matlab aam提取特征值,一种基于aam模型的视频序列人脸识别方法

一种基于aam模型的视频序列人脸识别方法

【专利摘要】本发明公开了基于AAM模型的视频序列人脸识别方法，包括训练步骤和识别步骤；(1)训练步骤包括：PCA投影；(1-2)LDA投影：通过LDA投影矩阵WLDA对PCA投影降维后的特征向量进行投影，得到每张训练图片最佳分类特征Γij；(2)识别步骤包括：(2-1)Adaboost检测；(2-2)AAM跟踪与姿势校正；(2-3)PCA投影；(2-4)LDA投影：得到待识别人脸图像最佳分类特征；(2-5)最近邻分类器决策：待识别人脸图像的最佳分类特征Γ与各个训练图片的最佳分类特征Γij的最小欧几里德距离γ1，将γ1所在分类特征所在类的人脸图片判定为识别结果。本发明方法在人脸姿态多变化的情况下能够精确的识别出人脸，具有鲁棒性强的优点。

【专利说明】—种基于AAM模型的视频序列人脸识别方法

【技术领域】

[0001]本发明涉及一种人脸识别方法，特别涉及一种基于AAM模型的视频序列人脸识别方法。

【背景技术】

[0002]在这个信息膨胀，计算机技术日新月异的信息时代，人类开始希望电脑成为一种能够用自然语言与之间进行交流的机器，并渴望开发全新概念的人机界面和人工智能技术，从而使人们能够不再依赖传统计算机的键盘、鼠标和显示设备等交互设备。然而，要实现如此自然的人机交互就要求计算机能够准确快速地获取用户的身份、状态、意图以及相关的特征信息。由于人脸所蕴含的大量信息内容是一个重要的信息传递窗口，计算机通过利用人脸面部的独一无二性来获取对象的身份和相关信息，同时通过人脸丰富的表情变化传达对象的状态和意图，使人与计算机之间建起一座智能化的桥梁，而这些必然要研究有效的与人脸相关的图像处理技术。

[0003]目前已有的人脸识别方法中，人脸特征提取方法主要是基于几何特征，基于模板匹配，基于子空间和基于神经网络等方法。在基于子空间的提取方法中，主成分分析PCA和Fisher线性判别等方法是比较常用的方法，它们在静态图像中取得较高的识别率。但是在视频序列中，目前的人脸识别方法必须在用户配合的情况下才能取得理想识别效果，如果用户在识别过程中不配合的情况下，识别效果有可能发生大幅降低。另外在视频序列中，由于人脸姿势的多变等导致这些方法的识别率有不同程度的下降。

[0004]活动外观模型(Active Appearance Model,AAM)是广泛应用于模式识别领域的一种特征点提取方法。基于AAM的人脸特征定位方法在建立人脸模型过程中，不但考虑局部特征信息，而且综合考虑到全局形状和纹理信息，通过对人脸形状特征以及纹理特征进行统计分析，建立人脸混合模型，即最终对应的AAM模型。

【发明内容】

[0005]本发明的目的在于克服现有技术的缺点与不足，提供一种基于AAM模型的视频序列人脸识别方法。该方法在人脸姿势多变的情况下也能够精确的识别出人脸，具有很强的

鲁棒性。

[0006]本发明的目的通过下述技术方案实现:一种基于AAM模型的视频序列人脸识别方法，包括训练阶段和识别阶段；

[0007](I)所述训练阶段包括:

[0008](1-1) PCA 投影:

[0009]首先对训练图片进行归一化，根据归一化后的训练图片计算平均脸，将所有归一化后的训练图片与平均脸做差值运算，得到第一差值；

[0010]然后根据第一差值构建协方差矩阵，通过协方差矩阵前K个最大特征值的特征向量组成PCA投影矩阵WPCA，作为特征量空间；[0011]最后将第一差值通过PCA投影矩阵WPCA投影到低维空间，得到降维后的特征向量;

[0012](1-2) LDA 投影:

[0013]首先计算所有训练图片样本经PCA投影得到的降维后的特征向量的均值向量m以及第i类训练图片样本经PCA投影得到的降维后的特征向量的均值向量mi ；

[0014]然后根据均值向量m、mi和计算训练样本类内离散度矩阵Sw和类间离散度矩阵Sb,计算矩阵Sw-1Sb的特征向量，通过选取S/SB的前L个最大的特征向量构成LDA投影矩阵Wlda;

[0015]最后通过LDA投影矩阵Wuia对通过PCA投影降维后的特征向量进行投影，得到每张训练图片的最佳分类特征ru ；

[0016](2)所述识别阶段包括:

[0017](2-1) Adaboost检测:通过Adaboost算法标识出测试视频帧包含人脸的子区域；

[0018](2-2) AAM跟踪与姿势校正:首先训练得到AAM模型；然后通过训练得到的AAM模型对人脸子区域进行跟踪；最后采用AAM模型训练时得到的最终形状参数对人脸的子区域进行姿势校正，得到姿势校正后的人脸子区域；

[0019](2-3) PCA 投影:

[0020]首先对上述得到的姿势校正后的人脸子区域图片进行归一化，然后与训练阶段的PCA投影时得到的平均脸做差值运算，得到第二差值；

[0021]然后将上述第二差值矩阵投影到训练阶段得到的PCA投影矩阵WrcA，得到降维后的特征向量rI ;

[0022](2_4)LDA投影:将步骤(2_3)中得到的降维后的特征向量投影到训练阶段得到的LDA投影矩阵W.，得到待识别人脸图像的最佳分类特征；

[0023]( 2-5)最近邻分类器决策:

[0024]首先计算出各训练图片最佳分类特征与其他训练图片最佳分类特征之间的欧式距离，从中选取出最大的欧式距离值F ；设定一个阈值b，该阈值b的大小为最大的欧式距离值F的一半；

[0025]然后计算步骤(2-4)得到的待识别人脸图像的最佳分类特征与训练阶段得到的各个训练图片的最佳分类特征的最小欧几里德距离Y1 ;

[0026]最后将最小欧几里德距离Y1与阈值b进行比较，若大于阈值b，则判断该待识别人脸图像为非训练库图片；若小于阈值b，则将最小欧几里德距离Y1所在分类特征所在类的人脸图片判定为识别结果。

[0027]优选的，所述步骤(1-1)中计算得到的平均脸f为:

[0028]

【权利要求】

1.一种基于AAM模型的视频序列人脸识别方法，包括训练阶段和识别阶段； (1)所述训练阶段包括: (1-1) PCA 投影: 首先对训练图片进行归一化，根据归一化后的训练图片计算平均脸，将所有归一化后的训练图片与平均脸做差值运算，得到第一差值； 然后根据第一差值构建协方差矩阵，通过协方差矩阵前K个最大特征值的特征向量组成PCA投影矩阵WrcA，作为特征量空间； 最后将第一差值通过PCA投影矩阵Vpca投影到低维空间，得到降维后的特征向量； (1-2) LDA 投影: 首先计算所有训练图片样本经PCA投影得到的降维后的特征向量的均值向量m以及第i类训练图片样本经PCA投影得到的降维后的特征向量的均值向量mi ； 然后根据均值向量m、mi和计算训练样本类内离散度矩阵Sw和类间离散度矩阵Sb，计算矩阵S/SB的特征向 量，通过选取S/SB的前L个最大的特征向量构成LDA投影矩阵Wuia ；最后通过LDA投影矩阵Wuia对通过PCA投影降维后的特征向量进行投影，得到每张训练图片的最佳分类特征rij; (2)所述识别阶段包括: (2-1) Adaboost检测:通过Adaboost算法标识出测试视频帧包含人脸的子区域；(2-2) AAM跟踪与姿势校正:首先训练得到AAM模型；然后通过训练得到的AAM模型对人脸子区域进行跟踪；最后采用AAM模型训练时得到的最终形状参数对人脸的子区域进行姿势校正，得到姿势校正后的人脸子区域； (2-3) PCA 投影: 首先对上述得到的姿势校正后的人脸子区域图片进行归一化，然后与训练阶段的PCA投影时得到的平均脸做差值运算，得到第二差值； 然后将上述第二差值矩阵投影到训练阶段得到的PCA投影矩阵WrcA，得到降维后的特征向量rI ; (2-4) LDA投影:将步骤(2-3)中得到的降维后的特征向量投影到训练阶段得到的LDA投影矩阵Wm，得到待识别人脸图像的最佳分类特征； (2-5)最近邻分类器决策: 首先计算出各训练图片最佳分类特征与其他训练图片最佳分类特征之间的欧式距离，从中选取出最大的欧式距离值F ;设定一个阈值b,该阈值b的大小为最大的欧式距离值F的一半； 然后计算步骤(2-4)得到的待识别人脸图像的最佳分类特征与训练阶段得到的各个训练图片的最佳分类特征的最小欧几里德距离Y1; 最后将最小欧几里德距离Y工与阈值b进行比较，若大于阈值b，则判断该待识别人脸图像为非训练库图片；若小于阈值b，则将最小欧几里德距离Y1所在分类特征所在类的人脸图片判定为识别结果。

2.根据权利要求1所述的基于AAM模型的视频序列人脸识别方法，其特征在于，所述步骤(1-1)中计算得到的平均脸f为:

3.根据权利要求2所述的基于AAM模型的视频序列人脸识别方法，其特征在于，所述步骤(1-2)中所有训练图片样本经PCA投影得到的降维后的特征向量的均值向量m为:

j

4.根据权利要求1所述的基于AAM模型的视频序列人脸识别方法，其特征在于，所述步骤(2-2)中AAM跟踪与姿势校正的AAM模型的训练步骤如下: (2-2-1)选取训练对象为包括正脸、左右侧脸、上仰脸、低头脸的S个可靠样本； (2-2-2)对可靠样本进行描点，对人脸的68个特征明显的位置进行标定； (2-2-3)采用Procrustes对描点后的人脸进行对齐，得到去除平移、尺度和旋转的对齐人脸； (2-2-4)采用主成分分析方法对步骤(2-2-3)得到的对齐人脸进行形状建模，得到形状参数P (即扭曲系数)和形状模型； (2-2-5)从形状模型中去除平均形状人脸，然后对其进行delaunay三角划分，再用分片仿射法使纹理投射到平均形状中，最后用主成分分析法处理，得到纹理参数和纹理模型； (2-2-6)根据上述得到的形状模型和纹理模型，利用反向组合aam匹配算法分别对现有形状模型和纹理模型进行训练，得到hessian矩阵。

5.根据权利要求4所述的基于AAM模型的视频序列人脸识别方法，其特征在于，所述步骤(2-2-1)中可靠样本的数量S为100~1000个。

6.根据权利要求4所述的基于AAM模型的视频序列人脸识别方法，其特征在于，所述步骤(2-2)中人脸子区域进行跟踪的过程如下: (2-2-7)根据hessian矩阵和形状模型的形状参数P通过以下分片映射函数得到形状参数增量Δρ:

7.根据权利要求6所述的基于AAM模型的视频序列人脸识别方法，其特征在于，所述阈值a为500至2000。

8.根据权利要求6所述的基于AAM模型的视频序列人脸识别方法，其特征在于，所述步骤(2-2)中的姿势校正过程如下:当准确跟踪到目标人脸图像后，根据跟踪迭代过程中得到的最终形状参数P对人脸的子区域进行姿势校正，得到扭转后的形状I (W(x;p))即为和正脸一致的重建脸。

9.根据权利要求1所述的基于AAM模型的视频序列人脸识别方法，其特征在于，所述步骤(2-3)中得到降维后的特征向量η为:

η =WpcatU ； 待识别人脸图像的最佳分类特征gamma为:

T=WldatWpcatU; 其中U为步骤(2-3)中得到的第二差值；其中u=x-f ；x为步骤(2-3)中得到的姿势校正后的人脸子区域归一化后的图片，f为步骤(1-1)中得到的平均脸。

10.根据权利要求1所述的基于AAM模型的视频序列人脸识别方法，其特征在于，所述步骤(2-5)中待识别人脸图像的最佳分类特征gamma与训练阶段得到的各个训练图片的最佳分类特征gamma ,j的最小欧几里德距离Y i为:

【文档编号】G06K9/00GK103514442SQ201310445776

【公开日】2014年1月15日 申请日期:2013年9月26日 优先权日:2013年9月26日

【发明者】徐向民, 陈晓仕, 黄卓彬, 林旭斌 申请人:华南理工大学