素的坐标)，但在模型匹配时，同样可通过计算当前的模型人脸图像Imodel到输入图像Inovel的光流来提取后者中隐含的形状信息。这样，可直接指导形变模型的形状和姿态参数的更新。
二、计算速度慢从计算角度考虑，通用优化算法(如梯度下降法)在每一步迭代中需要计算误差函数的梯度，最后归结为在各像素处计算像素误差的偏导数。对于104-105量级的像素数目，这包含相当庞大的运算量，计算速度慢。
这两个缺点限制了形变模型在实际的人脸匹配设备中的应用。
因此，业内存在一种需要充分利用输入图像所隐含的启发信息来有效地引导模型参数的优化；在每一步迭代中以高效的计算方式来更新参数。
发明内容
本发明的目的是提供一种快速鲁棒的人脸图像自动分析的方法，其特点是充分利用输入人脸图像中的启发信息，利用随机优化方法和鲁棒估计技术设计匹配系统。不仅增强了匹配系统在参数优化中跳出局部极小点的能力，而且能够有效地抵抗输入人脸图像中由光照变化、遮挡、噪声等引起的不利影响，可有效地恢复丢失的或污染的图像信息，加快计算速度。
为了达到上述目的，本发明采用如下技术方案人脸图像匹配系统中用于匹配形状参数的像素位置从输入人脸图像中通过采样获得，并且在眼睛、眉毛、鼻、嘴巴等边缘特征较明显的区域具有较高的采样频率。人脸图像匹配系统根据这些形状采样点通过鲁棒估计方法逐步获得形状参数。
该人脸图像匹配系统中用于匹配纹理参数的像素值从输入人脸图像进行采样。采样过程由一个模板图像进行控制。模板图像由参考人脸图像获得，并通过形状信息联系着输入人脸图像。模板图像表明在输入人脸图像的内部具有较高的相同的采样频率而在输入人脸图像的外边缘具有较小的不同的采样频率。人脸图像匹配系统根据这些纹理采样点通过鲁棒估计方法逐步获得纹理参数。
人脸图像匹配系统中参数估计是一种鲁棒的统计估计方法。采用Monte-Carlo采样策略对参数空间进行子采样，并按最小误差平方中值原则迭代寻找匹配参数。通过对输入人脸图像进行块采样拟制优化中野值的作用，增加人脸图像匹配系统抗局部遮挡和光照变化等噪声影响的能力。
人脸图像匹配系统中有机地将参数寻优过程分解为既相独立又相联系的形状参数寻优过程和纹理参数寻优过程，并通过分而治之的寻优策略同时获得形状和纹理参数。
图1建立通用主动形变模型的方法图2原型人脸进行向量化的方法图3去除背景的方法图4基于通用形变模型的人脸匹配主流程5形状更新和纹理更新方法图6采样7快速鲁棒的人脸匹配系统流程8没有污染的人脸匹配示意9污染情形下，人脸匹配的部分结果具体实施方式
下面结合附图进一步说明本发明的技术方案。
输入人脸图像Inovel中所隐含的纹理信息和形状信息可以被用来直接引导相应模型参数的优化。但是，在误差函数(11)中，形状和纹理参数是紧密耦合在一起的，无法直接利用从Inovel中获取的启发信息。最小化误差函数(11)的实际意义是寻找最优的形状(及姿态)和纹理参数，使得模型合成的人脸图像最接近于输入的人脸图像。从计算的策略来看，这等价于寻找模型参数，使得输入人脸的形状和纹理能够同时被模型最佳匹配。这是本发明所提供的独特的人脸匹配策略。本发明的方法是将(11)所表示的误差函数分解为两个相对独立的形状误差函数和纹理误差函数
Es=Σx,y||S*(x,y)-A·[μ(x,y)+Σi=0LαiΦi(x,y)]||2---(13)]]>Et=Σx,y||T*(x,y)-C·[v(x,y)+Σi=0LβiΩi(x,y)]||2---(14)]]>同时最小化(13)和(14)式等价于最小化原误差函数(11)。
在(13)和(14)式中，S*和T*分别是输入人脸的形状和纹理，也就是我们匹配的目标。匹配过程的最初阶段，我们并不知道其真实值。但是，我们可以从Inovel中获得它们的估计值，这就是本发明所利用的启发信息。
在形变模型中，形状参数和纹理参数是彼此独立的，现在通过误差函数分解，形状和纹理参数的优化也完全分开了。因此，我们可以分别更新形状和纹理参数以最小化(13)和(14)式，并将这两个更新步骤交替进行，构成通用的主动形变模型匹配系统的更新框架。
进一步描述更新框架的设计细节。(13)式的最小化问题等价于如下问题argmins,θtx,ty,αΣx,y||s*(x,y)-A[μ(x,y)+Σi=0LαiΦi(x,y)]||2---(15)]]>引入参数变换sx＝s·cosθ，sy＝s·sinθ，αx＝sxα，αy＝syα。并令X=[sx,sy,tx,ty,αxT,αyT]T]]>则(15)可以等价于如下线性最小二乘问题argminX||PX-S*||2---(16)]]>对于(14)式则有argminγr,γg,γb,σr,σg,σbΣx,y||T*(x,y)-C·[v(x,y)+Σi=0LβiΩi(x,y)]||2---(17)]]>定义复合参数向量βr＝γr·β，βg＝γg·β，βb＝γb·β。并令Y＝[γr，γg，γb，σr，σg，σb，βr，βg，βb]T，argminY||QY-T*||2---(18)]]>从而(17)式可以转化为如下线性最小二乘问题通过参数变换，本发明将一个非线性最优化问题转化为一个线性最小二乘问题。图4给出了本发明的人脸匹配系统的工作流程图。
图4中，初始化工作是指设置形状、纹理、姿态和色彩参数为初始的估计值。运算开始时，初始的人脸模型为平均人脸模型。一般来讲，形状向量α和纹理向量β被设置为0。姿态参数的初始值可以来自于人脸检测的结果。色彩变换被设置为同一变换。
完成初始化工作之后，开始进行形状和纹理的更新，获得满意的结果(即算法收敛)为止。最后根据更新形状参数向量α和纹理参数向量β由公式(4)和(5)生成模型人脸图像。图5具体说明了形状更新模块和纹理更新模块。
这是一种针对形状和纹理的分而治之并且相互促进的系统设计策略。因为根据形变模型的定义，形状和纹理参数是彼此独立的，现在通过误差函数分解，形状和纹理参数的优化也完全分开了。因此，我们可以分别更新形状和纹理参数以最小化(13)和(14)式，并将这两个更新步骤交替进行，构成通用主动形变模型匹配系统的计算框架。交替最小化(13)和(14)式而最终使两者都到达最小值，其隐含的假设是，形状优化和纹理优化应该是互相促进的。因为通过最小化(13)和(14)式得到的参数的准确程度取决于S*和T*对输入人脸真实形状和纹理估计的准确程度。
所谓“相互促进”也就是说形状(纹理)优化能够改进T*(S*)。事实上，通过最小化形状误差(13)，我们得到了更好的形状和姿态参数，从而可以得到更准确的T*，使纹理优化更准确；反过来，最小化纹理误差(14)使我们获得了更准确的纹理，并生成更为接近于输入人脸的模型人脸Imodel。这就会导致随后的光流计算的结果更为可靠，从而获得更准确的S*。反过来它又将促进形状优化。形状优化和纹理优化交替进行，在更新模型参数的同时不断改进对S*和T*的估计，最终到达使误差函数(11)最小的最优点。
现在来说明对S*和T*。这样，我们就完整地介绍了本发明的通用主动形变模型匹配系统的设计过程。
通过计算Imodel到Inovel的光流，可以得到S*的估计值。S*是输入人脸的形状，即参考人脸Iref的各个像素在Inovel中对应像素的坐标，为了获取S*，我们需要建立Iref中的像素坐标到Inovel中对应像素坐标的映射MR2→R2(xnovel，ynovel)＝M(xref，yref)M是由两个映射的复合M＝MofoMmodel。其中，(xmodel，ymodel)＝Mmodel(xref，yref)是由模型的形状和姿态参数确定的映射，也就是将模型纹理前向变形生成Imodel的映射。而(xnovel，ynovel)＝Mof(xmodel，ymodel)是从Imodel到Inovel的光流所表达的映射。
另一方面，根据模型当前的形状和姿态参数，将Inovel反向变形到参考人脸上，则可以得到对T*的估计。
该匹配系统有效地利用了输入图像中的启发信息来直接引导模型参数的优化，并且在每一个迭代中用线性方法计算参数的更新，使形变模型匹配的过程具有较高的计算效率和较快的收敛速度。
现在我们来介绍本发明提高该系统的鲁棒性的三种策略。首先作一些相关解释在采用基于最小二乘的数学优化器求解形状(16)和纹理(18)优化问题时，有可能陷入局部极小点。为了增强算法跳出局部极小点的能力，可行的做法是加入随机扰动的因素。
由于形状和纹理的表达都是密集的，像素数量级在104左右，因此求解(16)和(18)时，运算规模比较大，从而限制了运算速度。
在通用的主动形变模型中，纹理和形状都通过主分量分析来描述。在纹理优化时，我们需要求出纹理模型的主元系数(以及色彩参数)，使模型产生的纹理和目标纹理T*之间的误差最小，即与T*相匹配；形状优化的情形也是类似的。其中，纹理和形状优化都建模为最小二乘问题。由于每一个像素处的局部误差对误差平方和函数贡献相同，如果我们要匹配的目标在局部出现了野值，对整体误差就会产生较大的影响，因此最小二乘对野值是不鲁棒的。具体来说，对于纹理，如果目标纹理T*的局部产生了模型无法预测的变化，例如头发或是眼镜的遮挡，就会对纹理的整体匹配产生很不利的影响；对于形状，由于光流运算不总是很可靠的，在某些像素位置会产生的错误的点对应，从而引起目标形状*S的部错误，这将使形状的整体匹配出现问题。
(1)形状采样模块我们需要从参考人脸上随机选取一些像素，用它们求解形状优化问题。换言之，我们需要根据一个概率分布，从全体像素集合中采样出所需要的像素。简单地选择均匀分布并不是一个好的选择。在形状优化中，每个像素提供了相应位置处的形状信息。很自然，处于人脸图像中的边缘(如脸部器官的边缘以及人脸轮廓)处的像素提供的形状信息更为重要，而缺乏纹理区域的像素则相对不重要。另一方面，形状信息是通过光流计算获得的，而边缘像素的光流更为可靠。因此，边缘像素应当具有较高的采样概率。
基于上述分析，我们根据各像素处边缘信息的强度来决定该像素的采样概率，具体做法如下(a)用图像处理中通用的边缘算子计算参考人脸图像的梯度▿Iref=[∂Iref∂x,∂Iref∂y]T;]]>(b)计算边缘信息的强度Ps(x,y)=||▿Iref||=(∂Iref∂x)2+(∂Iref∂y)2]]>。Ps是一图像，称为形状采样图，如[图6(a)]所示。
(c)将Ps归一化Ps(x,y)=Ps(x,y)Σi,jPs(i,j)·ps]]>就是我们需要的概率分布。
我们可以按Ps进行采样，获得Ns个像素(样本)。然后在将数学优化器应用于公式(15)时，只考虑这些样本。
(2)纹理采样模块与形状优化的情况类似，我们在纹理优化时也需要根据一个概率分布对像素进行采样，因为纹理优化和形状优化是完全独立的，这个分布可以与Ps不同。
与形状采样不同，对于纹理，各像素提供的信息基本是同等重要的，因此所选择的概率分布应该是一个均匀分布。但是，考虑到某些位置的像素常常被模型无法预测的因素所干扰(例如额头容易被头发遮挡，靠近脸轮廓处的像素因为光照的关系会有较大的变化)，这些像素所提供的信息可靠性较低，因而应给予较低的采样概率。综合这些考虑，我们手工绘制一个描述参考人脸上各像素可靠性的图像Pt，如[图6-1(b)]所示。与Ps对应，Pt称为纹理采样图。图6-1(b)k中，亮度越高，对应的采样频率也越高。
类似地，需要将Pt进行归一化Pt(x,y)=Pt(x,y)Σi,jP(i,j)]]>。Pt就是纹理优化时对像素采样的概率分布，(18)式只包含按Pt采样得到的Nt个像素。
(3)鲁棒估计模块像素随机采样方法可提高匹配系统中参数更新过程跳出局部极小的能力，同时减小了形状和纹理优化时的运算量。但并没有从根本上解决匹配的鲁棒性问题。为此，本发明给出一种基于统计的鲁棒的线性模型匹配方法。
最小误差平方中值估计是统计分析中一种常用的鲁棒的参数估计技术。但是，最小误差平方中值估计无法获得解析解。针对最小误差平方中值估计，我可以采用Monte-Carlo策略对数据进行子采样，对每个子采样数据集DJ用其它的估计方法求解出模型参数aJ。最后，按最小误差平方中值估计原则选取{aJ}中最优的参数，作为最后估计的参数。
考虑如下线性模型argminp||E·p-v||2---(19)]]>其中，E＝[e1，e2，L，ed]是给定的一组N维线性基向量，我们希望找到d维线性组合系数向量p，使得线性模型能够与输入向量v最佳匹配。本发明给出的Monte-Carlo策略如下(a)对v的各维数据进行子采样，被采样到的数据构成n维向量v(j)，取出线性基向量矩阵中相应的n行，构成E(j)。重复进行m次子采样，得到集合{v(1)，v(2)，L，v(m)}和{E(1)，E(2)，L，E(m)}。
(b)对第j(j＝1，2，…，m)组子采样数据，求解p(j)=argminp(j)||E(j)·p(j)-v(j)||2---(20)]]>(c)选取p＝p(J)，J=argminjmedi(Ei(j)·p(j)-vi(j))2]]>。其中，Ei(j)是E(j)的第i行，vi(j)是v(j)的第i维。
如果应用上述方法求解最小误差平方中值估计，必须严格地控制子采样样本数n，同时又要使参与求解(20)的像素数量尽可能多。考虑到影响图像匹配的主要是图像局部因遮挡、光照等因素产生的噪声，这些噪声区域一般都很集中。因此，如果某一像素是野值，其邻域像素也有很大概率为野值；反之亦然。因此可以采用“块采样”策略，也就是说，每采样一个像素，该像素周围的邻域像素(块)都被选中，这样实际被采样到的像素数量n就远大于样本数n。
实际应用时，可以取3×3的像素块。因此当样本数n＝10时，实际采样的像素数为90。为了能够采样到完全不含野值的子样本向量v(j)，设野值占有率的上界为0，则当m＝200次子采样，可以以0.997的概率保证采样到所需要的v(j)。
这样，图4所示的匹配系统可相应地描述为图7所示系统为了展示本发明的人脸匹配系统的效果，图8给出了没有污染的人脸匹配的一个例子，采用基本的匹配系统获得的结果。
图9给出一些带污染的人脸图像匹配的结果。其中图8的每一列为输入图像，第二列为采用基本的匹配系统获得的匹配结果，第三列是采用鲁棒的匹配系统获得的结果。
权利要求
1.一种快速鲁棒的人脸图像匹配方法，其特征在于，人脸图像匹配系统中用于匹配形状参数的像素位置从输入人脸图像中通过采样获得，并且在眼睛、眉毛、鼻、嘴巴等边缘特征较明显的区域具有较高的采样频率。人脸图像匹配系统根据这些形状采样点通过鲁棒估计方法逐步获得形状参数。
2.如权利要求1所述的一种快速鲁棒的人脸图像匹配方法，其特征在于，该人脸图像匹配系统中用于匹配纹理参数的像素值从输入人脸图像进行采样。采样过程由一个模板图像进行控制。模板图像由参考人脸图像获得，并通过形状信息联系着输入人脸图像。模板图像表明在输入人脸图像的内部具有较高的相同的采样频率而在输入人脸图像的外边缘具有较小的不同的采样频率。人脸图像匹配系统根据这些纹理采样点通过鲁棒估计方法逐步获得纹理参数。
3.如权利要求1所述的一种快速鲁棒的人脸图像匹配方法，其特征在于，人脸图像匹配系统中参数估计是一种鲁棒的统计估计方法。采用Monte-Carlo采样策略对参数空间进行子采样，并按最小误差平方中值原则迭代寻找匹配参数。通过对输入人脸图像进行块采样拟制优化中野值的作用，增加人脸图像匹配系统抗局部遮挡和光照变化等噪声影响的能力。
4.如权利要求1所述的一种使用通用的主动形变模型的人脸图像匹配方法，其特征在于，人脸图像匹配系统中有机地将参数寻优过程分解为既相独立又相联系的形状参数寻优过程和纹理参数寻优过程，并通过分而治之的寻优策略同时获得形状和纹理参数。
全文摘要
本发明是一种快速鲁棒的人脸图像匹配方法，它充分利用输入人脸图像中所隐含的启发信息，采用随机优化方法和鲁棒估计技术，设计匹配系统。不仅增强了匹配系统在参数优化中跳出局部极小点的能力，而且能够有效地抵抗输入人脸图像中由光照变化、遮挡、噪声等引起的不利影响。该系统可有效地恢复丢失的或污染的图像信息，同时还加快了计算速度。这对人脸识别等问题具有重要的实用意义。
文档编号G06K9/00GK1987891SQ200510111938
公开日2007年6月27日 申请日期2005年12月23日 优先权日2005年12月23日
发明者刘晓春, 陆乃将, 张长水 申请人:北京海鑫科金高科技股份有限公司