SIFT特征在脸部识别中的研究与应用

《SIFT特征在脸部识别中的研究与应用》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、SIFT特征在脸部识别中的研究与应用摘要:一些模式识别和分类技术已经应用到生物领域。其中，一个有趣的技术是尺度不变特征变换(SIFT)，它在最初设计时是用于对象识别。尽管SIFT特征已经成为一种非常强大的特征描述方法，但它在人脸识别技术方面的应用却从来没有过系统的研究。本文探讨的是SIFT特征算法在人脸识别方面的应用。为了确定方法的真正潜力和适用性，不同的匹配方案将用BANCA数据库来测试，以便得到最适合的方法。1引言人脸识别可能是第一个被人们用来认识熟悉的人的认知过程。虽然也可采用其它感官线索，比如说语音，步态，甚至是出生时的气味

2、，但是这个识别已知脸的能力，在人们出生的时候就有了。这些问题，使得脸部识别在生物特征识别和计算机视觉的研究性领域中，变得非常有趣。人脸识别是一个复杂的问题，但是基本上可以归结为模式分类的问题。许多模式识别技术已经投入运用，而且其它的也正在进行开发研究。脸部分析的案例由于一些脸部的特征与其它模式识别问题是不常见的，因而具有更多的复杂性。•维数的诅咒(至少处理一个2D图像)由于分类模式多样化而更加复杂。•脸部不是一个严格对象，并且它会有连续的非刚性变形。•脸部不同的东西同时也是它们的共同之处，比如说两只眼睛和一张嘴巴。•虽然脸部一般作为

3、一个二维物体进行处理，但是因为脸部的三维结构和它在空间的运动，会产生许多歧义并导致一些假说的失败。因为这些原因，人类的脸部分析就面临了一个不确定的问题。因此不同技术已经运用到限制模式匹配和分类过程。其中，对于减少脸部空间维度有许多值得介绍的方法，它们都是通过不同的优化处理过程达到目的，如主成分分析(PDA)、线性判别分析(LDA),费舍尔判别分析(FDA)与独立分量分析(ICA)。其它技术则是基于图像上脸的表面约束和模型，且都以形状和纹理信息的形式显示。还有一些方法是通过运用伽柏核心程序的多尺度滤波，从而得到脸部显著特征的提取和分类

4、。沿着这个方向，对“人脸模型变形”的估计和渐进变形会派生出一个新的技术，即三维人脸和它在图像上的二维表现形式之间的约束映射。近来，尺度不变特征变换(SIFT)方法可用于识别一般物体时进行边缘切除，该方法目前主要应用在这个领域，同时其它的机器视觉中也有所应用。SIFT算法中一个有趣的特点是，通过图像产生的尺度空间提取出本地模型，并从这个模型中提取灰度级别的特征点。在这方面，SIFT方法与本地二进制模式方法类似，它们的区别是：从提取的2D模型中得到的视图不变性的表现形式有所不同。先不论这个技术的潜力和广泛的适用性，就二维图像的分类而言，

5、至少据我们所知，它从未在人脸识别/验证上运用过。在本文中，首次尝试应用SIFT对脸部进行分类。这个基本SIFT方案会在一个标准人脸数据库中进行测试，该数据库由三种不同匹配技术构成。一般来说，利用对物体几何对象的先验知识，可以同时在精度和速度上用来提高识别性能。因此，核心的SIFT算法已经适应了根据三个不同方案而得到的脸部图像分类。在拟定的解决方案中，根据脸部几何形状，对提取的特征进行选择和分组，其分组依据是对脸部几个特征位置的先验知识（通常是眼睛和嘴巴）。从结果中很容易看到，当根据脸部几何形状进行特征筛选时，分类将会更加精确。从这方

6、面看，用于脸部识别技术的真正潜力和广泛实用性已经得到了研究。2尺度不变特征变换在2004年，DavidLowe提出了一种从图像中提取不变特征的方法。它称之为尺度不变特征变换(SIFT)方法。这一类型特征的特点是对图像的尺度和旋转具有不变性，并能对大范围的仿射失真进行鲁棒匹配、改变3D视点、增加噪声以及改变照亮度，从而提供准确的匹配。它们在空间域和频率域都有很好的布局，以减少因阻断、杂波或噪音而造成中断的可能性。大量的特征可以通过有效的算法从典型图像中提取出来。一张500*500像素的典型图像会产生2000个稳定特征点(虽然这个数字取

7、决于图像内容和所选择的各种参数)。此外，这些特征是非常独特的，它允许单个特征点与大型特征库进行正确匹配，这些特征库会提供物体的基本图像和场景识别。通过级联滤波的方法使提取特征的成本实现最小化，只有通过初步测试后，才会进行稍复杂的计算。以下是生成图像特征的主要计算步骤：1尺度空间极值检测：计算第一步即搜索所有尺度和图像位置。通过高斯差异分布识别潜在的兴趣点，这些点应具有尺度和旋转不变性。给出一个高斯模糊图像：在这里，I(x,y)即为所给图像，同时，为了在尺度空间中（G为尺度空间），有效地检测到稳定的关键点的位置，应该使用[11]中提到

8、的方法。图1.模糊图像处于不同尺度，并且是模糊高斯分布的计算。图2.局部极值的检测，标记有X的像素被拿来与处于3*3*3邻域内的26个邻居做比较，跨越了相邻的DoG的图像。在高斯差异函数（D(x,y,)）与图像进行卷积时，用到了尺度空