本發(fā)明屬于人臉識別方法，特別涉及一種基于局部特征的臉型分類方法。
背景技術(shù)：
：傳統(tǒng)的人臉輪廓分類算法過度依賴臉型輪廓的曲線特征，而忽略臉型周圍的紋理特征，在提取臉型輪廓時，對圖片質(zhì)量要求過高，極易產(chǎn)生誤差，導(dǎo)致很難構(gòu)建準(zhǔn)確的人臉輪廓曲線。為了克服特征點定位不十分準(zhǔn)確的情況下，充分利用圖片原始信息，保證人臉輪廓特征的準(zhǔn)確率，提出采用圓形鄰域局部特征表達(dá)(RoundLocalFeatureExpression，簡稱RLFE)的形式描述人臉輪廓特征。目前，臉型分類主要是基于幾何模型和輪廓模型，文獻(xiàn)[1]和文獻(xiàn)[2]作者利用人臉輪廓的曲率特征進(jìn)行分類，通過輪廓曲率之間的相互關(guān)系函數(shù)定義相似性，并將人臉分為圓臉、橢圓臉、方臉、三角臉及其他臉型五類。具有較好的識別速度，取得了87.7％的準(zhǔn)確率。該方法定義輪廓曲線為y＝f(x)，曲率k＝|y"|/(1+y'2)3/2，通過比較對應(yīng)點的曲率判別臉型。但是下頜輪廓曲線提取較為困難，提取的曲線精度不高，所以分類結(jié)果不夠可靠。與此相比，文獻(xiàn)[3]提出基于ASM主動形狀模型的方法，原理簡單，準(zhǔn)確率較高。由先驗知識，將作為訓(xùn)練樣本的人臉分為橢圓臉、圓臉方臉和三角臉，訓(xùn)練不同的臉型得到不同臉型的形狀模型，然后分別通過對比經(jīng)典ASM模型與分類后模板模型定位的特征點來確定臉型。如模型s0＝stype+Δ，其中s0，stype分別表示經(jīng)典ASM模型和模板模型定位的特征點集合，當(dāng)Δ越接近零向量，說明待測臉型與模板模型越相似。但是在實際應(yīng)用中，模型運(yùn)算量巨大，并且不能解決ASM模型定位不準(zhǔn)的帶來誤差。參考文獻(xiàn)：[1](WangJun-Yan,SuGuang-Da,Faceclassificationmethodbasedonmandibularcontourline[J].InfraredandLaserEngineering,2004,02:159-163.)(inChinese)(王俊艷,蘇光大.基于下頜輪廓線的人臉分類方法[J].紅外與激光工程,2004,02:159-163.)(inChinese)[2](LingXu-feng,YangJie,YangYong,Faceclassificationandrecognitionbasedoncontourlinecurvaturefeature[J].InfraredandLaserEngineering,1999,04:37-39.)(inChinese)(凌旭峰,楊杰,楊勇.基于輪廓線曲率特征的人臉分類及識別[J].紅外與激光工程,1999,04:37-39.)[3]DuLi-Qiang,JiaPeng,ZhouZong-Tan,HuDe-Wen.Automaticfaceshapeclassificationalgorithmbasedonactiveshapemodel[J].JournalofComputerApplications,2009,10:2710-2712+2715.(杜立強(qiáng),賈鵬,周宗潭,胡德文.基于主動形狀模型的人臉臉型自動分類算法[J].計算機(jī)應(yīng)用,2009,10:2710-2712+2715.)技術(shù)實現(xiàn)要素：為了解決上述技術(shù)問題，本發(fā)明提出一種基于局部特征的臉型分類方法，其技術(shù)方案如下：一種基于局部特征的臉型分類方法，其特征在于，基于局部特征的臉型分類是一種采用臉型輪廓特征編碼的方式，再通過特征編碼分類器進(jìn)行臉型分類的方法，主要包含基于圓形鄰域的人臉輪廓特征區(qū)域劃分方法、特征鄰域?qū)R、特征編碼、基于支持向量機(jī)的多分類器設(shè)計，整體處理流程是這樣的：對于人臉輪廓特征點集P，Pi表示點集P的第i個點。構(gòu)建其編碼矩陣基本步驟如下：1)初始化編碼矩陣C，特征矩陣T，一級鄰域表E1和擴(kuò)展鄰域表E2；2)取出特征點集中Pi，分別計算一級鄰域、擴(kuò)展鄰域與中心區(qū)域的強(qiáng)度差，將結(jié)果加入到表E1和表E2中；3)將表E1和表E2中對應(yīng)元素做異或運(yùn)算，結(jié)果加入到特征矩陣T；4)如果特征點集P不為空，取下一個點Pi+1轉(zhuǎn)到2)繼續(xù)執(zhí)行；5)如果特征點集P為空，對特征矩陣進(jìn)行編碼，編碼結(jié)果加入到編碼矩陣C中；6)每兩種臉型構(gòu)建一個特征編碼分類器；7)將待測樣本輸入到特征分類器中，進(jìn)行分類；8)獲得測試結(jié)果。1RLFE人臉輪廓特征表達(dá)方法為了克服人臉輪廓特征點存在不準(zhǔn)確可能性，通過對人臉輪廓特征點周圍的細(xì)節(jié)特征的分析，以輪廓特征點為核心進(jìn)行鄰域區(qū)域劃分，利用面部區(qū)域特征的連貫特性，提出采用圓形鄰域局部特征表達(dá)(RoundLocalFeatureExpression，簡稱RLFE)的形式描述人臉輪廓特征，并對每個特征點進(jìn)行特征編碼，構(gòu)建輪廓特征向量；以此為基礎(chǔ)，設(shè)計多分類器，建立臉型輪廓的多分類模型。1.1基于圓形鄰域的人臉輪廓特征區(qū)域劃分方法圍繞人臉輪廓初始特征點，圓形鄰域可以很好地貼切人臉曲線，更準(zhǔn)確的描述人臉輪廓，本文提出一種基于于圓形鄰域的局部特征表達(dá)。以特征點(x0,y0)為中心由內(nèi)向外劃分出中心區(qū)域，一級鄰域，擴(kuò)展鄰域，共三層圓形鄰域，各區(qū)域劃分遵循公式(1)和公式(2)；除中心區(qū)域外，一級鄰域和擴(kuò)展鄰域以x軸負(fù)方向為0度角逆時針劃分出八個相同大小的子鄰域，依次命名為g0,g1,…,g8,g0',g1',…,g8'。如圖1所示，中心區(qū)域：g0，一級鄰域：{gi|i＝1,2,…,n}，擴(kuò)展鄰域：{gi+gi'|i＝1,2,…,8}。{αgi|(i-l)×π4<α<i×π4,i=1,2,...,8}---(2)]]>其中，(xi,yi)表示鄰域內(nèi)像素點；r為特征點到中心區(qū)域邊緣半徑；αgi表示gi區(qū)域所對應(yīng)的圓心角。1.2特征鄰域?qū)R為了保證圖像中的正面人臉處于垂直方向，規(guī)定圖像中人臉的眉心到鼻尖的方向為標(biāo)準(zhǔn)方向。根據(jù)標(biāo)準(zhǔn)方向與豎直方向的夾角，計算每個鄰域的偏差角度，假設(shè)眉心點A(x1,y1)、鼻尖點B(x2,y2)，則每個區(qū)域需要旋轉(zhuǎn)偏差角度β，根據(jù)偏差角β測定調(diào)正特征鄰域角度，見公式(3)和公式(4)。β＝arctan((x1-x2)/(y1-y2))(3){αgi|(i-l)×π4+β<α<i×π4+β,i=1,2,...,8}---(4)]]>1.3特征編碼為了便于人臉特征的分類，本發(fā)明提出根據(jù)圓形鄰域的區(qū)域強(qiáng)度關(guān)系，構(gòu)建人臉輪廓區(qū)域的特征，提取的特征抽象成編碼。將每個鄰域的平均灰度作為區(qū)域強(qiáng)度見公式(5)，通過比較中心區(qū)域與各個鄰域的強(qiáng)度關(guān)系見公式(6)，生成相應(yīng)的二進(jìn)制序列；采取異或輸出的方式進(jìn)行編碼，相同梯度鄰域的強(qiáng)度關(guān)系相同，輸出結(jié)果為1，否則結(jié)果為0。最終結(jié)果可以直觀的表達(dá)出相同方向梯度上強(qiáng)度關(guān)系是否一致，RLFE特征表達(dá)的方法見公式(7)-公式(9)。Power(gij)=1NjΣj=1Nj(pij)---(5)]]>其中，i＝1,2,…,8，pij為點(xij,yij)的灰度值，j＝1,2,…,Nj。s(x)=1Power(gi)>Ppwer(gi)0Power(gi)≤Power(gi)---(6)]]>一級鄰域編碼：Bi＝s(Power(gi+1)-Power(g0))(7)其中i＝0,2,…,7。擴(kuò)展鄰域編碼：Ci＝s(Power(gi+1')-Power(g0))(8)其中i＝0,2,…,7。RLFE編碼為：RLFE(x,y)=Σi=07(Bi⊕Ci×2i)---(9)]]>每張人臉輪廓上特征點按照同位置、同順序的方式排列，將特征點的特征編碼按照該順序級聯(lián)起來，級聯(lián)后的序列作為該臉的特征向量，記為：X＝(x1,x2,…,xn)，xn表示第n個特征點的特征編碼。由于每個特征點都融合各個方向鄰域間的梯度強(qiáng)度變化關(guān)系，特征向量可以準(zhǔn)確的表達(dá)人臉輪廓，具有較強(qiáng)的鑒別能力。2分類器設(shè)計2.1基于Fisher準(zhǔn)則的人臉分類模型設(shè)計基于SVM分類思想與Fisher準(zhǔn)則基本思想具有為尋找到一個最優(yōu)方向，將原始數(shù)據(jù)向這個方向投影，使同類數(shù)據(jù)間距離盡可能小，異類間距離盡可能大的一致性。因此本發(fā)明用fisher準(zhǔn)則的思想，優(yōu)化RBF-SVM核參數(shù)，構(gòu)建RBF-SVM分類模型。假設(shè)為RLFE提取的兩類人臉特征。這兩類特征映射到高維度空間中的均值μ1,μ2表示為：類間離散度的平方Sb為：Sb=(μ1-μ2)T(μ1-μ2)=1n12K11+1n22K22+1n1n2K12---(12)]]>X1和X2的類內(nèi)離散度的平方分別為：其中：根據(jù)Fisher準(zhǔn)則，求解最優(yōu)核參數(shù)就轉(zhuǎn)化為求解最大值。F(γ)=tr(Sb)tr(Sω1+Sω2)---(15)]]>根據(jù)上述方法優(yōu)化核參數(shù)γ則得到的RBF-SVM核函數(shù)分類模型：K(xi,xj)＝exp(-γ||xi,xj||2),γ＞0(16)2.2OVO-RBF-SVM多分類模型為適應(yīng)多種不同的人臉類型，需要設(shè)計一個多分類模型。因此，本發(fā)明采用“ONEVSONE“投票機(jī)制實現(xiàn)不同臉型的多分類模型(簡稱OVO-RBF-SVM)。每兩種臉型之間設(shè)計一個分類器，這樣k種臉型就需要設(shè)計個分類器；當(dāng)有未知臉型輸入時，通過分類器依次投票，勝利的一方票數(shù)加1，最后票數(shù)最多的類別即為最終輸出臉型，公式(17)和公式(18)給出了基于OVO-RBF-SVM的人臉臉型分類模型。如果最多票數(shù)相同，使用這兩類之間的分類器進(jìn)行最終決策。ωi=ωi+1σij=0ωj=ωj+1σij=1---(17)]]>τ(x)＝max(ωk)(18)其中,σij表示分類器在第i類和第j類之間的分類結(jié)果，ωk表示第k類勝利的次數(shù)。附圖說明圖1為特征編碼流程圖。圖2為分類方法流程圖。圖3為特征鄰域示意圖。圖4為調(diào)整特征鄰域時，偏差角示意圖。圖5為特征點定位示意圖。具體實施方式國際上沒有標(biāo)準(zhǔn)的關(guān)于臉型的人臉庫，所以本發(fā)明采用CAS-PEAL人臉庫10]中的1000張溫和光照，無表情的正面人臉進(jìn)行驗證，并綜合10位專家的意見，將其分為圓臉、橢圓臉、方臉和三角臉?biāo)姆N臉型庫。采用交叉實驗方法，每種臉型隨機(jī)選出若干個樣本，進(jìn)行三次實驗。3.1鄰域半徑對分類準(zhǔn)確率影響分析由于人臉輪廓的特殊性，圓形鄰域尺度選擇對識別率有較大的影響，偏大的鄰域不能表達(dá)鄰域間強(qiáng)度變化特點，偏小的鄰域?qū)υ朦c過于敏感，易出現(xiàn)更大的誤差，本發(fā)明在上述人臉庫中對不同鄰域半徑的RLFE特征表達(dá)做了研究，結(jié)果如表1所示，其中dis表示相鄰兩個特征點間的距離。從表1中可以看出，選擇過大或過小的鄰域半徑都會使識別率下降，當(dāng)中心鄰域半徑為1/6*dis，一級鄰域半徑為1/3*dis，二級鄰域半徑為1/2*dis時，準(zhǔn)確率達(dá)到最大值95％。故局部特征模型的選用上述的鄰域半徑。表1選取不同鄰域半徑對準(zhǔn)確率的影響Table1Influenceonaccuracyofdifferentneighborhoodradius3.2特征點定位對分類準(zhǔn)確性影響分析由于中心區(qū)域的存在，使得對特征點定位要求降低，并不需要十分精準(zhǔn)的定位人臉輪廓，只需中心區(qū)域定位在面部輪廓即可。如圖5所示，特征點A定位在人臉輪廓上時，我們認(rèn)為特征點A定位準(zhǔn)確；特征點B未定位在輪廓上，但是特征點中心區(qū)域定位在輪廓上，我們認(rèn)為特征點B定位不準(zhǔn)確。如表2、表3、表4所示。隨著不準(zhǔn)確特征點個數(shù)的上升，識別率略有下降，當(dāng)初始定位點存在1/2不準(zhǔn)確時，基本不影響識別準(zhǔn)確率。所以本文所研究的方法基本上解決了特征點定位不準(zhǔn)帶來的識別率下降問題，在一定的程度上提高了識別系統(tǒng)的容錯性。表2特征點全部定位在人臉輪廓上實驗結(jié)果Table2theexperimentalresultsofallfeaturepointsonthefacecontour表31/2特征點未在人臉輪廓上實驗結(jié)果Table3theexperimentalresultswith1/2featurepointsnotonthefacecontour表43/4特征點未在人臉輪廓上實驗結(jié)果Table4theexperimentalresultswith3/4featurepointsnotonthefacecontour3.3不同算法準(zhǔn)確率對比分析為了驗證本發(fā)明所研究方法的有效性，與其他具有代表性的算法進(jìn)行對比試驗。從表5上可以看出，由于解決了特征點定位不準(zhǔn)的問題，本發(fā)明所研究的方法在準(zhǔn)確率相對于其他算法有較大提升，從分類的結(jié)果上來看，還是十分令人滿意的。表5各種算法準(zhǔn)確率比較Table5Comparisonoftheaccuracyofvariousalgorithms當(dāng)前第1頁1 2 3