基于hmm具有年龄变化的人脸识别技术研究

《基于hmm具有年龄变化的人脸识别技术研究》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、江苏大学硕士研究生毕业论文}h略seiIl同结合基于人体测量学的变形技术和双向反射分布(BImF)商图(QuotientIInage)技术，提出了一种新的人脸模拟方法，从人脸外形与纹理两个方面模拟人脸图像。从图像的实际效果来看，年龄模拟真实性不强，人脸的外形变化主要体现了秃顶的过程，没有捕捉到人脸其他部分形状的改变，纹理方面只是简单的把皱纹移植到目标人脸的前额，不够自然，而且这种方法缺乏与年龄有关的学习过程，只适合于特定人特定特征的模拟，推广性不强，但是其为人体测量学理论的实际应用提供了很好的经验。LaIlitis等【8】【9】研究了年龄变化

2、对于人脸识别的影响，提出了基于年龄模拟的识别方法。该方法假设长相类似、生活习惯相似的人，其面貌随年龄变化也相似，通过从训练样本中分离出年龄变量，针对每一个人建立具体年龄与表征人脸的特征向量之间的函数关系。被测图像选择合适的函数进行年龄模拟，再用于和库中的每个人的原型图像进行匹配识别，实验结果表明这种方法虽然改善了识别效果，但由于它需要先通过对每个人分别求取一个年龄函数，再求其反函数，如果样本不足或者年龄不精确的话，都会极大地影响最终的识别效果。随后，LaIlitis在文献『101中进行了进一步说明，描述了如何经过学习建立年龄与表征人脸的特征向

3、量之间的函数关系，并用实验结果证明了准确预测人脸年龄的合理性。他们采用一种将形状与亮度信息相结合的人脸统计模型来代表人脸。训练图像首先被表示为模型参数，并将模型参数进行主成分分析(PCA)，得到降维后的系数，然后通过学习，建立年龄与这些系数的二次函数关系呼可㈨，接着采用遗传算法求其逆函数x=厂。似驯，用得到的预测参数进行重构，最后得到目标年龄的预测图像。Lanitis等的工作具有很强的开创性，为后续的研究提供了非常有价值的经验。但是由于其研究的对象集中在幼儿和成人之间，年龄范围为0～30岁，人脸的变化大多体现在形状上，而纹理上的区别不大，因此

4、，这种方法不适用于从青年人到中年人的年龄模拟，而且从他们报告的预测结果来看，预测图像与真实图像的差异也比较大。此外，图像没有进行相应的预处理，光照、旋转、姿态等因素也被当作年龄变化进行处理。TiddemaIl等【11】提出了一种基于小波的方法为人脸模型添加与年龄相关的纹理。首先同样用二维形状向量与像素亮度来表示人脸图像，对每个年龄段的一组人脸参数进行平均，用得到的人脸形状向量与灰度向量构造原型人脸。另外，为捕捉皱纹等细微纹理信息，他们先对人脸图像进行Gab0T小波变换，再局部改变不同尺度与方向的小波函数权重来增强边缘幅度，从而凸显出人脸的皱纹

5、。基于小波的方法较好地补充了原有模型中损失的纹理信息，目标对象的年龄有明显的增加。4江苏大学硕士研究生毕业论文另外，Uu等【12J提出了一种基于图像的表面细节变化技术(hnage-b弱edSurfaceDetanTr觚sfcr，mSDT)，可以将一个源物体的表面细节特征移植到另外一个目标物体上，但不改变目标物体原有的光照条件。这种方法将源图像与其高斯平滑后的结果相除，以提取纹理信息，再通过与目标图像的平滑结果相乘实现图像细节的移植，整个算法由一个高斯滤波器来控制细节变换的程度。mSDT技术对于年轻人变老和老年人变年轻两种模拟情况都很有效。Fu

6、【”】提出了与之类似的人脸衰老比例图方法，他们将衰老人脸模板与年轻平均人脸的商图称为衰老比例图，衰老化绘制结果可通过比例图与目标人脸的乘积来获得。这几种方法都着重于纹理的增强，但是没有采用学习算法归纳纹理参数与年龄的关系，因而对于目标年龄究竟应该呈现何种程度的纹理还需要进一步研究。以上这些都是基于二维图像角度进行年龄变化模拟的，Wu等人【14l从三维图像角度考虑，建立了一个三层结构的人脸物理模型，包括肌肉层、脂肪层和表皮层。他们采用线性弹性模型、B样条等技术来模拟这些生理结构的运作机制，通过一系列参数的调整实现人脸皱纹生成以及衰老的效果。基于

7、这个模型，Berg等人【15】专注于最能体现人脸衰老的眼部周围肌肉，调整模型参数，实现衰老化的模拟。Mazza等人【16】进一步发展了这类方法，建立了更为复杂的非线性弹性方程来模拟人在衰老过程中各层生理组织的变化机制，并使用有限元方法在三维人脸物理模型上模拟衰老后的脸形变化。但是从三维角度来模拟，计算太过复杂，实现困难。2、年龄特征提取和分类Kwon等旧将有年龄变化的人脸识别问题简化成为三个年龄段的年龄分类问题，即婴儿、青年和老年。采用几何比率以及皮肤皱纹信息用于分类特征，其中人脸主要器官的几何比率被用于区分婴儿与成人，而皱纹信息被用于区分年

8、轻人与老年人。实验中采用了47幅高分辨率图像，获得了100％的正确率。该方法对图像的分辨率有较高的要求(至少256×256，用于皱纹信息分析)，在实际应用中难以满足