一种基于student-t分布的脸部配准方法与流程

本发明属于人脸识别技术领域，具体地讲，是涉及一种基于student-t分布的脸部配准方法。

背景技术：

随着人脸识别技术的快速发展，越来越多的政府机构、公司实行人脸识别打卡上下班，火车站也逐渐实行无人检票，通过人脸识别技术验票通过，由此看来人脸识别技术的发展无疑给人们的生活及出行带来了巨大便利。人脸识别技术处于不断发展壮大中，基于pca主成分分析和奇异值分解的人脸识别方法是比较经典和用的较多的人脸识别方法，对图像进行处理和滤波后与图像库中图像进行比对需要一定时间，所以人脸识别速度及识别的准确性一直是人们不断追求和完善的目标。特别是在火车站，通过无人检票通道时，总有乘客的人脸识别失败，不得不走人工通道，这一方面看出人脸识别技术也处于不断成熟过程中，另一个方面也影响后面排队乘客的进站时间，降低了人脸识别效率。通过调查发现，当人脸被遮挡或人脸与扫描人脸仪器距离稍微远时，人脸识别失败的几率将大大提升，因此对人脸识别技术的不断完善对于人们的生活具有极强的使用价值。当前的人脸识别技术由于普遍对人脸遮挡及人脸与扫描仪距离较远时存在人脸识别失败的缺点，在实际应用中并不能完全高效地进行人脸识别，同时在火车站这种人员嘈杂的地方，极有可能由于周围环境的干扰导致人脸识别失败，从而降低了人脸识别的实用价值。

技术实现要素：

本发明的目的在于提供一种基于student-t分布的脸部配准方法，主要解决现有技术中存在的现有人脸识别由于脸部被遮挡或者受周围环境干扰从而降低人脸识别效率的问题。

为了实现上述目的，本发明采用的技术方案如下：

一种基于student-t分布的脸部配准方法，包括起始配准阶段与最终配准阶段；

所述起始配准阶段，包括如下步骤：

(s1)对目标脸部点云与待配准脸部点云建立student-t分布模型，选择模型个数k＝3，采用student-t分布模型对目标脸部点云进行数据分布拟合，并对student-t分布模型下的参数进行求解得到初始参数；

(s2)通过梯度下降法对初始参数进行迭代更新，实现对脸部数据分布的逼近；

(s3)选取student-t分布模型数据中心中的三对脸部数据中心，并分别与目标脸部点云和待配准脸部点云各自的均值点构建一个三棱锥；

(s4)利用刚体几何变换求解出起始旋转矩阵r0，再利用三对脸部数据中心的均值和起始旋转矩阵r0求解起始平移向量t0；

所述最终配准阶段，包括如下步骤：

(s5)通过目标脸部点云与待配准脸部点云在student-t分布模型下协方差的关系，得到关于目标脸部点云与待配准脸部点云的协方差矩阵，同时对待配准脸部点云的协方差矩阵进行降噪处理；

(s6)将优化函数代入起始旋转矩阵r0得到最终旋转矩阵r，并通过三对脸部数据中心的均值和最终旋转矩阵r求解最终平移向量t；

(s7)运用最终旋转矩阵r、最终平移向量t、目标脸部点云a与待配准脸部点云b之间的关系式实现脸部配准。

进一步地，所述步骤(s1)中student-t分布模型为其中，γ表示伽玛函数，t表示点云数据，μ表示脸部数据中心，∑表示协方差矩阵，d表示数据维度，v表示自由度、且当v＝1时为柯西分布模型。

进一步地，其特征在于，所述步骤(s1)中模型个数k＝3。

进一步地，所述步骤(s1)中初始参数包括权重αk、数据中心uk和协方差矩阵∑k。

进一步地，所述步骤(s5)中协方差矩阵为正定矩阵。

进一步地，所述步骤(s6)中优化函数为其中，r表示最终旋转矩阵，∑′b表示待配准脸部点云的协方差矩阵∑b降噪后的表达式，∑a表示目标脸部点云的协方差矩阵。

具体地，所述步骤(s7)中目标脸部点云a＝{a1,a2,…,al}与待配准脸部点云b＝{b1,b2,…,bl}之间的关系式为ai＝rbj+t,i＝1,2,…,l；j＝1,2,…,n，其中，r表达最终旋转矩阵，t表示最终平移向量。

与现有技术相比，本发明具有以下有益效果：

(1)本发明可以对目标脸部点云与待配准脸部点云进行配准识别，即使在脸部点云存在部分遮挡、缺失数据不完整或者受到周围环境干扰时也能实现配准，该特点让本发明能有效抵抗脸部遮挡、环境噪音及脸部与扫描仪距离较远时对脸部配准识别造成的影响，从而提高了人脸识别的效率。

(2)本发明采用的梯度下降法实际就是求一个函数最小值的方法并进行迭代运算，对参数不断更新，迭代更新之后的协方差矩阵特征值若为负数，则保持协方差矩阵不变，该方法的参数更新速度较快，从而可以快速的捕捉人脸信息，从而实现快速的配准。

附图说明

图1为本发明的系统结构示意框图。

图2为本发明目标脸部点云即库存脸部图像

图3为本发明待配准脸部点云即现场抓拍图像

图4为图2与图3中两脸部点云配准后的图像。

具体实施方式

下面结合附图和实施例对本发明作进一步说明，本发明的实施方式包括但不限于下列实施例。

实施例

如图1至图3所示，一种基于student-t分布的脸部配准方法，包括起始配准阶段和最终配准阶段。

具体过程如下：

(1)起始配准阶段：

在起始配准阶段，对目标脸部点云与待配准脸部点云建立student-t分布模型，选择模型个数k＝3，采用student-t分布模型对目标脸部点云进行数据分布拟合，并对student-t分布模型下的参数求解得到初始参数(权重、数据中心和协方差矩阵)，student-t分布模型为：其中，γ表示伽玛函数，t表示点云数据，μ表示脸部数据中心，∑表示协方差矩阵，d表示数据维度，v表示自由度(特别地，当v＝1时为柯西分布模型)，运用梯度下降法对student-t分布模型下求解的各参数进行迭代更新，实现对脸部数据分布的逼近。由刚体几何变换可知目标脸部点云和待配准脸部点云两脸部点云的数据中心存在关系：和为两脸部点云均值，r0为起始旋转矩阵，μ和μ′分别为目标脸部点云和待配准脸部点云的数据中心，从中选取三对脸部数据中心，分别与目标脸部点云和待配准脸部点云各自均值点构建一个三棱锥，便可解出起始旋转矩阵r0，再通过关系式(和分别为μ和μ′的初始聚类中心量)，用三对脸部数据中心的均值和起始旋转矩阵r0求解起始平移向量t0。

(2)最终配准阶段：

目标脸部点云a和待配准脸部点云b的正定矩阵之间存在关系：∑a＝r∑br^t，首先对待配准脸部点云的正定矩阵∑b进行降噪处理，重构降噪后奇异值分解得：(ub和vb是酉矩阵，sa为对角矩阵)，通过jacobi迭代方式，将优化函数代入起始旋转矩阵r0中便可求得最终旋转矩阵r，同样利用上述(1)中关系式用三对脸部数据中心的均值和最终旋转矩阵r求解得到最终平移向量t。

目标脸部点云即附图2所示的库存脸部图像用a＝{a1,a2,…,al}表示，待配准脸部点云即附图3所示的现场抓拍图像用b＝{b1,b2,…,bl}表示，求得的最终旋转矩阵为r，求得的最终平移向量为t，它们之间存在的关系式为：ai＝rbj+t,i＝1,2,…,l；j＝1,2,…,n。通过该公式实现脸部点云的配准识别，配准后的脸部图像如附图4所示。

其中，梯度下降法迭代更新参数的运算过程为：

本发明采用student-t分布模型进行模型的建立，该student-t分布模型的代价函数表示为：再用代价函数i(θ)分别对各参数求偏导，求得对数据中心uk的偏导，其表达式为：接下来再求对协方差矩阵∑k的偏导数，其表达式如下式所示：最后一步，再求对权重αk的偏导数，其表达式为：对各参数的偏导数求完后，运用梯度下降法迭代进行参数的更新，表达式分别为：其中(δ表示学习效率、一般取10^-8，t表示点云数据，m表示迭代次数，γik表示第i个数据在第k个模型的观测值)。

上述实施例仅为本发明的优选实施例，并非对本发明保护范围的限制，但凡采用本发明的设计原理，以及在此基础上进行非创造性劳动而做出的变化，均应属于本发明的保护范围之内。