摘要:在过去的20年里,研究者提出很多人脸识别的方法。大多数研究者运用了整张人脸来做识别,基本技术路线都是提取人脸特征然后并对。然而在实际的场景中,人脸可能被障碍物遮挡,那么我们就必须识别人的部分脸,部分脸识别大多基于脸部关键点进行识别。本文意在总结基于人脸关键点的全脸和部分脸的识别方法。
1.引言
近20年,大量的人脸识别方法被提出,在一些可控制的条件下,这些方法在一些公开的数据库上都取得了非常好的结果。这些方法大多以整张脸做为识别对象。之前数年,研究者利用LBP,Gabor,PCA,NN,HOG来提取人脸特征.然而人脸非常容易被遮挡,那么这些全局特征将失效,因此识别部分脸将成为人脸识别的关键。部分脸如图1所示。因此我们迫切需要一些方法来解决部分脸的识别问题,而且这些方法对人脸的适度变化具有鲁棒性。使人脸识别能更好地应用于实际的场景中,具有重要的应用价值。
图1 一些部分遮挡的人脸样本。(a)LFW数据库中部分遮挡的人脸样本。(b)AR数据库部分遮挡的人脸样本。
人脸识别具有重要的学术价值,人脸是一类相当复杂的细节变化的自然结构目标,此类目标的识别的挑战性在于:(1)外界光线变化或者表情变化。(2)在真实的环境中,可能存在眼镜,胡须,化妆或者口罩或者其他物体的遮挡。(3)物体遮挡导致在复杂的环境中难以检测出人脸。
2.全脸识别
这儿不介绍全局LBP,Gabor,PCA,NN,HOG来提取人脸的方法,主要介绍下基于关键点的高维人脸特征提取方法[1],事实证明该方法的效果非常好。高维特征提取的关键在于对人脸的关键点的定位,然后对倾斜的人脸进行矫正,那么标定人脸的关键点的位置就是关键,D,C等人主要标定了人脸的眼睛,鼻子,嘴巴等关键点,运用了[2][3]的方法来对人脸进行对齐。高维的含义是提取了多关键点和多尺度的特征。如图2所示。
图2. (a)在人脸上定位关键点。(b)多尺度定位关键点的感兴趣区域并分块。
每一个关键点周围固定大小的正方形的感兴趣区域,如图2(b)所示。对每个子区域提取如LBP,Gabor,SIFT,LE,HOG等特征。对原始的人脸缩放一个单位尺度,同样加上一个固定的大小的框,再对子区域提取相应的特征,依次缩小尺度提取特征。其他的关键点也做相应的操作。
但是这样操作的话会造成维数灾难,而且不容易在数据上进行存储,对于一个嵌入式的系统,需要很大的存储空间,尤其是对一些存储空间比较小的便携式的设备。因此我们需要一个稀疏的转换矩阵,稀疏矩阵需要的存储空间小,[1]利用风险最小化的方式对得到一个稀疏转换矩阵B。图3是提取特征和特征降维的过程。
图3 特征提取和降维的示图(X代表原始的串联的特征,Y代表降维后的特征。B代表稀疏转换矩阵)。
训练样本中降维后的特征可以根据PCA,把X当做输入,Y当做输出,有下面的损失函数。
minB,R ||RTY?BTX||22+λ||B||1
s.t RTR=I
λ为正则化系数,上式可以通过最优化的算法解出BT
最后我们保存的特征就为Y。图4是识别率在不同特征下随着提取特征维度的变化曲线。
算法缺点:只适合没有遮挡,缺失的人脸。
3.部分脸识别
与上述完全人脸识别不同的是,部分人脸的信息缺失导致一些特征无法提取,在我们进行人脸识别前我们需要知道人脸的那部分缺失了,缺失的程度有多大。这就是一个难题了。Renliang Weng等人[4]利用SIFT关键点位置信息和纹理信息来对人脸进行识别,关键在于对人脸的校正。对图像不断的进行仿射变换,使完全脸和部分脸的关键点算子之间距离和以及纹理特征之间的距离达到全局最小,这样完成对图像的校正,如图5所示。
图五: 图像校正的过程
最后通过比对待识别的部分人脸与数据中的人脸作比较。
这个方法的缺点在于:第一:每次迭代需要的时间长,导致人脸识别的效率比较低,第二:实验是在已经切割好的人脸图像上做的,最关键的检测部分人脸将成为实际场景识别人脸的关键。
Shengcai Liao[5]提出了一种不需要人脸对齐的一种人脸识别方法,他使用一些关键区域作为识别对象,对关键部分进行取子块划分,使用Gabor滤波器提取几个方向的特征然后用PCA降维,最后用稀疏编码把这些特征组成一个字典,最后关键部位来匹配这些人脸。
疑问:第一:如果关键部位被遮挡严重将会提取不到这些关键的特征导致人脸识别不出来。第二:部分人脸检测依旧是问题。
结论:现有的方法是以关键点或者关键位置来做人脸识别,已经取得了一些好的效果,但是如果当这些关键点或者关键位置被遮挡,这些算法可能不鲁棒,而我们需要做的是在做人脸检测的时候,我们需要知道人脸的哪些部位被遮挡,哪些部位未被遮挡,对未遮挡的部位提取特征与数据库比对,关键在于我们只能提取局部的特征。
参考文献:
[1]Blessing of Dimensionality: High-dimensional Feature and Its Ef?cient Compression for Face Veri?cation.
[2]P. Belhumeur, D. Jacobs, D. Kriegman, and N. Kumar. Localizingparts of faces using a consensus of exemplars. In CVPR, pages 545–552. IEEE, 2011. 2
[3]X. Cao, Y. Wei, F. Wen, and J. Sun. Face alignment by explicit shape regression. In Computer Vision and Pattern Recognition, pages 2887 –2894, June 2012. 1, 2
[4]Robust feature set matching for partial face recognition
[5]Partial Face Recognition Alignment-Free Approach
版权声明:本文为博主原创文章,未经博主允许不得转载。