《基于 P2DHMM 的人脸检测与识别》由会员分享，可在线阅读，更多相关《基于 P2DHMM 的人脸检测与识别（6页珍藏版）》请在金锄头文库上搜索。
1、精品论文推荐基于 P2D-HMM 的人脸检测与识别邢 颖，孙劲光 辽宁工程技术大学电子与信息工程学院,辽宁葫芦岛(125105) E-mail:摘要：本文介绍了人脸识别技术的应用以及人脸检测和识别方法,并讨论了利用肤色信息 进行人脸检测后,采用伪二维隐马尔可夫模型(P2D-HMM)通过训练和识别两个基本部分建立起人脸识别系统。通过实验,建立起包含 1500 幅照片的人脸训练库。系统具有很快的识别速 度，平均识别时间为 5.3 秒。系统利用非常可靠的肤色信息检测方法，有效的定位了人脸区域；并采用 DCT 变换，减少了系统计算的复杂度。实验证明，本系统识别率较高，而且没 有耗费太多时间。建立起的数
2、据库也有效论证了系统的有效性。而且对原始照片进行一定程度的变形，系统也可正确识别,这更体现出系统的稳定性和鲁棒性。 关键词：P2D-HMM；人脸检测；人脸识别1. 引言人脸识别技术有着非常广泛的应用背景,其中包括智能人机接口、视频会议系统、犯罪 身份识别、有效证件的核对和各种安全检测等。正是因为其广泛的应用，人脸识别近年来日 益受到人们的关注。人脸模式的差异性以及人脸有易变化的附加物等原因却使得人脸识别成 为一个非常困难的问题。而且随着社会的发展，各个方面对快速有效的自动身份识别验证的 要求日益迫切。利用人脸特征进行身份验证是最自然直接的手段。计算机人脸识别技术是利 用计算机分析人脸图象，进而
3、从中提取出有效的识别信息，用来“辨认”身份的一种技术。人脸检测与识别系统包括两个主要技术环节：1人脸检测，是指在输入图象中确定所 有人脸（如果存在）的位置与大小。人脸检测系统的输入是可能包含的人脸图象，输出是关于图象是否存在人脸以及人脸的数目、位置、尺寸和位姿等信息的参数化描述。2人脸识 别，是将输入的人脸图象与已知人脸库中的模型做比较，以确定是否存在相匹配的人脸。人脸检测和识别方法大致可分为基于几何特征的方法、基于模板匹配的方法和基于模型的方法。基于几何特征法所构造的几何特征既要清晰区分不同对象人脸的差异，又要对光照 背景条件不敏感。常规的几何特征量很难满足这些要求，因此该方法识别效果不理想
4、。基于 模型的方法是通过统计分析和匹配学习找出人脸和非人脸和不同的人脸之间的联系。该方法 包括特征脸法(Eigenface) 、神经网络方法(Neural Network-NN) 、HMM 和 SVM 等1。基于 模型的方法的模板是通过样本学习获得而非人为设定，所以该方法和模板匹配的方法相比， 原理上更先进合理，实验中也表现出更好的检测和识别效果。图 1 用 P2D-HMM 模型建立 5 个状态的人脸Fig1 Human face in 5 statuses established by P2D-HMM model- 1 -HMM 是用概率统计的方法来进行时序数据识别模拟的分类器。根据人脸从上
5、至下各个区域(如头发、额头、眼睛、鼻子,嘴巴和下巴)具有自然不变的顺序这一共性，即可用一个1D-HMM 表示人脸。根据人脸水平方向也具有相对稳定的空间结构，可将沿垂直方向划分 的状态分别扩充为一个 1D-HMM，共同组成嵌入式伪二维隐马尔可夫模型 P2D-HMM，如 图 1 所示。2. P2D-HMM 的基本理论HMM 属于信号统计理论模型，能够很好地处理随机时序数据的识别与预测，HMM 与 Markov 链的区别在于，得到的随机变量序列不是状态序列，需要进行其他的变化和映射时， 才能得到状态序列。根据状态转移的类型，HMM 可分为遍历的(ergodic)和从左到右的 (left-right)
6、。前者表示状态转移是任意的，可以到本身和其他所有状态，后者状态转移只限 于本身和下一个状态。人脸由于各个区域具有自然不变的顺序，通常采用从左到右的 HMM。P2D-HMM 模型是 1D-HMM 的扩充，相当于在一组一维 HMM 超状态中嵌入一个 lD-HMM。因为这种结构并不是真正的二维 HMM 模型，因此取名为“伪”二维 HMM 模型2。 它由参数 N，A，组成，简写 =N,A,，各参数含义如下：(1)N 表示垂直方向的超状态的个数；(2)A=akj，其中 1k,jN，表示超状态转移概率矩阵；(3)=j，其中 ljN，表示超状态的初始概率分布；(4)=j，其中 ljN，表示嵌入每个超状态的
7、1D-HMM，每一个都具有一个标准的1D-HMM 所需参数；(5)Nj 表示状态个数；ki(6)Aj=bi(7)Bj=j ，其中 1k,iNj，表示状态转移概率矩阵；j ()，其中 1iNj，表示输出概率函数；i(8)j= j ，其中 liNj，表示初始概率状态分布。aYX已知模型 ，观察序列 O=o11oTyTx， Q 为垂直方向的所有可能状态， Q j 为超状态 j对应的水平方向的所有可能状态，联合概率计算： T y PO|= q Pq ( y ) aq q Pq ( y )(1)11Qyy = 2j T xy1, 1yjj其中, Pjy= 1(1) a x 1, xj ()(2)Qq b
8、q O yqq bqO yxXj1 x = 2x3. 基于 P2D-HMM 的人脸识别3.1 基于 P2D-HMM 的人脸识别原理人脸检测是指从输入图象中定位人脸存在的区域，并将这个区域从背景中分割出来。人 脸识别是根据已有的人脸数据库，输出待测人脸对应在人脸库中的对象标号，二者互为前提 和目的。HMM 既可完成人脸检测，又可完成人脸识别，并且检测与识别都需要训练出响应 的 HMM 模型，两类模型还可以相互利用3。所以本文的人脸识别系统将二者有机地结合在一起，见图 2。3.2 人脸肤色检测为了满足人脸识别的要求，必须快速准确地从给定的图片中检测出人脸，得到了感兴趣 区域后，才能利用 P2D-H
9、MM 模型进行人脸识别。皮肤颜色为人脸检测提供了重要的依据。 肤色是人脸的重要信息，具有相对稳定性并且和大多数背景颜色相区别。肤色在某些颜色空 间具有良好的类聚性，不同肤色的人种，或者同一个人在不同亮度的光线下得到的彩色图象， 虽然看起来肤色差别很大，但时间上色度变化并不大。因此利用肤色信息进行人脸检测，得 到人脸可能的区域，是非常有效可靠的方法。收集的大量人脸图像第 1 个人的人脸图像 第 2 个人的人脸图像特 征提取 Viterbi 和 K 均值分段初始化 P2D-HMM 参数Baum-Welch 算法训练第 N 个人的人脸图像原始 RGB 图像HMM1HMM1HMM1Common HMM
10、YCbCr 肤色模型人脸肤色区域转换为灰度图像特征提 取 Viterbi 和 K 均值分段Viterbi 算法计 算 N+1 个 HMM 的特征序列概率完成检测识别图 2 人脸识别系统原理图Fig2 Schematic diagram of face recognition systemRGB 是一种被广泛采用的颜色模型，然而 RGB 不是表征肤色的最佳模型，因为 RGB 颜色同时反映颜色和亮度，在图象检测和识别中，图象中的亮度变化对检测结果产生很大影 响。因此一般的肤色模型都将 RGB 颜色空间的图形转换到 HSV 或 YCbCr 颜色空间进行处 理4。我们采用具有应用广泛、亮度分量容易分离
11、和计算过程简单等优点的 YCbCr 颜色空 间，对图象进行肤色区域的初步筛选，得到人脸可能区域，从而减少后续步骤的检测范围。 将人脸可能区域图象块转换成灰度图象，并且归一化成方块图象后，就可以用块状窗进行一 定步长的遍历扫描，提取特征序列。在 YCbCr 中建立 2D 高斯模型，将一幅彩色图象转变为灰度图象灰度值对应于该点属 于皮肤区域的可能性。对灰度图象选取合适的门限阈值，可以进一步转换为二值图象，大于 阈值的区域表示为 l，小于阈值的为 0。经过肤色筛选，得到人脸大致区域。3.3 观察值序列的产生为了更好的提取人脸的二维空间特征，对图象进行采样，P2D-HMM 观察序列采用块状 窗遍历扫描
12、，如图 3，T 为遍历扫描的窗口数，T= ( X P ) +1 ( Y L ) +1 = TxTy(3)P QL M在人脸图象和可能含人脸的待检测区域，用一个像素点数为 PL 扫描从左到右、从上 至下滑动。相邻窗口在垂直和水平方向分别有 M 行 Q 列重叠，获取观察图象块。从采样图 象得到的子块图象中提取 2D 离散余弦变换(DCT)系数作为特征向量，组成观察值序列，2 维 DCT 系数可以大大减小观测向量维数，从而减少计算量。X:图像的水平像素点总数 Y:图像的垂直像素点总数 M:从上到下遍历扫描的步长 Q:从左到右遍历扫描的步长 L:块状窗口在垂直方向的长度 P:块状窗口在水平方向的长度图
13、 3 块状窗遍历扫描示意图Fig3 Sketch map of ergodic scanning of a block window3.4 P2D-HMM 模型人脸训练在识别时，人脸库中的每个人脸就是一个人脸的隐马尔可夫模型表示。对人脸图象采样 将其生成观察值序列后，用这些观察值序列为每一个人确定一组经过优化了的 HMM 参数， 训练出人脸模型。每个模型可以用单幅或多幅图象进行训练。训练按以下步骤进行：(1)将要训练的人脸图象进行同一分割，按上述方法得到观察值序列 O；(2)建立一个通用的 HMM 模型 =A，B，确定模型的状态数，允许的状态转移和 观察序列的长度；(3)均匀分割训练数据，与
14、N 个状态数对应，计算 P2D-HMM 初始参数；(4)用 Viterbi 算法计算出观察向量 O 在这个模型下的 P(0|)，并用 K 均值聚类方法，迭 代调整初始模型参数；(5) 利用 Baum-Welch 算法对初始模型进行重新估计，得到最接近观察值序列的P2D-HMM 模型，表示人脸库中的某个类别。3.5 P2D-HMM 模型人脸识别在建好人脸数据库后，才能进行人脸识别，假定人脸库中已有 K 类训练好的人脸P2D-HMM 模型，识别的步骤如下，(1)根据上述产生并提取出要识别的观察值序列；(2)用 Viterbi 算法算出此人脸的观察值序列与人脸数据库中各个人脸的 P2D-HMM 模型 相似或然率 P(0|n)；(3)相似或然概率反映了待识人脸观察序列与数据库中各个人脸隐马尔可夫模型的相似 程度，即如果 P(0| i)，i(1，2，k)在 P(0|k)(k=1，2，K)中值最大，那么 i 就是与待识人脸最接近的人脸 P2D-HMM 模型，则可判断此人脸属于 i 类。识别结束。4. 实验结果
