人脸识别中的特征提取及匹配算法研究

前沿科技

数码世界 P.9人脸识别中特征提取和匹配算法研究李天向 丁潇潇 西安电子科技大学摘要：人脸识别技术在经历了半个多世纪的探索研究中，已经取得了非常显著的成绩。将人脸识别技术应用到不同行业领域中，不仅能够带动不同行业领域的高速发展，还带动了人脸识别技术的高速发展。因此在今后的发展中，就要做好人脸识别中的特征提取与匹配算法研究，进而将其应用到更多的领域行业中，促使人工识别行业的良性发展。关键词：人脸识别 特征提取 匹配算法引言随着人脸识别技术的出现以及应用，不仅提高了工作效率和质量，而且节约了更多的资源成本，深受很多用户的信赖。然而在人脸识别技术的发展和应用中，还需要攻克特征提取和匹配算法的两大难题，消除各种影响因素，促使人脸识别技术更加高效准确。一、人脸识别的基本内容影响人脸识别系统的因素分为个人用户需求和匹配算法，因此要构成一个比较完整、准确的人脸识别系统，就必须高度重视图像预处理、人脸检测、面部特征提取、分类识别这四个环节，要将每一个子系统的价值与优势都充分发挥出来，才能促进人脸识别研究的高速发展，进而为社会做出更大的贡献，实现双赢的局面。图像预处理是指人脸图像的采集以及简单处理，要确保图像具有高效率和质量的识别力度。由于每一个人的脸部特征都有所差异，因此在图像采集时就会受到各种因素的影响，进而导致图像分辨率低下。人脸检测是指判断图像中是否存在人脸，并且判断其所在的位置。人脸检测算法还可以进一步判断出人脸在图像中所占的比例，推测出人脸五官的具体位置。面部特征提取属于人脸识别过程中的重要环节，特征提取的质量好坏将直接影响到人脸识别的质量好坏。特征提取的主要目的是为了寻找出人脸图像上像素点之间的差异，利用像素点之间的差异性来建立特征向量，为以后的识别奠定基础。分类识别是指在特征提取完之后，通过特征提取到的算法进行特征的组合，进而寻找合适的分类器进行人脸识别。二、人脸识别中的特征提取方法（一）经验规则方法经验规则方式是指研究人员在拿到人脸图像时，先根据自身的经验进行基本信息的提取和理解，进而根据自身的理解程度制定合适的分类规则。人脸识别主要是根据人面部的五官特征，如眼睛、鼻子、耳朵、嘴。每一个人的五官在面部上的分布规律都会有所不同，因此根据分布规律即可制定合适的特征标准。例如：每一个人的正脸图像，眼睛呈对称形分布，眼睛下方、鼻翼两侧都会有一定比例的阴影存在，因此就会产生灰度差异。这时研究人员可以根据这些分类规则，提前制定出一套关于特征提取方法。采用这种特征提取的方法，操作比较简单快捷，但是对于研究人员的自身经验与图像预处理能力有一定的要求，因此就会受到很多因素的限制。这种特征提取方法只能当做人脸识别中的初步特征提取，如要获得更加精准的特征，还需要进行不断的深入研究。（二）色彩特征提取方法人脸图像上的色彩分为三种主要基色分别为灰、黑、白，因此在特征提取时，也可以根据图像中的色彩分布来提取人脸特征。这种特征提取方法需要对人脸图像上的色彩信息有一个全面的了解，进而通过整理、归纳，建立基本模型，通过色彩比例与模型进行对比，进而提取特征。例如在人脸图像中，眼睛下方、鼻翼两侧颜色为灰，眼睛会有一定的黑白比例，肤色也有所不同。（三）几何形状方法几何形状方法主要是借助模型的构建，将人脸图像中所包含的几何形状与模型进行对比分析，进而进行特征的整理归纳，进而找到相似目标。几何形状方法充分利用了图像色彩特征信息的波峰波谷、边缘特征和灰度分布，只要找出这些信息的相关联系，就可以构建合理的模型图。这种方法能够快速检测出人脸图像中色彩信息和全局边缘特征，在目标寻找中更加精确化。（四）统计方法统计方法的本质就是利用模式识别的思想，将人脸图像当中所包含的所有信息，都当做有效信息，通过相应的整理与归纳，将这些信息划分为特征信息与非特征信息，进而提取有效信息。常见的算法有结合PCA的特征提取、结合人工神经网络的特征提取、结合支持向量机的特征提取等。三、尺度不变特征变换算法的特征提取尺度不变特征变换算法也分为四个环节，分别为构建尺度空间、检测搜索极值点、寻找最佳极值点、生成特征向量。在应用尺度不变特征变换算法的特征提取时，需要对人脸图像的尺度空间相关内容有一个全面的了解，接下来根据尺度空间来寻找出关键点。在极值点的寻找过程中，需要根据尺度空间图像的坐标（f（x,y））与高斯参数（z）来建立以下搜索公式：D（x,y,z）=（G（x,y,az）-G（x,y,z））*f（x,y）=L（x,y,az）-L（x,y,z）在上述公式中，字母a代表图像中相邻两个尺度之间的比例关系，是常数值。在关键点找到之后，接下来就需要确定关键点所发展的方向。确定方向时需要通过像素点的构建，然后根据特征向量，这样才能在尺度不变特征变化的算法下提取特征。根据关键点以及发展方向，用字母a来表示相邻两个空间尺度之间的比例关系，然后用关键点作为圆心，用1.5a和3倍的1.5a作为半径，进行圆的勾勒，其计算公式就如下所示： m（x,y,z）=在发展方向确定之后，然后采用统计方法，进行关键点的提取，并且进行规律统计。其分布示意图如下： 最后一步就是特征的生成。先要将坐标轴按照特征点的分布方向进行依次旋转，每一个方块内的箭头朝向，就是该区域的梯度方向，当特征点接近梯度向量时，表面关键点的信息就越多，特征提取的精准度就越高。四、SURF算法的特征提取SURF与尺度不变特征变换的提取流程有着很大的差异，然而这种算法的提取速度非常快。SURF算法选用了海塞矩阵行列式特征值的近似值来生成尺度空间，其公式如下：将计算得到的特征值，根据特征值的正负判断，进而整合划分为关键点，根据关键点来进行像素点的对比。接下来就需要进行特征点的候选，特征点的候选也就是上述算法当中的极值点确定，将同一尺度空间内的像素点值进行对比分析，进而筛选出最大值与最小值中的关键点，进而作为候选特征点。最后一个环节就是特征点的发展方向计算，需要根据关键点所在圆形区域的haar小波进行特征分析，然后采用加权法计算出综合，再将haar小波的长度拉伸为4s，在每一个圆弧区域内分别计算出各自相对应的方向。然后再将提取的扇形按照一定区间进行旋转，选出该区域内所有方向一致的关键点所指方向。其过程如下图所示： 五、结语综上所述，人脸识别技术涉及到了很多学科领域，更是计算机领域最为热门的研究技术之一。人脸识别技术相比于传统的生物特征识别技术，不仅具有着识别精准、速度迅速、操作简单快捷的优点，而且耗费的成本费用较少，深受很多用户的青睐。因此在今后的发展中，就可以大力推广和应用人脸识别技术，进而提高精准度。参考文献[1]荔小虎,唐晶磊.基于人脸识别中特征提取和匹配算法研究研究[J].自动化应用,2018,(12):59-61.[2]彭思江,戴厚平,周成富, 等.人脸识别中特征提取和匹配算法研究[J].吉首大学学报（自然科学版）,2018,39(5):24-28. [3]张汉萍.人脸识别中特征提取和匹配算法研究[J].激光杂志,2018,39(7):87-91.

ｌ　ｌ　算法分析　

基于ＳＩＦＴ特征提取与Ｄｅｌａｕｎａｙ　

三角网格剖分算法在图像匹配中的研究　

徐磊张强　（宜宾职业技术学院自动控制工程系四川宜宾６４４００３）　

摘要：以遥感卫星图像作为研究的对象，利用ＳＩＦＴ算法的旋转和尺度不变性，提取图像的特征点并进行匹配。采用三角网格剖分进行特征点的　精简．剔除不符合构网标准的特征点，并且保留原特征点的匹配信息。提高匹配速度和正确匹配的概率。　关键词：图像匹配ＳＩＦＴ三角剖分　中图分类号：ＴＰ３９１　文献标识码：Ａ　文章编号：１００７－９４１６（２０１３）０５—０１５３・０２　

１引言　

图像配准作为识别领域与图像处理的热门课题，一直为国　内外学者所研究。而遥感图像配准当今已经成为图像处理领域　

研究的一个重要分支。遥感图像的特点是数据量大，重叠度高，　针对遥感图像的图像匹配算法必须快速而准确。一序列遥感图　

像经过匹配后可拼接成一幅包含图像序列信息的、大视场的、清　晰完整的新图像。这种遥感图像拼接技术的关键就在于图像配　

准，对于图像配准，通常情况下对待匹配图像重叠部分的一致性　

求解出图像的投影变换。目前针对遥感图像的配准方法，一般分　为基于特征点的配准法，基于变换域的配准法　。ｌ以及基于灰度　

的配准法。　

２基于ＳＩＦＴ￣征点的图像鼠准算法　

传统的ＳＩＦＴ算法是Ｄａｖｉｄ　Ｇ．Ｌｏｗｅ￣出的基于尺度空间的图　

像局部特征描述算子，它对图像的缩放、旋转及仿射变换保持尺度　

不变性。ＳＩＦＴ算法又称提取尺度不变特征点的方法。对特征点的提　取，本文采用ＳＩＦＴ算法【３１，在提取特征点之前，首先构造高斯差分　

ＤＯＧ尺度空间，设图像的尺度空间定义为Ｌ（ｘ，Ｙ，　），可变尺度高斯函　

数Ｇ（ｘ，Ｙ，　）和图像ｌ（ｘ，ｙ）。则可以得到：　

Ｌ（ｘ，ｙ，　）＝Ｇ（ｘ，　，　）｝ｌ（ｘ，　）　（２－１）　

其中Ｇ（ｘ，　，盯）是尺度可变高斯函数，　

Ｇ（ｘ，Ｙ，　）＝—　ｇ　／２ｏ＂　（２－２）　

基于Gabor的特征提取算法在人脸识别中的应用

欧阳文，王燕

（兰州理工大学计算机与通信学院，甘肃兰州730050）

摘要：针对人脸识别中的特征提取问题，提出一种新的基于Gabor的特征提取算法，利用Gabor小波变换良好的提取

区分能力和LDA所具有的判别性优势来进行特征提取。首先利用Gabor小波变换来提取人脸特征。然后对得到的高

维特征采用PCA进行初次降维，再利用LDA实现再次降维，得到最终的特征向量。在ORL和YALE人脸库上的实验

验证了该算法的有效性。

关键词：Gabor小波变换；主成分分析（PCA）；线性判别分析（LDA）；人脸识别

中图分类号：TP391.4文献标识码：A文章编号：1674－6236（2012）24-0175-03

AfeatureextractionalgorithmbasedGaborforfacerecognition

OUYang-wen，WANGYan

（CollegeofComputerandCommunication，LanzhouUniversityofTechnology，Lanzhou730050，China）

Abstract:Aimingatthefeatureextractionproblemoffacerecognition，weproposedanewfeatureextractionalgorithmwhich

utilizedthegoodextractioneffectsofGaborwavelettransformandthediscriminativeadvantagesoftheLDA.Firstly，theGabor

wavelettransformisusedtoextractfacialfeatures.Inthesecondstep，weusePCAalgorithmtorealizethefirstfeature

dimensionreduction，andthenwegetthefinalfeaturevectorsbyusingLDAalgorithm.TheexperimentresultsonORLand

４　福　建　电脑　２０１２年第５期　

人脸识别特征提取算法研究　

姚玉未，李根，邱骏驹，杨佳　（肇庆工商职业技术学院计算机应用技术系广东肇庆５２６０２０　１　

’　【摘　要】：人脸自动识别方法已成为当前模式识别和人工智能领域的一个研究热点，人脸　特征提取是人脸识别技术的关键。首先介绍了ＩＣＡ算法的原理，并对ＩＣＡ算法的优缺点进行了　讨论，提出了一种基于模糊隶属度函数的独立成分分析图像特征提取和识别方法。在ＯＲＬ标准　

人脸数据库上的实验结果表明，这种识别算法优于ＰＣＡ和ＩＣＡ算法。　

【关键词】：特征提取；独立成分分析（ＩｃＡ）；隶属度；主成分分析（ＰｃＡ）；人脸识别　

Ｏ、弓Ｉ言　特征提取是人脸识别中一个非常重要的环　节，目的是为了降低人脸图像的维数。目前，常用　

的基于统计的特征提取方法有主成分分析（ＰＣＡ）ｔｑ　

和线性判别分析（ＬＤＡ１【２］等。独立元分析（ＩＣＡ）嘲是　近年来发展起来的一种新的多维数字信号处理技　术．其基本思想是在最大程度保持信息量的前提　

下．从高维数据空间中提取出低维数据的特征分　

量．是一种基于人脸全局特征的识别方法。但ＩＣＡ　算法在获取独立分量的过程中需要获取人脸图像　

的先验知识，这影响了识别的准确率。有效减少了　后续工作的计算量．取得了较高的识别率。　

基于上述讨论．本文将一个人脸图象矩阵视　为一矢量．通过引入模糊数学中的隶属度概念．定　

义矢量隶属函数．提出一种新的基于隶属度函数　的独立成分分析特征抽取和识别方法　有效减少　

了后续工作的计算量，取得了较高的识别率。本文　称该方法为模糊ＩＣＡ（Ｆｕｚｚｖ　ＩＣＡ１。　１、独立成分分析的基本理论　ＩＣＡ最初是对盲信号的分离　利用独立成分　

分析（ＩＣＡ）方法可以在不知道信号源和传输参数　的情况下．根据输入信号源的统计特性．仅由观测　

信号恢复或提取源信号。独立成分分析已经成为　

盲信号处理中最主要的方法之一．并在模式识别、　数据压缩、图像分析等方面得到广泛的应用。