基于体绘制思维的人脸识别算法优化研究

黄孝平

（南宁学院 机电与质量技术工程学院，广西 南宁 530200）

基于体绘制思维的人脸识别算法优化研究

黄孝平

（南宁学院 机电与质量技术工程学院，广西 南宁 530200）

传统的人脸识别算法主要解决二维正面图像识别，如果人体姿态发生明显变化，或外界环境发生显著变化，则算法性能大大降低，无法获取准确的识别结果。体绘制算法针对三维数据场进行绘制，绘制的图像能够描述人脸的内部细节，可提高人脸识别精度。因此，提出一种基于体绘制思维的人脸识别算法，依据聚类思想对二维人脸库进行聚类，在各分类的基础上，构建人脸相似模型。通过错切变形体制算法，构建人脸体数据，实现人脸体数据坐标系统的转换以及人脸三维图像的合成，从人脸三维图像中采集人脸特征，利用相似性模型对人脸关键特征同数据库已有的特征进行匹配分析，完成人脸身份识别。实验结果说明，所提算法对于不同表情和不同光照条件下的人脸图像，都具有较高的识别率和鲁棒性。

体绘制；人脸识别；三维图像；相似性模型

0 引言

人脸识别技术应用广泛，并且随着社会的发展，不同场合对个体身份识别提出了更为严格的要求[1⁃3]。传统的人脸识别算法主要解决二维正面图像识别，如果人体姿态发生明显变化，或外界环境发生显著变化，则算法性能大大降低，无法获取准确的人脸识别结果[4⁃6]。体绘制算法针对三维数据场进行绘制，绘制的图像能够描述人脸的内部细节，可提高人脸识别精度，因此该种算法成为人脸识别领域相关人员分析的热点。

当前的人脸识别算法较多，文献[7]提出基于轮廓线的方法，基于一系列图像塑造人脸的三维模型，研究人脸模型的面貌曲率，采集轮廓线中的特征点，完成人脸识别；但是该种方法对人脸几何特征具有较高的敏感性，局限性较高。文献[8]依据平均曲率从人脸图像中采集凸区域，运算不同人脸凸区域间的相关矩阵，基于该矩阵完成人脸识别；该种方法精度较低，容易产生误判。文献[9]提出了一种基于深度图像标定人脸区域，通过多阶段融合方法，实现人脸的有效识别；但该种方法消耗能量较高，识别效率低。文献[10]分析了一种快速三维人脸识别方法，通过采集人脸上半部分特征，将特

征投影到非线性空间，再经过支持向量机进行人脸识别；但算法的计算量大，十分耗时。

为了解决上述分析的问题，本文提出了一种基于体绘制思维的人脸识别算法，依据聚类思想对二维人脸库进行聚类，再在各分类的基础上，构建人脸相似模型。通过错切变形体制算法，构建人脸体数据，合成人脸三维图像，再从该人脸三维图像中获取人脸特征，利用相似性模型对人脸关键特征进行匹配分析，完成人脸身份识别。实验结果说明，所提算法对于不同表情和不同光照条件下的人脸图像，都具有较高的识别率和鲁棒性。

1 基于体绘制思维的人脸识别系统框架

依据传统相似模型框架，本文提出了基于体绘制思维建模的人脸识别系统框架，如图1所示。

图1 系统架构图

本文通过相似性运算模块，按照输入的二维图像，在n个相似模型基于相似性最大原则获取一个相似模型进行模型匹配。在塑造n个相似模型过程中，基于聚类思想先对二维人脸库进行聚类，再在各分类的基础上，构建相应的相似模型。基于输入的二维人脸图像切片序列，通过错切变形体制算法，对人脸体数据进行塑造，完成体数据坐标系统的转换和人脸三维图像的合成。再从合成的人脸三维图像中采集人脸特征，利用相似性模型对获取的人脸关键特征同数据库已有的特征进行匹配分析，完成人脸身份识别。

2 塑造相似模型

2.1 模型人脸选择

运算二维人脸图像同相似模型间的相似性时，给定模型的组合参数，则可获取新的模型人脸(SMOD,TMOD)，再计算输入二维人脸同相似模型间的相似性。人脸相似模型的表达式为：

式中：a和b表示模型的组合参数；S和T分布表示人脸二维图像的横坐标和纵坐标；和则表示人脸二维图像横纵坐标的均值。分析式（1）可得，通过调控模型组合参数，，相似模型能够产生大量的模型人脸，本文选择平均脸作为人脸相似模型，由式（1）可知，应设置，中的所有al和bl都取0，则由相似模型产生的新模型人脸就是平均脸(,)。

2.2 相似性的计算

式中：Ir,motel表示不同人脸姿态相似模型；Ig,model表示不同摄像机状态下相似模型；Ib,model表示不同光照环境下相似模型，则输入的二维人脸图像为：

两张人脸图像的全部相似和色阶的欧几里得距离为：

式中：Iinput表示待识别的二维图像模型；E的大小描述了两张人脸相似性的大小，其值越高相似性越低，反之越大。n个相似模型可产生n张对应的平均人脸，E最小的平均人脸对应的相似模型则是同二维输入图像最相似的相似模型，也就是人脸相似模型。

3 人脸识别过程

三维人脸图像包含较多的信息，人脸识别是提供一张未知身份的人脸图像，将该张图像与一个身份已知的人脸数据库图像进行对比分析，进而明确改张人脸的身份。

3.1 基于体绘制算法的人脸三维图像重建流程

人脸识别过程中需要获取人脸特征点的三维数据分布，本文基于体绘制算法塑造人脸三维图像模型，再从该模型中采集人脸特征点，进而采用相似模型对人脸特征点进行匹配分析，完成人脸身份识别。

本文采用错切变形体绘制算法，实现人三维图像的重建，详细的流程图如图2所示。

错切变形算法主要是对人脸体数据进行塑造，完成人脸体数据坐标系统的转换和三维人脸图像的合成，具体的过程为：

（1）读入二维切片序列塑造人脸三维体数据，依据人脸二维切片的大小依次读入数据，每张二维切片中依据行列顺序读入相应的数据，将读取的数据存储在数据组结构中。结束数据读入工作后，应构建人脸体数据场

的物理标系，为数组中的绘制数据设置惟一的物体坐标值。将原始视矩阵设置成单位矩阵。

图2 错切变形体制流程图

（2）将人脸坐标变换成标准人脸坐标，再按照视线完成视矩阵的校正确保校正后的视矩阵转换到人脸观测坐标系。

（3）对校正后的视矩阵进行错切变形分解，获取错切矩阵和变形矩阵，确保错切坐标系中的第三坐标轴同视线方向平行，再将错切坐标系规范化，同时对错切矩阵和变形矩阵校正处理，进而获取人脸标准错切坐标系。

（4）在人脸标准错切坐标系进行投影操作，基于重采样和图像合成原理，在人脸标准错切坐标系中，进行二维切片内的重采样处理，再对重采样值按照传递函数进行颜色和不透明度的映射，基于合成算子沿视线进行人脸图像合成，同时投影到中间投影平面，最终产生中间图像。

（5）变形形成最终图像，对变形矩阵进行降维处理，获取用于二维图像的变形矩阵，并将该变形矩阵作用于中间图像，变形后获取的图像则是人脸三维图像。

3.2 代码设计

本文通过标准C++语言和Opengl图形库实现上文描述的错切变形算法，该算法的具体实现用伪代码描述算法为：

procedure Umonin（erlom）

Qsddm（BxsomWriik）；

AnalysisEdge（）；

Synthetic（）；

Deformation（）；

AccordingFaceimage（）；

end

其中：Umonin（erlom）是主函数，用于完成erlom体数据的绘制；Qsddm（BxsomWriik）可将视矩阵依据错切变形分解理论，分割成错切矩阵以及变形矩阵，同时将主轴信息存储下来；AnalysisEdge（）对中间图像的边缘盒进行运算，同时运算各张切片在中间图像的左上角和右下角点的坐标，进而在运算各张切片对中间图像的价值度过程中，仅对同切片对应的中间图像进行检索和合成；Synthetic（）完成图像的合成；并且在在合成图像过程中，需要依据切片顺序，融合各张切片和中间图像。Synthetic（）函数的伪代码为：

procedure Synthetic（）

for（n=0；n

for（xi=xi_start；xi

for（yi=yi_start；yi

contribution=resample（xi，yi）；

color=C（contribution）；

uqionm=EirongePllon（（Econtribution））；

ContributionToPoint（xi，yi）；

end

end

end

end

合成完成后即生成中间图像。Deformation（）通过后向变形法，对合成的中间图像进行变形处理，产生最终的人脸三维图像。该函数先按照变形矩阵，运算中间图像在最终图像中的包围盒，再运算包围盒中的点在中间图像中的坐标，依据坐标位置在中间图像中完成重采样，获取的重采样值则为最终图像中相关点的颜色值；AccordingFaceimage（）应用OpenGL的纹理贴图性能，确保最终图像显示到屏幕中。

3.3 三维人脸特征提取和识别

基于错切变形体绘制算法，重建三维人脸图像，再从该三维人脸图像中采集人脸特征。应先匹配三维人脸图像空间坐标进行匹配，通过深度图像处理技术分析人脸曲面的曲率等特征，分割人脸曲面凹凸区域，采集人脸正侧面轮廓边缘，将采集到的特征当成识别的要素。本文基于图像灰度提取三维人脸特征，依据人脸不同区域的灰度变化情况，先匹配人脸三维图像空间方向，再将图像从空间域转换到频率中进行操作，最终获取人脸关键特征。

基于采集到的人脸关键特征，通过人脸相似模型同数据库中已有的图像进行对比，完成人脸识别。相似模型在识别人脸过程中，先匹配人脸总体轮廓和三维空间

方向，再在保持姿态稳定的状态下，对人脸图像不同特征点进行匹配，这些特征点通过人脸图像特征采集过程获取。匹配过程中按照人脸特征向量的统计相似度完成分析，如果相似度处于一定的区间中，则为识别结果。相似度运算公式为：

式中：ti表示待检验样本的特征向量的第i个特征分量；pi是样本库中样本的特征向量的第i个特征分量；ki是第i个特征分量的权值，m是特征向量的维数。

4 实验分析

本文实验选择AR人脸库进行实验，如图3所示，选取AR人脸库包含105人，其中（a）～（e）为表情变化库，（g）～（l）为光照变化库。实验前先将图片处理，将其缩放到46×62大小。

图3 AR人脸库

4.1 表情变化实验

在AR人脸库上，针对不同的表情变化人脸图像图3（a）～（f），采用本文算法和轮廓线算法进行识别，得到的结果用表1描述。分析表1可得，本文算法对于不同的人脸表情具有较高的识别率。

表1 AR人脸库中表情不同下不同算法的识别率%

4.2 光照变化实验

在AR人脸库上，针对不同的光照状态下人脸表情变化图像图3（g）～（l），实验分别对比两种方法对应不同人脸图像的识别率。分析表2可以看出，在不同的光照条件下，本文算法对于不同的人脸表情图像的识别率不低于93%，且远远高于轮廓线算法，具有较高的优越性。

表2 AR人脸库中不同光照条件下不同算法的识别率%

4.3 识别精度对比

为了显示本文人脸识别算法相对于轮廓线算法在识别效率上的优越性，在AR人脸数据中任意选取了80张人脸图像进行实验。两种算法对于实验人脸的识别精度对比结果如图4所示。

图4 识别精度对比

分析图4可以看出，本文算法在进行人脸识别时的精度远远高于轮廓线算法，并且对人脸样本的数量不敏感，说明本文算法具有较高的鲁棒性。

5 结语

本文提出了一种基于体绘制思维的人脸识别算法，依据聚类思想对二维人脸库进行聚类，再在各分类的基础上，构建人脸相似模型。通过错切变形体制算法，构建人脸体数据，实现人脸体数据坐标系统的转换以及人脸三维图像的合成，从人脸三维图像中采集人脸特征，利用相似性模型对人脸关键特征同数据库已有的特征进行匹配分析，完成人脸身份识别。实验结果说明，所提算法对于不同表情和不同光照条件下的人脸图像，具有较高的识别率和鲁棒性。

[1]陈炳权，刘宏立.基于二次修正的LRP算子和稀疏表示的人脸表情识别[J].中南大学学报：自然科学版，2014，45（5）：1053⁃1058.

[2]SINAN N，ROZIATI Z，SAMEEM A K.Detecting face in colored images using multi⁃skin color models and neural net⁃ work with texture analysis[J].Malaysian Journal of Computer Science，2013，26（2）：101⁃123.[3]ST EFANOS Z，GRAY A A，MARK F H ，et al.Face recogni⁃tion and verification using photometric stereo：the photoface da⁃tabase and a comprehensive evaluation[J].IEEE Transactions on Information Forensics and Security，2013，8（1）：121⁃135.

[4]FEMANDES S，BALA J.Performance analysis of PCA⁃based and LAD⁃based algorithms for face recognition[J].International Journal of Signal Processing Systems，2013，1（1）：1⁃6.

[5]KATSIMEROU C，REDI J A，HEYNDERICKX I.Face detec⁃tion in intelligent ambiences with colored illumination[C]//Pro⁃ceedings of 2013 International Symposium on Ambient Intelli⁃gence.Salamanca：Springer，2013：195⁃204.

[6]TORU N，TAKAHIRO H，TETSUYA T，et al.RGB⁃D based 3D⁃object recognition by LLC using depth spatial pyramid[J]. Information and Communication Engineers，2013，112（441）：43⁃48.

[7]SURYA P A，SHAILJA S.Automatic face detection using color based segmentation&eigen face⁃based facial recognition[J]. International Journal of Enhanced Research in Science Tech⁃nology&Engineering，2013，2（11）：1⁃10.

[8]FANHAI X，SHAHREL A S.Fusion of multi color space for human skin region segmentation[J].International Journal of In⁃formation and Electronics Engineering，2013，3（2）：172⁃174.

[9]袁建英，郭进，王玮，等.一种结构光三维扫描系统新标定方法[J].计算机应用与软件，2013，30（3）：151⁃153.

作者信息：黄孝平（1973—），男，广西桂林人，高级工程师，硕士。研究方向为智能控制、嵌入式系统等。

Optimization research of face recognition algorithm based on volume rendering thinking

HUANG Xiaoping
（School of Electromechanical and Quality Technology Engineering，Nanning University，Nanning 530200，China）

The traditional face recognition algorithm is used mainly for the two⁃dimensional positive image recognition.The algorithm performance will be greatly reduced when the human body posture and external environment have changed significant⁃ly，so it is unable to obtain the accurate identification results.The volume rendering algorithm conducts drawing for the three⁃di⁃mensional data field，and the drawed image can describe the internal details of the face，so the accuracy of face recognition can be improved.Therefore，a face recognition algorithm based on volume rendering thinking is proposed，in which the two⁃dimen⁃sional face library is clustered according to the clustering thought，and the similar face models are constructed on the basis of each classification.The face volume data is constructed by the algorithm of shear deformation system to realize the coordinate system transformation of face volume data and synthesis of face three⁃dimensional images.The facial features are acquired in face three⁃dimensional image，and the similarity model is used to conduct matching analysis for the face key feature existing in the same database，then face recognition is completed.The experimental results indicate that the proposed algorithm has high recognition rate and robustness for the face images with different expressions and different illumination conditions.

volume rendering；face recognition；three⁃dimensional image；similarity model

TN911⁃34

A

1004⁃373X（2015）24⁃0019⁃04

10.16652/j.issn.1004⁃373x.2015.24.006

2015⁃07⁃17

2015年广西高校科研项目（KY2015YB529）；2015年广西高等教育本科教学改革工程项目（2015JGB439）；广西十二五教育规划2015年资助经费重点课题（2015A028）