[发明专利]一种三维矫正和加权相似性度量学习的无约束人脸验证方法

说明书

本发明涉及无约束人脸验证技术领域，具体涉及一种三维矫正和加权相似性度量学习的无约束人脸验证方法。首先，针对无约束人脸图像中的人脸姿势变化对验证准确性的影响，提出了一种有效的三维人脸矫正方法。首先对人脸图像进行人脸特征点检测，针对多人脸图像，需进行目标人脸特征点筛选。其次，利用检测的人脸特征点进行三维人脸矫正，并裁剪矫正后的图像的人脸的相关区域以去除复杂的图像背景。最后，提出一种加权相似性度量学习的方法，将相似性度量学习以及马氏距离度量学习两种方法进行加权结合到一起，能够更好的学习两张图像之间的相似度，更加有利于相似图像对与不相似图像对的区分，提高验证准确率。

技术领域

本发明涉及无约束人脸验证技术领域，具体涉及一种基于三维矫正和加权相似性度量学习的无约束人脸验证方法。

背景技术

人脸作为当前的生物特征识别技术之一，因其直接、方便、友好的特点得到了广泛的研究与应用。人脸验证的目的是判断两张图像是否为同一个人。其中，无约束人脸验证是一个非常具有挑战性的问题。无约束人脸在人脸姿势、光照、背景、表情等方面变化非常大，并且常常伴有遮挡，而这些变化也对验证的准确率造成了一定的影响。

人脸姿势变化是导致识别率下降的一个重要因素，很多研究学者试图通过研究人脸矫正的方法来解决人脸姿势变化这一问题。Fontaine等人提出了一个基于三角网格形变以及仿射变换的2D人脸矫正方法来生成输入图像的正面人脸图像。Blanz等人使用一个标准的人脸模型和一个光照模型，首先利用主成分分析的方法来进行人脸图像的特征提取，在通过贝叶斯函数确定模型中的参数，最后获得该人脸图像的三维模型，完成人脸矫正。Kemelmacher等人利用图像中物体表面的明暗变化来恢复其表面各点的相对高度，完成物体的三维重构。尽管该方法可行，但它对于遮挡问题以及镜面的反射问题(眼镜)十分敏感，并且常常需要事先将面部区域从背景中分离出来。

对于无约束人脸图像中存在的问题，研究人员也提出了一些基于度量学习方法的算法。度量学习也就是常说的相似度学习，如果需要计算两张图像的相似度，如何度量图像之间的相似度使得不同类别的图像相似度小，而相同类别的图像相似度大就是度量学习的目标。Fu等人提出了一种学习关联度量的方法，该度量学习模型在对样本进行降维后，可以保留样本之间的近邻关系，作者还针对关联度量提出了相关嵌入分析(CEA,CorrelationEmbedding Analysis)模型和相关主成分分析(CPCA,Correlation Principle ComponentAnalysis)模型。Nguyen和Bai等人提出了余弦相似度度量学习(CSML)模型，该模型使用余弦相似度来构造目标函数。Huang等人提出了广义稀疏度量学习(GSML,GeneralizedSparse Metric Learning)模型，该方法为许多有代表性的稀疏度量学习模型提供了一个统一的角度，并且可以将现有的许多非稀疏度量学习模型扩展到稀疏度量学习形式。度量学习可分为两类：距离度量学习和相似性度量学习。大部分的距离度量学习旨在学习马氏距离：其中x和y表示特征向量，M是需要学习的矩阵。而相似性度量学习旨在学习以下形式的相似性：s_M(a,b)＝a^TMb/N(a,b)，其中N(a,b)是一个规范化项。当N(a,b)＝1，s_M(a,b)是一个双线性相似方程；当s_M(a,b)是一个广义余弦相似度函数。

发明内容

本发明要解决的技术问题是：为了解决无约束人脸图像中人脸姿势、表情、光照变化大以及种族、年龄跨度大对验证准确率带来的影响，本发明提供了一种基于三维人脸矫正和加权相似性度量学习的无约束人脸验证方法，通过三维人脸矫正以及人脸的相关区域的裁剪，减少了人脸姿势变化以及复杂的图像背景对验证带来的影响，提高了验证准确率。通过加权相似性度量学习，将相似度度量学习以及距离度量学习加权结合，能够更加有效的学习计算两张图像之间的相似度，有利于相似图像对与不相似图像对的区分。

本发明解决其技术问题所采用的技术方案是：