专利名称：一种模拟生物视觉机制的人脸特征提取方法
技术领域：
本发明属于图像处理、模式识别领域，特别涉及一种模拟生物视觉机制的用于人脸识别的图像特征提取方法。
背景技术：
由于自动人脸识别在商业、军事和安防等领域有着广阔的应用前景，近年来人脸 识别技术受到了广泛的关注并取得了长足的发展。目前，在受控制条件下人脸识别已取得 了较好的效果。然而，在实际应用中，光照、表情等外部因素严重影响人脸识别的性能，当这 些因素变化时，人脸识别的效果会急剧下降。为了对不同变化条件下的人脸进行有效的描 述、保证人脸识别的效果，当前主要有两种手段一种是对每个人采集大量的具有不同变化 的人脸样本构成训练集，用此训练集对分类器进行训练；另一种是提取对各种变化不敏感 的不变特征。对于一个实际的人脸识别系统，预先获取具有各种变化的人脸样本通常比较 困难，因此，提取人脸不变特征是一种更为可行的提高人脸识别性能的方法。提取人脸不变特征的方法主要可分为基于三维人脸模型的方法和基于二维 人脸图像的方法。基于三维模型的方法通过人脸的三维模型描述人脸的几何结构，如 "K. W. Bowyer, K. Chang, P.Flynn, A Survey of Approaches and Challenges in 3D and multi-modal 3D+2D Face Recognition， Computer Vision and Image Understanding 101(1) (2006) 1-15.”。这种几何描述对光照和姿态变化具有较好的鲁棒性。这类方法存 在的问题是对人脸进行三维建模非常困难。目前获取人脸三维模型的途径主要有两种 一是对面部进行三维扫描，直接获得人脸的三维数据，但这种方法需要专用的三维扫描设 备，成本过高；另一种方法是通过同一人脸的多幅不同视角的二维图像构建人脸的三维模 型，这种方法存在的问题是三维建模的计算量非常大，无法满足实时性要求，同时在实际应 用中往往无法获得人脸的不同视角的图像。在实际应用中，普遍采用的还是基于二维图 像的不变特征提取方法。基于二维图像的人脸不变特征提取方法，使用最广泛的是基于 Gabor 小波变换的方法，如 “C. Liu， H. WechsIer，Gabor Feature Based Classification Using the Enhanced Fisher Linear Discriminant Model for Face Recognition, IEEE Transactions on PAMI 11 (4) (2002)467-476. ”。这类方法的优点是，提取的特征对光照和 表情变化具有较好的鲁棒性；缺点是，特征的维度非常大，计算复杂度高，难以达到实时处 理。另一方面，高等动物即使在复杂的自然场景中也能快速准确的识别目标，高等动物的视 觉系统面对目标变化时表现出很强的稳定性。目前已有研究借鉴哺乳动物视觉系统的生理 机制，提出了用于目标识别的图像不变特征提取方法，如“T. Serre, L. Wolf，S. Bileschi, M. Riesenhuber, T.Poggio, Robust Object Recognition with Cortex-Like Mechanisms, IEEE Transactions on PAMI 29 (3) (2007) 411-426. ”。因此，模拟哺乳动物视觉处理机制 提取人脸图像的不变特征，是一个提高人脸识别性能的有效途径。
发明内容
本发明的目的是提出一种模拟哺乳动物视觉处理机制的人脸不变特征提取方法，用于人脸识别。该方法能有效消除因光照、表情和图像平移造成的人脸外观变化，提取人脸 识别所需的特征，并且计算量较小，能满足实时处理要求。为实现这一目的，本发明的技术方案从哺乳动物视觉系统的生理结构和功能出 发，提出一种人脸不变特征提取方法，包括步骤如下(1)模拟初级视皮层简单细胞的学习机制，从训练图像中学习得到一组描述简单 细胞感受野的滤波器，把这组滤波器作为候选的特征提取滤波器；(2)将步骤(1)所得的候选的特征提取滤波器依频率特性分为1组低通滤波器和 M组带通滤波器，从每一组带通滤波器中选择一个滤波器作为特征提取的滤波器；(3)各个特征提取滤波器分别与归一化后的待处理人脸图像作相关运算，得到M 幅具有光照不变性的边缘特征图；(4)模拟初级视皮层复杂细胞的非线性特性，将M幅边缘特征图分别划分图像窗， 取每个窗内的元素的绝对值的最大值作为该窗的特征，得到M幅具有光照、表情和平移不 变性的特征图；(5)直接把步骤(4)得到的每幅特征图都归一化为零均值和单位方差并转换为列向 量，得到M个列向量，将该M个列向量拼接为一个列向量作为人脸图像的不变特征向量；或者(5*)模拟视觉系统的注意机制，由步骤(3)得到的边缘特征图计算人脸图像各区 域的显著度，根据显著度对步骤(4)中的特征图的不同区域赋予不同的权值，增强显著高 的区域的特征，得到M幅增强的不变特征图，把该M幅增强的不变特征图都归一化为零均值 和单位方差，并转换为列向量，将此M个列向量拼接为一个列向量，作为描述本人脸图像的 不变特征向量；(6)对每一幅人脸图像都进行以上(1) (5)或(5*)步的处理，得到每一幅图像 的不变特征向量，然后用鉴别共同矢量方法(Discriminative Common Vectors)对不变特 征向量降维，最后用欧氏距离最近邻分类器对降维后的特征进行分类识别。与现有技术相比，本发明的优点是(1)模拟初级视皮层简单细胞的学习机制，从训练图像中学习获得一组描述简单 细胞感受野的滤波器。该组滤波器反映了图像的统计特性，对图像具有很好的描述能力，仅 从中选取少量的几个就能提取用于识别分类的有效特征，相比现有的基于Gabor小波的方 法，无需对图像进行多尺度分析，计算量小，能满足实时处理要求。(2)模拟视皮层复杂细胞的功能，提取局部区域内的最大值作为该区域的特征，使 获得的特征具有平移不变性，从而降低了对人脸图像对齐的要求，降低了图像预处理的难 度，减少了预处理的计算量。(3)模拟视觉注意机制找出人脸图像的显著区域，对显著区域的特征进行增强，有 利于进一步提高识别率。
图1 本发明方法的步骤框2a 候选的特征提取滤波器
图2b 从候选的特征提取滤波器中选出的特征提取滤波器图3 频率空间划分示意图
具体实施例方式下面结合附图对本发明作进一步的详细说明。实施例一图1给出了本实施方式的处理流程，其包括以下的6个步骤(1)采用稀疏编码模型模拟初级视皮层简单细胞的学习机制，获得一组与图像的 统计特性一致的稀疏编码基函数，作为候选的特征提取滤波器。稀疏编码模型将简单细胞 的学习机制描述为一个最优化问题
权利要求
一种模拟生物视觉机制的人脸特征提取方法，其特征在于包括以下步骤(1)模拟初级视皮层简单细胞的学习机制，从训练图像中学习得到一组描述简单细胞感受野的滤波器，把这组滤波器作为候选的特征提取滤波器；(2)将步骤(1)所得的候选的特征提取滤波器依频率特性分为1组低通滤波器和M组带通滤波器，从每一组带通滤波器中选择一个滤波器作为特征提取的滤波器，得到M个特征提取滤波器；(3)M个特征提取滤波器分别与归一化后的待处理人脸图像作相关运算，得到M幅具有光照不变性的边缘特征图Si(x，y)，i＝1，2，L，M；(4)模拟初级视皮层复杂细胞的非线性特性，将所述M幅边缘特征图分别划分图像窗，取每个窗内的元素的绝对值的最大值作为该窗的特征，得到M幅具有光照、表情和平移不变性的特征图Ci(x，y)，i＝1，2，L，M；(5)直接把每个Ci(x，y)归一化为零均值和单位方差，并将每个归一化后的Ci(x，y)转换为列向量，得到M个列向量，将该M个列向量拼接为一个列向量作为人脸图像的不变特征向量；或者(5*)模拟视觉系统的注意机制，由步骤(3)得到的边缘特征图计算人脸图像各区域的显著度，根据显著度对步骤(4)中的特征图的不同区域赋予不同的权值，增强显著度高的区域的特征，得到M幅增强的不变特征图，把该M幅增强的不变特征图都归一化为零均值和单位方差，并转换为列向量，将此M个列向量拼接为一个列向量，作为描述本人脸图像的不变特征向量；(6)对每一幅人脸图像都进行以上(1)～(5)或(5*)步的处理，得到每一幅图像的不变特征向量，然后用鉴别共同矢量方法对不变特征向量降维，最后用欧氏距离最近邻分类器对降维后的特征进行分类识别。
2.根据权利要求1所述的模拟生物视觉机制的人脸特征提取方法，其特征在于，在所 述步骤(1)中用稀疏编码模型模拟初级视皮层简单细胞的学习机制，用训练稀疏编码模型 得到的稀疏编码基向量模拟简单细胞的感受野，并把稀疏编码基向量作为候选的特征提取 滤波器；所述稀疏编码模型将简单细胞的学习机制描述为一个最优化问题
3.根据权利要求1所述的模拟生物视觉机制的人脸特征提取方法，其特征在于，在所 述步骤(2)中通过快速傅立叶变换计算每个候选的特征提取滤波器的幅度谱，根据幅度谱 的最大值在频率空间中所处的位置将所有的候选滤波器分为1组低通滤波器和M组具有不 同朝向选择性的带通滤波器，从每组带通滤波器中选出幅度谱的最大值最大的一个滤波器作为该组的代表，用于特征提取。
4.根据权利要求1所述的模拟生物视觉机制的人脸特征提取方法，其特征在于，所述 步骤(3)的过程为用步骤(2)中得到的特征提取滤波器，提取图像的边缘特征作为图像的光照不变描 述，将人脸图像以1个像素为步长，划分为与FiU, y)大小相同的图像窗，把每个图像窗都 归一化为单位模长，用滤波器Fi (X，y)提取其特征^ = β(χ, y)F, ^ y)) / (Σ Β(χ, yf )1/2χ,少χ, 7其中Β(Χ，y)为某一图像窗，一幅图像经M个滤波器分别处理后得到M幅特征图，记为 Si (X，y), i = 1,2, L，M。
5.根据权利要求1所述的模拟生物视觉机制的人脸特征提取方法，其特征在于，所述 步骤(4)的处理方法为模拟视皮层复杂细胞的非线性特性，在光照不变性的基础上进一步增加特征的表情和 平移不变性，对每幅光照不变特征图Si(x，y)，以L为步长将Si(x，y)划分为2LX2L的图像 窗，对于每个图像窗，取窗内元素的绝对值的最大值作为该窗的特征，得到M幅具有光照、 表情和平移不变性的特征图，记为Ci (x，y)，i = 1,2, L, M0
6.根据权利要求1所述的模拟生物视觉机制的人脸特征提取方法，其特征在于，所述 步骤(5*)中利用步骤(3)得到的光照不变特征图Si (X，y)计算人脸图像不同区域的显著 度的方法如下^Si(Xjy),! = 1，2，1^^分别进行直方图估计，根据直方图得到5&，7)中各元素值 的概率Pi(x，y)，i = l，2，L，M，*Pi(x，y)计算图像的信息量ME(X^y) =-Y4Xom(^y))i=\作为图像的显著性度量；根据图像不同区域的显著度计算步骤(4)中的不变特征CiU, y)的权值图，对显著度 高的区域赋予较大的权值，以达到对Ci (x, y)进行增强采用与步骤⑷中相同的图像窗划分方法，将E(x，y)划分为图像窗，计算每个窗的均 值得到权值图W(x，y)，采用对数函数把权值图的取值范围归一化为0.5到1之间，得到归 一化的权值图, χ ν) - 10Ξ{昨，力‘(exP(0.5) - exp(l)) + exp(l) · Wmm - exp(0.5)· Wmax、、’乃 gW -W\min maxJ其中Wmin和Wmax分别表示W(x，y)的最大值和最小值，将矿(x，y)与Ci(Xj)的对应点 相乘得到显著区域被增强的特征图C1(x,y) = W\x,y)0C1(x,y), / = 1,2,L ,Μ。
全文摘要
本发明是一种模拟生物视觉机制的人脸特征提取方法，属于图像处理、模式识别领域。本发明步骤为模拟初级视皮层简单细胞的学习机制，训练一组描述简单细胞感受野的滤波器，从该组滤波器中选出少量具有特定频率选择性的滤波器提取图像的光照不变特征；模拟初级视皮层复杂细胞的功能，在光照不变性的基础上增加特征的表情和平移不变性；通过视觉注意机制对不变特征的显著区域进行增强；将增强的不变特征转换为特征向量，用于人脸识别。实验表明，本方法能有效减小光照、表情和平移变化对人脸识别效果的影响，且具有实时处理能力。
文档编号G06K9/66GK101968850SQ20101051503
公开日2011年2月9日 申请日期2010年10月21日 优先权日2010年10月21日
发明者张睿, 李伟红, 杜兴, 熊健, 白志, 罗凌, 黄庆忠, 龚卫国 申请人:重庆大学