胡貴恒

（安徽工商職業(yè)學(xué)院 信息工程學(xué)院，安徽 合肥 231131）

隨著人臉識(shí)別技術(shù)的發(fā)展，采用人臉動(dòng)態(tài)識(shí)別方法進(jìn)行人體生物特征分析，提高人臉圖像的動(dòng)態(tài)識(shí)別和特征分析能力。在人臉識(shí)別過程中，由于受到不同表情的影響，導(dǎo)致人臉圖像的識(shí)別能力差，這就需要構(gòu)建人臉圖像局部細(xì)節(jié)信息識(shí)別模型。采用人臉圖像局部細(xì)節(jié)信息識(shí)別和特征提取方法，進(jìn)行人臉識(shí)別處理，可以提高人臉的動(dòng)態(tài)特征提取和辨識(shí)能力，關(guān)于人臉圖像局部細(xì)節(jié)信息識(shí)別的方法和研究受到人們的極大關(guān)注［1］。對(duì)人臉圖像局部細(xì)節(jié)信息的識(shí)別，是建立在人臉特征提取基礎(chǔ)上的。由于不同表情使得人臉特征分布具有差異性，導(dǎo)致人臉圖像的成像干擾較大，特征分辨能力低，需要建立優(yōu)化分割模型。結(jié)合圖像分割和信息增強(qiáng)技術(shù)［2］，進(jìn)行不同表情下的人臉識(shí)別，還需要進(jìn)一步識(shí)別人臉圖像的局部細(xì)節(jié)信息。因此，本文提出基于人工智能技術(shù)的人臉圖像局部細(xì)節(jié)信息識(shí)別方法。提取不同表情下的人臉圖像，通過多標(biāo)簽語義分割方法進(jìn)行人臉圖像的人工智能分析和特征融合聚類處理，實(shí)現(xiàn)人臉圖像局部細(xì)節(jié)信息識(shí)別，并通過仿真測(cè)試分析，得出有效性結(jié)論。

1 不同表情下的人臉圖像采樣和特征提取

1.1 人臉圖像采樣

為了實(shí)現(xiàn)不同表情下人臉圖像局部細(xì)節(jié)信息的識(shí)別：首先，構(gòu)建不同表情下人臉圖像的視覺采樣模型；其次，采用模糊視覺信息提取方法，檢測(cè)不同表情下的人臉圖像的邊緣輪廓；再次，采用亮度和邊緣感知方法，進(jìn)行不同表情變化人臉圖像分割；最后，采用灰度像素增強(qiáng)方法，分析不同表情人臉像素點(diǎn)的特征匹配集［3］，所得到的模糊關(guān)聯(lián)特征量為

式中，rk表示人臉圖像的模糊關(guān)聯(lián)特征量；v表示模糊關(guān)聯(lián)系數(shù)；ν表示初始人臉圖像特征向量；p和P分別表示當(dāng)前人臉圖像像素及像素的最大值。

結(jié)合不同表情下人臉圖像的像素特征分布，提取人臉圖像的分布式特征，采用顯著性檢測(cè)算法，提取人臉圖像的模糊隸屬度函數(shù)，得到人臉圖像的特征分布檢測(cè)模型，模糊迭代式為

式中，U(v)表示模糊隸屬度函數(shù)；D表示顯著性系數(shù)；j表示人臉圖像的像素特征分布函數(shù)；K表示分布式特征量。

采用融合空間聚類分析方法，進(jìn)行人臉圖像的優(yōu)化檢測(cè)和邊緣區(qū)域權(quán)重聚類，得到人臉圖像的模糊相關(guān)性聚類特征分布，滿足以下關(guān)系式：

采用模糊信息聚類方法，進(jìn)行不同表情變化人臉圖像的邊緣輪廓檢測(cè)［4］。采用單幀向量融合方法，得到人臉圖像超像素特征重構(gòu)的模糊度函數(shù)為

式中，gj(x→)表示單幀向量融合函數(shù)；hj(x→)表示模糊信息聚類函數(shù)。

基于模糊粗糙集理論，對(duì)不同表情下的人臉圖像進(jìn)行優(yōu)化分割和信息采集［5］。采用模糊信息融合檢測(cè)方法，得到對(duì)應(yīng)的像素點(diǎn)為邊緣區(qū)域。不同表情下人臉圖像增強(qiáng)的信息素分布矩陣為

式中，theta表示信息素分布矩陣的歐拉角。

采用Harris 角點(diǎn)檢測(cè)算法實(shí)現(xiàn)對(duì)三維智能動(dòng)態(tài)人臉微小特征點(diǎn)的信息標(biāo)定，考慮到低照度圖像的特征分布集，建立不同表情人臉圖像的超分辨率融合，得到人臉圖像的暗區(qū)域特征分量為

式中，med表示人臉圖像的超分辨率融合函數(shù)。

式中，T表示最大特征分量。

根據(jù)上述分析，采用模糊粗糙集理論，進(jìn)行人臉圖像的優(yōu)化分割和信息采集，以此提升人臉圖像采樣效率與質(zhì)量。

1.2 不同表情變化人臉圖像高分辨視覺特征提取

采用高分辨的視覺信息重組技術(shù)進(jìn)行不同表情下人臉圖像的信息重構(gòu)和分塊檢測(cè)，提取人臉圖像高分辨視覺特征量［6］，從不同層面上進(jìn)行不同表情變化人臉圖像分布式檢測(cè)，得到圖像的熵值矩陣滿足：

當(dāng)缺乏先驗(yàn)知識(shí)的時(shí)候，人臉識(shí)別的精度低。結(jié)合模糊信息融合方法得到不同表情下人臉圖像的分布特征量表達(dá)式為

式中，xk和xj表示人臉圖像特征尺度；σ表示特征分布概率密度。

采用多尺度信息特征分解方法，進(jìn)行不同表情下人臉圖像的熵信息檢測(cè)，提取人臉圖像的相似度特征量［7］，得到模板匹配集為

式中，k（k=1,2,…,R，其中R表示最大特征尺度）表示人臉圖像相似度系數(shù)；e表示特征分解尺度。

結(jié)合小波域分塊融合方法，得到不同表情下人臉圖像的特征匹配模型，表示為

式中，bml(?)表示特征匹配函數(shù)；gkl.z表示特征匹配度；f kl表示小波域分塊融合系數(shù)，其中l(wèi)=1,2,…,R，且l≠k。

對(duì)不同表情下的人臉圖像進(jìn)行灰度區(qū)域重組，得到權(quán)重自適應(yīng)參數(shù)為

式中，ycm和ydm表示不同灰度區(qū)域重組結(jié)果。

用Rβ表示計(jì)算機(jī)視覺下人臉圖像的增強(qiáng)分布值，得到不同表情下人臉圖像的灰度特征量為

構(gòu)建不同表情下人臉圖像的模糊度檢測(cè)模型，實(shí)現(xiàn)人臉圖像的高分辨視覺特征提取。

2 人臉圖像局部細(xì)節(jié)信息識(shí)別

2.1 人臉圖像局部細(xì)節(jié)特征提取

在虛擬視覺下進(jìn)行不同表情的人臉圖像重構(gòu)，結(jié)合模糊信息增強(qiáng)技術(shù)進(jìn)行不同表情的人臉圖像的信息增強(qiáng)處理，得到相似度特征量為

式中，xi∈Rn，表示不同表情下人臉圖像的邊緣狀態(tài)特征分布參數(shù)，其中Rn表示圖像邊緣狀態(tài)特征分布參數(shù)集合；ui∈Rm，其中m為模糊特征集；Aj(L)為不同表情下人臉圖像的灰度特征分布集。

采用Atanassov 模糊擴(kuò)展方法，結(jié)合模糊隸屬函數(shù)，可以得到不同表情下人臉圖像的亮度特征分布集。采用模糊分布式檢測(cè)方法，進(jìn)行不同表情下人臉圖像的特征優(yōu)化提取，以豐富圖像的細(xì)節(jié)，局部細(xì)節(jié)信息的融合矩陣為

計(jì)算不同表情下人臉圖像的關(guān)聯(lián)特征量，結(jié)合人工智能技術(shù)，求得子空間融合聚類環(huán)境下人臉圖像的特征分布集，得到模糊函數(shù)f(X)，滿足如下條件：

式中，f(Y)表示模糊聚類函數(shù)；N表示子空間數(shù)量；X和Y表示不同的子空間。

在數(shù)據(jù)值域內(nèi)，求得不同表情下人臉圖像動(dòng)態(tài)分割的全局最優(yōu)解，得出邊緣輪廓特征量為

根據(jù)上述分析，獲取人臉圖像局部細(xì)節(jié)特征提取結(jié)果，并據(jù)此對(duì)人臉圖像局部細(xì)節(jié)信息進(jìn)行識(shí)別，提升識(shí)別精度。

2.2 人臉圖像局部細(xì)節(jié)信息識(shí)別

將亮度分量作為學(xué)習(xí)因子，采用模糊深度學(xué)習(xí)方法，進(jìn)行不同表情下人臉圖像的局部細(xì)節(jié)信息識(shí)別，再采用自適應(yīng)尋優(yōu)方法，得出像素空間聚類分布值：

構(gòu)造不同表情下人臉圖像的相似度特征分辨模型，結(jié)合像素分布矩陣進(jìn)行人臉圖像的細(xì)節(jié)特征重建，得到不同表情下人臉圖像的邊緣像素集為M×N。采用多模態(tài)特征分解方法，得到人臉圖像局部細(xì)節(jié)信息識(shí)別的模糊深度學(xué)習(xí)模型為

式中，η表示不同表情下人臉圖像的分塊匹配量化集；φ表示稀疏特征分量；R表示不同表情下人臉圖像的模板匹配系數(shù)；D表示邊緣模糊像素集；0 ≤φ≤2π,0 ≤η≤π,R=D2。

構(gòu)建不同表情下人臉圖像的多維直方圖結(jié)構(gòu)模型，對(duì)不同分辨率的細(xì)節(jié)信息進(jìn)行關(guān)聯(lián)特征匹配，得到不同表情下人臉圖像的空間相似性特征量為

提取人臉圖像的空間視覺特征分布值，計(jì)算不同表情下人臉圖像的R、G、B分量，所得人臉圖像三維分塊幀點(diǎn)檢測(cè)的模板匹配值為AR、AG、AB和WR、WG、WB?；诟咚够旌夏Ｐ?，在特征模板m×n內(nèi)，可以得到不同表情下人臉圖像的局部細(xì)節(jié)信息識(shí)別輸出結(jié)果［8］。

3 仿真實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證本文方法在實(shí)現(xiàn)不同表情的人臉圖像局部細(xì)節(jié)信息識(shí)別中的應(yīng)用性能，進(jìn)行了仿真實(shí)驗(yàn)。人臉圖像的采樣數(shù)據(jù)庫為OpenFligh，三維智能動(dòng)態(tài)人臉視覺特征采樣的樣本數(shù)為200，人臉像素特征匹配系數(shù)為0.45，灰度像素集為120×200，測(cè)試的人臉樣本及細(xì)節(jié)特征分布如圖1所示。

圖1 人臉樣本及細(xì)節(jié)特征分布

根據(jù)圖1 所示的人臉樣本數(shù)據(jù)，進(jìn)行人臉圖像局部細(xì)節(jié)信息識(shí)別，所得識(shí)別結(jié)果如圖2所示。

圖2 人臉圖像局部細(xì)節(jié)信息識(shí)別結(jié)果

通過分析圖2 得知，采用本文方法進(jìn)行人臉圖像局部細(xì)節(jié)信息識(shí)別的精度較高，特征分辨能力較好。3種算法的測(cè)試虛警率對(duì)比結(jié)果如圖3所示。

圖3 虛警率對(duì)比

由分析得知，采用該方法進(jìn)行人臉圖像局部細(xì)節(jié)信息識(shí)別的虛警率較低，說明該方法具有較高的識(shí)別精度，提高了人臉的準(zhǔn)確識(shí)別能力。

4 結(jié)語

為了提升人臉圖像局部細(xì)節(jié)信息識(shí)別效果，本文提出了一種新的基于人工智能技術(shù)的人臉圖像局部細(xì)節(jié)信息識(shí)別方法。通過對(duì)人臉圖像局部細(xì)節(jié)信息識(shí)別全過程的闡述，完成了人臉圖像局部細(xì)節(jié)信息識(shí)別方法的設(shè)計(jì)。通過實(shí)驗(yàn)證明，該方法的特征辨識(shí)能力較好，信息融合度較高，具有較高的人臉圖像局部細(xì)節(jié)信息識(shí)別精度，有很好的應(yīng)用價(jià)值，可以在實(shí)際中得到進(jìn)一步推廣。