跨姿态人脸识别和姿态估计中的特征转换研究
生物特征识别技术是利用人的生理特征或行为特征，采用数字信号处理技术和模式识别技术的方法进行个人身份鉴定的一种新技术。与传统的身份辨别手段相比，人的生物特征长期稳定、随身携带、不会丢失或遗忘、不易伪造。人脸特征为一种优秀的生物特征，具有良好的对象非侵犯性，并且与日常生活的经验一致，在实际应用中易于被接受。自上世纪六十年代提出计算机自动人脸识别的概念以来，伴随相关领域的科研进步，在现实应用需求的推动下，人脸识别技术取得了长足的进展，已经开始走向实用化。但是对于商用人脸识别系统的独立测试和人脸识别研究的实践表明，实现人脸识别技术的实用化还需要解决若干难点问题。姿态问题是其中首要解决的问题。
在实际应用中，人脸识别系统往往只注册对象的正面人脸图像，而由于对象姿态的不可控制性，用来识别身份的人脸图像往往是非正面的。换句话讲，在实际应用中大量的人脸识别是跨姿态的。基于模型的人脸识别是一种比较直观易于理解的人脸识别方法，能较好的克服人脸的姿态变换对识别的影响。但是这种方法对于计算量的要求很大，同时也依赖于大量的人脸特征点实现图像的对齐，这些内在的不足限制了这种方法的实用性。基于统计的人脸识别算法使用了统计模式识别的相关理论，在实用系统中已经有了较为广泛的应用。但是现有的基于统计特征的人脸识别方法对于姿态问题的克服比较局限，不足以实现跨姿态人脸识别。
本文提出了基于子空间特征转换的跨姿态人脸识别方法。首先，通过基于例样图像的统计学习获得特征空间中有关人脸姿态变化的先验知识，这种先验知识在人脸特征空间中由转换矩阵来描述；其次，在获得有关先验知识后，对于处于非正面视角的人脸图像，利用转换矩阵在正面视角空间中重构人脸特征；最后，利用重构的人脸特征进行身份识别。由于这种方法本质上是一种基于图像的统计特征的身份识别方法，因此会带来实际应用中的许多便利条件在人脸识别中，姿态估计是姿态问题的另一个方面。通常的姿态估计方法主要有以下几种：一是将通用人脸模型用作姿态估计，或者简化人脸模型，依靠人脸图像的特征点建立透视投影模型来对人脸的姿态转动进行几何测量；二是使用Gabor小波变换特征，对图像的姿态进行统计模式识别。这些方法的实用性或多或少的都受到计算量的限制。本文将特征转换引入到姿态估计中，使用模式识别中的融合技术，在特征空间中考虑测试图像的特征向量在转换前和转换后的分布，提高了PCA和LDA方法对图像姿态的识别率。
本文的创新点在于：
(1)明确提出了特征子空间中的姿态特征转换和重构概念。与通过图像重构的识别方法不同，非正面人脸图像的最大可分辨特征(MDF)和最大可表示特征(MEF)都可以在正面特征空间中得到重构，解决了跨视角人脸识别中注册向量和测试向量不在同一特征子空间的难题。
(2)研究了特征转换的若干重要性质。如识别率随姿态的变化、特征重构误差在转换识别中的作用，不同转换矩阵求解方式对识别的影响等。实验表明特征转换对于跨姿态人脸识别率的提升是随姿态的转动角度增加而减小的；训练向量的重构误差可以作为子空间选择的一个参考；而最小二乘解是一种稳定的转换矩阵的求解方法，总体最小二乘解能在一些情况下给出比最小二乘解更好的识别率，但是它的稳定性受子空间选择影响很大。
(3)分析论证了针对姿态问题采用特定的特征提取方法的必要性。人脸图像的视角不变特征和视角相关特征在跨姿态识别中都占有重要位置。现有的人脸特征提取方法并没有专门考虑姿态变化问题，多视角特征子空间只能提取每个视角内的人脸特征；视角无关的特征空间倾向于提取视角不变的人脸特征，不能有效区分姿态变化与图像噪声。
(4)在分析特征空间中姿态转换的统计特性的基础上，首次将特征转换引入到姿态估计中，融合特征向量在转换前和转换后的不同表现，提高了传统的基于表象的姿态估计方法的准确率。
- 作者：
- 张鸿洲
- 学位授予单位：
- 中国科学院上海应用物理研究所
- 专业名称：
- 核技术及应用
- 授予学位：
- 博士
- 学位年度：
- 2007年
- 导师姓名：
- 李勇平
- 中图分类号：
- TP391.4
- 关键词：
- 人脸识别；特征转换；特征重构；姿态估计
-