CN103530634A - 人脸特征提取方法 - Google Patents

Abstract

本发明提出一种人脸特征提取方法，其包括如下步骤：S11、输入人脸照片；S12、对所述人脸照片进行对数变换，获得对数域图像；S13、运用经验模式分解对所述对数域图像进行分解，获得经验模式分解图像；S14、提取所述经验模式分解图像中的高频成分，作为反射成分的估计，即可获得光照不变的人脸表达和估计得到的光照成分。所述人脸特征提取方法先对人脸照片进行对数空间变换，使得对数域图像在对数空间内的反射成分和光照成分形成线性叠加关系，然后运用EMD对对数域图像进行分解，从中提取光照不变的人脸表达，因此可以有效地把光照成分和光照不变成分进行区分，获得较佳的效果。

Description

人脸特征提取方法

技术领域

本发明涉及人脸识别技术领域，尤其涉及基于经验模式分解的人脸特征提取方法。

背景技术

基于人脸照片的人脸识别技术在公共安全、数字艺术、游戏等领域均有广泛的应用。光照变化问题一直是影响人脸识别性能的关键因素。为了克服光照变化对人脸识别技术的影响，需要从输入的人脸照片中获取人脸的光照不变表达。已有研究表明：光照变化主要影响到照片的低频成分，而对高频成分影响较小。因此，现有主流方法是通过对照片进行频谱分析，提取照片的高频成分作为光照不变表达。现有算法中主要采用的频谱分析算法包括：小波变换(如文献T.Zhang,B.Fang,Y.Yuan etal.,Multiscale facial structure representation for face recognition undervarying illumination,Pattern Recognition,42(2009)251-258.和文献C.Garcia,G.Zikos,and G.Tziritas,A wavelet-based framework for facerecognition,in Proc.Workshop on Advances in Facial Image Analysis andRecognition Technology,ECCV,Freiburg,1998,pp.84-92.)、Gabor变换(如文献K.Okada,J.Steffens,T.Maurer et al.,The Bochum/USC facerecognition system,Face Recognition:From Theory to Applications,Springer,Berlin,1998,pp.186-205.)、加权高斯滤波(如文献H.Wang,S.Z.Li and Y.Wang,Face Recognition under Varying Lighting Conditions usingSelf Quotient Image,in Proc.Conf.Automatic Face and GestureRecognition,Seoul,2004,pp.819-824.)、离散余弦变换(如文献Z.Hafed,and M.Levine,Face recognition using the discrete cosine transform,International Journal of Computer Vision,43(2001)167-188.)、总变分模型(如文献T.Chen,W.Yin,X.Zhou,D.Comaniciu,T.S.Huang,Totalvariation models for variable lighting face recognition,IEEE Trans.PatternAnal.Mach.Intel.,28(2006)1519–1524.)、轮廓波变换(如文献X.Xie,J.Lai,W.-S.Zheng,Extraction of Illumination Invariant Facial Features froma Single Image Using Nonsubsampled Contourlet Transform,PatternRecognition,43(2010)4177-4189.)以及傅里叶变换(如文献J.Lai,P.C.Yuen,and G.Feng,Face recognition using holistic Fourier invariantfeatures,Pattern Recognition,34(2001)95-109.)。

上述频谱分析算法的主要思想是把图像信号分解为一组基本信号（称为“基”）的线性组合。但是，这些方法所用到的“基”均为人工事先设计好，和要分解信号并无关系。

为解决这个问题，有研究提出运用经验模式分解的方法来对人脸图像进行分解(如文献D.Zhang and Y.Y.Tang,Extraction ofIllumination-Invariant Features in Face Recognition by Empirical ModeDecomposition,International Conference on Biometrics(ICB),2009.、文献D.Zhang,J.Pan,Y.Y.Tang,C.Wang,Illumination invariant facerecognition based on the new phase features,IEEE InternationalConference on Systems Man and Cybernetics,2010,pp.3909-3914.和文献王珂，党德玉，孙斌.一种基于二维经验模式分解的人脸识别方法.软件导刊，2010,09(2))。经验模式分解于1998年由N.E.Huang等人提出(N.E.Huang,Z.Shen,S.R.Long,M.C.Wu,H.H.Shih,Q.Zheng,N.C.Yen,C.C.Tung,and H.H.Liu,The empirical mode Decomposition and theHilbert Spectrum for Nonlinear and nonstationary time series analysis,inProceedings of the Royal Society London A,1998,pp.903-1005.)，英文名为Empirical Mode Decomposition，简称EMD。EMD是一种自适应的信号分解算法，即可以根据待分解信号自适应地计算基进而进行信号分解，在信号分析和信号处理上具有较大的应用潜质。但是，现有运用经验模式分解的方法都是直接将EMD作用于原始的人脸照片，即把原始的人脸照片分解为多个子信号的和，进而挑选部分子信号作为人脸特征进行识别。由于光照成像模型并不是简单的信号叠加，因此，现有运用经验模式分解的方法的效果还比较有限。

发明内容

针对上述问题，本发明的目的是提供一种可解决上述技术问题的人脸特征提取方法。

一种人脸特征提取方法，其包括如下步骤：

S11、输入人脸照片；

S12、对所述人脸照片进行对数变换，获得对数域图像；

S13、运用经验模式分解对所述对数域图像进行分解，获得经验模式分解图像；

S14、提取所述经验模式分解图像中的高频成分，作为反射成分的估计，即可获得光照不变的人脸表达和估计得到的光照成分。

本发明一较佳实施例中，所述步骤S11中，根据朗伯反射模型获得所述人脸照片的表达式：

I(x,y)=R(x,y)L(x,y)，

其中，R是反射成分，是一种光照不变的人脸表达，L是光照成分。

本发明一较佳实施例中，所述步骤S12中，对所述人脸照片的表达式进行对数变换，获得所述对数域图像的表达式：f=v+u，其中，v和u分别为R和L在对数域的值。

本发明一较佳实施例中，所述步骤S13中，运用经验模式分解对所述对数域图像的表达式进行分解，获得所述经验模式分解图像的表达式：

其中，d_k是分解得到的子信号，随着k的增大，d_k逐渐从高频到低频变化，r是分解残差。

本发明一较佳实施例中，所述步骤S14中，对所述经验模式分解图像的表达式进行高频成分的提取，获得：

光照不变的人脸表达：

估计得到的光照成分：

其中， $\hat{v}\≈{\mathrm{\Σ}}_{k=1}^{K_0}{d}_k,\hat{u}=f-\widehat{v,}$ K₀=1或者K₀=2。

相较于现有技术，本发明提供的所述人脸特征提取方法先对人脸照片进行对数空间变换，获得对数域图像，并使得对数域图像在对数空间内的内在成分（反射成分和光照成分）形成线性叠加关系，然后运用EMD对对数域图像进行分解，从中提取光照不变的人脸表达。因为EMD恰好把输入信号（即输入的人脸照片）分解为若干子信号（即反射成分和光照成分）的线性叠加，所以所述人脸特征提取方法能有效地把光照成分和光照不变成分进行区分，获得较佳的效果。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举实施例，并配合附图，详细说明如下。

附图说明

图1为本发明一较佳实施例提供的人脸特征提取方法的流程图；

图2为基于不同种方法进行人脸识别所对应的受试者工作特征曲线图；

图3为利用图1所示人脸特征提取方法进行人脸特征提取的效果示意图。

具体实施方式

下面结合附图及具体实施例对本发明作进一步详细的说明。

请参阅图1，本发明一较佳实施例提供一种人脸特征提取方法，其包括以下步骤：

S11、输入人脸照片I。

本实施例中，根据朗伯反射模型，获得所述人脸照片的表达式：

I(x,y)=R(x,y)L(x,y)       (1)

其中，R是反射成分，L是光照成分。一般地，R是一种光照不变的人脸表达。本实施例中，需要得到R和L的估计值。

S12、对所述人脸照片I进行对数变换，获得对数域图像。

对表达式（1）进行对数变换，由此，可以将所述人脸照片I变换至对数空间（对数域），获得对数域图像的表达式：

f=logI

=logR+logL

Δ

=v+u，(2)

其中，v和u分别为R和L在对数域的值，即v=logR，u=logL。

可以理解的是，对数域图像f=v+u中，其内在成分v和u形成线性叠加关系，即反射成分和光照成分形成线性叠加关系。

S13、运用经验模式分解（EMD）对所述对数域图像f进行分解，获得经验模式分解图像。

本实施例中，对表达式（2）进行EMD分解，获得EMD图像的表达式为：

$f={\mathrm{\Σ}}_{k=1}^k{d}_k+r---\left(3\right)$

其中，d_k是分解得到的子信号，亦称为本征模态函数，随着k的增大，d_k逐渐从高频到低频变化；r是分解残差。

本实施例中，具体的EMD算法可以参考文献N.E.Huang,Z.Shen,S.R.Long,M.C.Wu,H.H.Shih,Q.Zheng,N.C.Yen,C.C.Tung,and H.H.Liu,The empirical mode Decomposition and the Hilbert Spectrum forNonlinear and nonstationary time series analysis,in Proceedings of theRoyal Society London A,1998,pp.903-1005.，此处不再赘述。

S14、提取所述经验模式分解图像中的高频成分，作为反射成分的估计，即可获得光照不变的人脸表达和估计得到的光照成分。

本实施例中，对所述经验模式分解图像的表达式进行高频成分的提取，获得：

光照不变的人脸表达：

$\hat{R}=\exp \left(\hat{v}\right)---\left(4\right)$

估计得到的光照成分：

$\hat{L}=\exp \left(\hat{u}\right)---\left(5\right)$

其中， $\hat{v}\≈{\mathrm{\Σ}}_{k=1}^{K_0}{d}_k,\hat{u}=f-\hat{u}$ K₀=1或者K₀=2。

可以理解的是，

即所获得的光照不变的人脸表达，

即估计得到的光照成分。

所述人脸特征提取方法先对人脸照片进行对数空间变换，获得对数域图像，并使得对数域图像在对数空间内的内在成分（反射成分和光照成分）形成线性叠加关系，然后运用EMD对对数域图像进行分解，从中提取光照不变的人脸表达。因为EMD恰好把输入信号（即输入的人脸照片）分解为若干子信号（即反射成分和光照成分）的线性叠加，所以所述人脸特征提取方法能有效地把光照成分和光照不变成分进行区分，获得较佳的效果。

针对本发明提出的人脸特征提取方法，本发明的发明人在耶鲁大学发布的人脸测试库Extended Yale B上进行了人脸识别测试，请参阅图2，图2为基于不同种方法进行人脸识别所对应的受试者工作特征曲线图（receiver operating characteristic curve，简称ROC曲线），由图2可知，本发明方法可获得较佳的ROC曲线（在相同的错误接受率下取得更高的验证率），即利用本发明提供的所述人脸特征提取方法进行人脸特征提取，所取得的人脸识别性能比背景技术中提到的小波变换、Gabor变换、加权高斯滤波、离散余弦变换、总变分模型、轮廓波变换以及原始的EMD方法所取得的性能都明显更好。

请参阅图3，为本发明利用所述人脸特征提取方法进行人脸特征提取的效果示意图，其中，图3a为输入照片，图3b为估计得到的光照成分

图3c为估计得到的光照不变表达

可知，利用所述人脸特征提取方法对人脸照片进行特征提取可以获得较佳的效果。

以上所述，仅是本发明的实施例而已，并非对本发明作任何形式上的限制，虽然本发明已以实施例揭露如上，然而并非用以限定本发明，任何熟悉本专业的技术人员，在不脱离本发明技术方案范围内，当可利用上述揭示的技术内容作出些许更动或修饰为等同变化的等效实施例，但凡是未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (5)

1.一种人脸特征提取方法，其特征在于，所述人脸特征提取方法包括如下步骤：

S11、输入人脸照片；

S12、对所述人脸照片进行对数变换，获得对数域图像；

S13、运用经验模式分解对所述对数域图像进行分解，获得经验模式分解图像；

S14、提取所述经验模式分解图像中的高频成分，作为反射成分的估计，即可获得光照不变的人脸表达和估计得到的光照成分。

2.如权利要求1所述的人脸特征提取方法，其特征在于，所述步骤S11中，根据朗伯反射模型获得所述人脸照片的表达式：

I(x,y)=R(x,y)L(x,y)，

其中，R是反射成分，是一种光照不变的人脸表达，L是光照成分。

3.如权利要求2所述的人脸特征提取方法，其特征在于，所述步骤S12中，对所述人脸照片的表达式进行对数变换，获得所述对数域图像的表达式：f=v+u，其中，v和u分别为R和L在对数域的值。

4.如权利要求3所述的人脸特征提取方法，其特征在于，所述步骤S13中，运用经验模式分解对所述对数域图像的表达式进行分解，获得所述经验模式分解图像的表达式：其中，d_k是分解得到的子信号，随着k的增大，d_k逐渐从高频到低频变化，r是分解残差。

5.如权利要求4所述的人脸特征提取方法，其特征在于，所述步骤S14中，对所述经验模式分解图像的表达式进行高频成分的提取，获得：

光照不变的人脸表达：

估计得到的光照成分：

其中， $\hat{v}\≈{\mathrm{\Σ}}_{k=1}^{K_0}{d}_k,\hat{u}=f-\widehat{v,}$ K₀=1或者K₀=2。

Images