張順嵐，莫建文

(桂林電子科技大學(xué)，廣西桂林541004)

1 新算法整體流程

針對上述問題，本文提出了一種新的三維人臉識別算法，其算法流程圖如圖1所示。與傳統(tǒng)三維人臉識別算法相比，該算法以結(jié)構(gòu)簡單的雙目立體視覺系統(tǒng)為基礎(chǔ)，通過調(diào)整左、右攝像機(jī)與人臉的相對位置，完成人臉的二維圖像采集，從而能經(jīng)濟(jì)、高效地完成圖像采集;識別過程中，利用主動形狀模型(Active Shape Model，ASM)技術(shù)對二維圖像進(jìn)行二維特征點(diǎn)自動定位，并結(jié)合攝像機(jī)的內(nèi)外參數(shù)得出特征點(diǎn)的三維坐標(biāo)，從而避免了復(fù)雜的人臉三維重建;最后利用反向傳播(Back Propagation，BP)神經(jīng)網(wǎng)絡(luò)進(jìn)行識別，獲得了較高的正確識別率。

圖1 識別算法流程圖

2 二維特征點(diǎn)標(biāo)定

在提取特征點(diǎn)之前，先根據(jù)膚色等信息對雙目視覺系統(tǒng)獲得的左右人臉圖像進(jìn)行人臉區(qū)域提取，然后利用極線變換［7］對圖像進(jìn)行校正，并對校正后的左、右圖像進(jìn)行特征點(diǎn)定位，將確定好的人臉區(qū)域作為初始位置，最后還要利用ASM技術(shù)［8］進(jìn)行特征提取，左右每幅圖像上分別提取76個特征點(diǎn)。雙目立體視覺系統(tǒng)獲得圖像經(jīng)過上述極線校正、特征定位及特征提取后的圖像如圖2所示，其中，特征點(diǎn)用線段連接起來，圖2a、圖2b分別表示左、右圖像提取的特征點(diǎn)。

圖2 利用ASM技術(shù)提取特征點(diǎn)

特征點(diǎn)提取后，可以得到這76個特征點(diǎn)的圖像像素坐標(biāo)，表1描述了部分特征點(diǎn)的像素坐標(biāo)。由表1可知，經(jīng)過圖像校正后，左右圖像中的特征點(diǎn)的縱坐標(biāo)位置基本一致，也就是說經(jīng)過極線校正后，特征點(diǎn)的視差信息可以直接由左右圖像的橫坐標(biāo)之差求出。

表1 部分特征點(diǎn)坐標(biāo)

3 三維特征提取

3.1 特征點(diǎn)三維信息恢復(fù)

為了克服二維人臉識別易受環(huán)境、姿態(tài)、表情等因素影響的缺點(diǎn)，將提取的特征點(diǎn)進(jìn)行三維信息恢復(fù)，由于特征點(diǎn)三維恢復(fù)的最終目的是實(shí)現(xiàn)三維人臉識別，因而只需對人臉面部關(guān)鍵特征點(diǎn)進(jìn)行三維信息恢復(fù)。根據(jù)雙目立體視覺原理計(jì)算相應(yīng)的三維空間坐標(biāo)信息［9］，其原理如圖3所示，圖中b是基線距離，即攝像機(jī)光心Cl與Cr之間的距離，f是攝像機(jī)的焦距，P(X，Y，Z)為空間點(diǎn)，設(shè)該空間點(diǎn)在左右攝像機(jī)坐標(biāo)系中的坐標(biāo)分別為(x1，y1，z1)和(x2，y2，z2)，在左右平面上對應(yīng)的像素坐標(biāo)為 (u1，v1)和(u2，v2)，則視差d=u1-u2，根據(jù)三角測量原理和2個攝像機(jī)的關(guān)系，有

圖3 視差測距法原理圖

空間點(diǎn)的三維坐標(biāo)，可表示為

由張正友標(biāo)定法［10］確定攝像機(jī)焦距等參數(shù)，并測出基線距離，然后根據(jù)式(2)，可以計(jì)算出空間點(diǎn)三維坐標(biāo)信息，從而得到所求的人臉面部關(guān)鍵特征點(diǎn)的三維信息。

3.2 構(gòu)造三維特征

通過人臉關(guān)鍵部位的特征點(diǎn)的位置，如鼻尖、眼角等的位置，提取三維人臉上的直線距離特征、角度特征、人臉比例特征、周長特征、曲線特征、體積特征以及表面積特征等幾何特征，從而形成一個20維幾何特征向量，用于對三維人臉的識別。下面分別描述這些特征及其構(gòu)造。

1.4 標(biāo)準(zhǔn)溶液配制 將100 mg/L甲基硫菌靈及其代謝產(chǎn)物多菌靈標(biāo)準(zhǔn)品，用甲醇稀釋成 5、10、50、100、500 μg/L系列混合標(biāo)準(zhǔn)溶液，于 0～4 ℃ 冰箱中貯存，待用。

1)距離特征

距離特征主要包括距離矩陣和局部特征點(diǎn)的曲線距離，選兩點(diǎn)的歐氏距離作為其三維特征點(diǎn)之間的直線距離，曲線距離則使用分段計(jì)算兩點(diǎn)之間的距離，然后求得近似模擬曲線距離。所選取的曲線距離有“鼻根點(diǎn)—鼻尖點(diǎn)—鼻下點(diǎn)”和“左鼻翼點(diǎn)—鼻尖點(diǎn)—右鼻翼點(diǎn)”的曲線距離。具體計(jì)算過程為

式中:(xi，yi，zi)和 (xj，yj，zj)分別表示參與計(jì)算的兩個特征點(diǎn)的三維坐標(biāo)。

2)角度特征的表示與度量

人臉上的一些部位之間的角度特征受外界的影響較小，因此可以提取這些角度特征來進(jìn)行識別。該計(jì)算主要是基于余弦定理，具體計(jì)算過程為

式中:p1(x1，y1，z1)，p2(x2，y2，z2)和 p3(x3，y3，z3)為所選3個人臉特征點(diǎn)的三維坐標(biāo)。這類幾何特征可以為眼睛內(nèi)外、眼角與鼻尖之間的角度，鼻根到鼻尖再到鼻下點(diǎn)的距離等。

3)比例特征的表示與度量

根據(jù)人臉美學(xué)得知，面部長度大概是鼻子長度的3.5倍，面部寬度大概是左右眼角直線距離的5倍，將面部長度和寬度之比作為人臉的長寬比例。這個幾何特征可以度量不同人臉的形狀，并應(yīng)用于人臉的識別。

4)周長特征的表示與度量

這類特征主要是計(jì)算鼻子XY和YZ剖面周長，這里主要是基于兩點(diǎn)歐氏距離來計(jì)算。

5)面積特征的表示與度量

面積特征是計(jì)算特定人臉區(qū)域的表面積，可用海倫公式表示如下

式中:p1，p2，p3分別為 p1(x1，y1，z1)，p2(x2，y2，z2)和p3(x3，y3，z3)的簡寫，表示為3個特征點(diǎn)的三維坐標(biāo);s為這3個特征點(diǎn)所圍成的區(qū)域面積。

6)體積特征的表示與度量

體積特征主要用于計(jì)算鼻子的體積，計(jì)算式如下

式中:S為鼻子的XY剖面面積;h為鼻子高度。而鼻子的高度的計(jì)算則如下，設(shè)鼻尖的坐標(biāo)為(x1，y1，z1)，鼻根的坐標(biāo)為 (x2，y2，z2)，鼻下點(diǎn)的坐標(biāo)為 (x3，y3，z3)，可以建立鼻根點(diǎn)和鼻下點(diǎn)所組成的直線方程

式中:A=z2-z3，B=y3-y2，C=y2(z3-z2)-z2(y3-y2)。則鼻子的高度可以認(rèn)為是鼻尖點(diǎn)到式(8)所代表的直線距離，則鼻子的高度公式為

4 基于BP神經(jīng)網(wǎng)絡(luò)的三維人臉識別

采用“誤差反向傳播”學(xué)習(xí)的BP網(wǎng)絡(luò)，它可以對任意形狀的觀察向量集合進(jìn)行正確地分類，其應(yīng)用十分廣泛。BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。假設(shè)輸入輸出對是(xk，yk)，其中，xk=(xk1，xk2，…，xkn)T，為第 k個輸入人臉特征向量;yk=(yk1，yk2，…，ykn)T為第k個樣本的期望輸出。

將3.2節(jié)構(gòu)造的20維幾何特征向量作為BP神經(jīng)網(wǎng)絡(luò)的輸入，中間層采樣15個節(jié)點(diǎn)，輸出層為判決結(jié)果。利用梯度下降法，根據(jù)已知人臉樣本對神經(jīng)網(wǎng)絡(luò)中權(quán)系數(shù)進(jìn)行訓(xùn)練，訓(xùn)練結(jié)果即可對人臉進(jìn)行識別測試。

圖4 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

5 實(shí)驗(yàn)結(jié)果及分析

為了檢測提出算法的性能，采用本文算法建立的三維人臉數(shù)據(jù)庫與Bosphorus大學(xué)提供的3D人臉數(shù)據(jù)庫［11］對算法進(jìn)行測評。其中，Bosphorus 3D人臉數(shù)據(jù)庫是采用基于結(jié)構(gòu)光的三維掃描儀對人臉進(jìn)行采集，里面包括表情變化的數(shù)據(jù)。該庫提供了對應(yīng)的三維人臉的24個特征點(diǎn)位置，這些位置都是由受過專業(yè)培訓(xùn)的人員進(jìn)行手工標(biāo)記得到的。在實(shí)驗(yàn)中使用了除左右耳垂點(diǎn)兩個特征點(diǎn)之外的22個特征點(diǎn)。Bosphorus 3D人臉數(shù)據(jù)庫部分人臉模型如圖5所示。本文算法自建的三維人臉數(shù)據(jù)庫中包含30個人臉信息，每個人臉拍攝15組人臉數(shù)據(jù)，數(shù)據(jù)包括部分表情的變化。取其中10組共300張人臉數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本集，然后取其余5組共150張人臉數(shù)據(jù)作為測試集。圖6描述了本文自建數(shù)據(jù)庫采用的部分二維圖像對。

圖5 Bosphorus 3D人臉數(shù)據(jù)庫部分模型

圖6 自建數(shù)據(jù)庫采用的部分二維圖像對

對上面2個三維人臉數(shù)據(jù)庫，利用相同的特征，采用最近距離分類法和本文的BP神經(jīng)網(wǎng)絡(luò)分類法進(jìn)行識別比較，表2描述了2種識別方法對2種數(shù)據(jù)庫進(jìn)行識別比較的結(jié)果。由表2可知，對同一數(shù)據(jù)庫利用相同的特征，用本文的BP神經(jīng)網(wǎng)絡(luò)識別法比用最近距離識別法正確識別率高。由于Bosphorus數(shù)據(jù)庫是通過結(jié)構(gòu)光三維掃描儀獲得的，并用人工標(biāo)注特征點(diǎn)，三維人臉坐標(biāo)相對較精確，因此采用相同的識別法對2個數(shù)據(jù)庫進(jìn)行識別，Bosphorus數(shù)據(jù)庫正確識別率要高于本文自建的數(shù)據(jù)庫的正確識別率，但該數(shù)據(jù)庫的獲取代價大，且工序繁瑣;盡管采用相同的識別法，本文自建人臉數(shù)據(jù)庫正確識別率略低于采用Bosphorus數(shù)據(jù)庫，但其正確識別率達(dá)到了90%左右，能滿足實(shí)際的需要，且本文算法簡單、經(jīng)濟(jì)。

表2 正確識別率比較

6 結(jié)論

本文提出了基于雙目視覺三維人臉識別算法，該算法以結(jié)構(gòu)簡單的雙目立體視覺系統(tǒng)對人臉進(jìn)行采集，使采集過程友好、簡單、快捷;在識別過程中，利用ASM技術(shù)對二維圖像進(jìn)行二維特征點(diǎn)自動定位，并結(jié)合攝像機(jī)的內(nèi)外參數(shù)得出特征點(diǎn)的三維坐標(biāo)，從而避免了復(fù)雜的人臉三維重建;并利用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行識別，使正確識別率得到了提高。利用相同的特征，用最近距離分類法和本文的BP神經(jīng)網(wǎng)絡(luò)分類法，對本文建立的數(shù)據(jù)庫和Bosphorus數(shù)據(jù)庫進(jìn)行識別比較，發(fā)現(xiàn)本文算法簡單快捷，是一種經(jīng)濟(jì)、實(shí)用的三維人臉圖像識別算法。

［1］梁婷婷.種基于Retinex和PCA的人臉圖像識別方法［J］.電視技術(shù)，2013，37(5):172-174.

［2］李曉娟，楊唐文，阮秋琦，等.基于輪廓線特征的三維人臉識別改進(jìn)算法［J］.鐵道學(xué)報(bào)，2012，34(1):34-38.

［3］王躍明，潘綱，吳朝暉.三維人臉識別研究綜述［J］.計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2008，20(7):819-829.

［4］SUN Yanfeng，TANG Hengliang，YIN Baocai.The 3D face recognition algorithm fusing multi-geometry features［J］.Acta Automatica Sinica，2008，34(12):1483-1489.

［5］鹿樂，周大可，胡陽明.基于特征分塊的三維人臉重建和識別［J］.計(jì)算機(jī)應(yīng)用，2012，32(11):3189-3192.

［6］林景亮，陳岳林.基于雙目視覺的三維人臉重建方法［J］.計(jì)算機(jī)應(yīng)用研究，2012，29(1):397-400.

［7］陳勝勇，劉盛.基于OpenCV的計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)［M］.北京:科學(xué)出版社，2008.

［8］范玉華，馬建偉.ASM及其改進(jìn)的人臉面部特征定位算法［J］.計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2007，19(11):1411-1415.

［9］王福斌，劉杰，陳至坤，等.挖掘機(jī)器人雙目視覺系統(tǒng)標(biāo)定方法與立體匹配［J］.電氣技術(shù)與自動化，2012，41(3):156-162.

［10］Bosphorus 3D人臉數(shù)據(jù)庫［EB/OL］.［2013-06-10］.http://bosphorus.ee.boun.edu.tr/default.aspx.

［11］ZHANG Zhengyou.A flexible new technique for camera calibration［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2000，22(11):1330-1334.