大样本库人脸识别的分级弹性匹配算法
提高人脸识别系统的速度与效率的技巧与方法
提高人脸识别系统的速度与效率的技巧与方法人脸识别技术在现代社会中得到广泛应用，不仅在安全领域有着重要作用，还在人脸支付、人脸解锁等方面起到了重要的推动作用。
然而，人脸识别系统的速度与效率仍然是一个挑战，特别是在大规模人脸识别的情况下。
本文将介绍一些技巧与方法，以帮助提高人脸识别系统的速度与效率。
1. 选取合适的特征表示方法人脸识别系统中最常用的特征表示方法是局部二值模式（Local Binary Patterns, LBP）、主成分分析（Principal Component Analysis, PCA）、线性判别分析（Linear Discriminant Analysis, LDA）等。
不同的特征表示方法在速度和准确率上有所差异，因此，选择合适的特征表示方法对于提高人脸识别系统的速度与效率至关重要。
2. 优化图像质量图像质量对人脸识别系统的准确性和速度有着直接的影响。
通过对图像进行清晰化、去噪和增强处理，可以提高图像的质量，有助于准确地提取人脸特征。
同时，合理地选择图像的分辨率和色彩空间也可以对系统的速度与效率产生影响。
3. 增加人脸库的训练样本人脸识别系统的训练样本的多样性和数量对于系统的性能有着重要的影响。
通过增加人脸库的训练样本，可以提高系统的鲁棒性和准确性。
同时，使用高质量的训练样本也能够提高系统的速度与效率。
4. 使用高性能的计算设备人脸识别系统的速度与效率也与计算设备的性能密切相关。
使用高性能的计算设备，如图像处理单元（Graphics Processing Unit, GPU）和多核处理器，可以加速人脸识别系统的运行速度。
同时，优化算法和并行计算方法也可以提高系统的效率。
5. 采用分布式计算和云计算技术分布式计算和云计算技术可以帮助提高人脸识别系统的处理速度和效率。
利用分布式计算平台和云计算资源，可以实现多台计算设备之间的协同计算和资源共享，从而提高系统的处理能力和效率。
6. 引入深度学习技术深度学习技术在人脸识别领域取得了显著的突破，通过引入深度神经网络等技术，可以提高人脸识别系统的准确性和速度。
人脸识别技术的使用教程
人脸识别技术的使用教程人脸识别技术是一种基于人脸图像的生物特征识别技术，可以通过对人脸图像中的特征进行检测和分析，识别出其中的个体身份信息。
这项技术在安全领域、人机交互、人脸检测等方面发挥着重要作用。
本教程将为您介绍人脸识别技术的基本原理、应用场景以及如何使用该技术。
一、人脸识别技术的原理人脸识别技术的原理主要包括人脸检测、人脸特征抽取和人脸匹配三个步骤。
1. 人脸检测：首先需要在图像或视频中准确地检测出人脸的位置。
这一步骤可以通过使用基于机器学习的分类器（如Haar分类器、卷积神经网络）或基于特征的方法（如Viola-Jones算法）来实现。
2. 人脸特征抽取：在人脸检测的基础上，需要从人脸图像中提取出具有差异性的特征。
常用的特征提取算法包括主成分分析（PCA）、线性判别分析（LDA）和局部二值模式（LBP）等。
3. 人脸匹配：最后，通过比较待识别的人脸特征与已知的人脸特征进行匹配来确定身份。
一般会使用人脸数据库中保存的已知人脸特征进行比对，常用的匹配算法有欧氏距离、卡方距离和支持向量机（SVM）等。
二、人脸识别技术的应用场景人脸识别技术广泛应用于各个领域，以下列举几个常见的应用场景。
1. 安全监控：人脸识别技术可以用于监控摄像头中的人员识别，实时检测和跟踪陌生人，及时报警预警。
2. 访客管理：通过人脸识别技术，可以实现访客自助登记、自助出入门禁系统，提高安全性和便利性。
3. 身份验证：人脸识别技术可以用于解锁智能手机、电脑等设备，以及对敏感信息的访问授权，取代传统的密码、指纹等验证方式。
4. 人脸支付：人脸识别技术结合支付系统，可以实现用户在商场、超市等场景中的人脸支付，提供更加便捷的消费体验。
三、如何使用人脸识别技术下面将为您详细介绍使用人脸识别技术的步骤。
1. 数据采集：首先，需要收集一定数量的人脸图像作为训练样本。
可以通过人工采集或利用摄像头拍摄人脸图像，并确保图像质量高、多样性强。
2. 数据预处理：采集到的人脸图像需要进行预处理，包括图像的灰度化、归一化、去噪、对齐等操作，以提高后续处理的准确性。
人脸识别算法参数
人脸识别算法参数人脸识别算法是一种用于识别和验证人脸的计算机视觉技术。
它通过分析人脸的特征，比如眼睛、鼻子、嘴巴等部位的位置和形状，来判断是否是同一个人或者匹配数据库中的人脸信息。
下面将介绍一些人脸识别算法中常见的参数。
1.图像预处理参数：图像预处理是在应用人脸识别算法之前对输入图像进行的一系列操作，常见的预处理参数包括：-图像大小：指定输入图像的大小，通常使用方形图像。
-图像亮度：调整图像的亮度和对比度，以提高图像质量。
-图像校正：校正图像中的旋转和倾斜，以保证人脸特征的准确性。
-噪声去除：去除图像中的噪声，以减少对人脸特征的干扰。
2.特征提取参数：特征提取是人脸识别算法的核心步骤，常见的特征提取参数包括：-特征点位置：指定用于计算人脸特征的关键点位置，通常包括眼睛、鼻子和嘴巴等部位。
-特征点描述：对每个特征点进行描述，通常使用特征向量或特征描述子。
-特征维度：指定特征向量或描述子的维度，维度越高，表示对人脸特征的描述越准确，但算法的计算成本也越高。
3.数据库参数：数据库是存储人脸信息的地方，常见的数据库参数包括：-数据库大小：指定数据库中存储的人脸信息的数量。
-数据库更新频率：指定数据库中的人脸信息的更新频率，例如每天、每周或每月更新。
-数据库匹配阈值：指定一个阈值用于判断两个人脸是否匹配，即是否是同一个人。
4.训练参数：-训练数据集：指定用于训练的人脸图像数据集，可以是从公开数据集中获取的或自己采集的。
-训练样本数量：指定用于训练的人脸图像的数量。
-训练算法：选择用于训练的机器学习算法或深度学习模型，例如支持向量机、卷积神经网络等。
-学习率：指定机器学习算法在训练过程中的学习速率，用于调整模型参数的更新步长。
除了上述参数，还有许多其他参数可能会对人脸识别算法的性能产生影响，例如图像的分辨率、人脸的姿态、光照条件等。
因此，在实际应用中，需要根据具体情况选择合适的参数，并进行调优和优化，以提高人脸识别算法的准确性和鲁棒性。
人脸识别主要算法原理
人脸识别主要算法原理主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。
1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果；2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。
3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。
1. 基于几何特征的方法人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。
几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。
Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。
采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。
可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。
这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。
基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。
同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。
2. 局部特征分析方法（Local Face Analysis）主元子空间的表示是紧凑的，特征维数大大降低，但它是非局部化的，其核函数的支集扩展在整个坐标空间中，同时它是非拓扑的，某个轴投影后临近的点与原图像空间中点的临近性没有任何关系，而局部性和拓扑性对模式分析和分割是理想的特性，似乎这更符合神经信息处理的机制，因此寻找具有这种特性的表达十分重要。
人脸识别技术的性能评估与人脸数据库构建方法
人脸识别技术的性能评估与人脸数据库构建方法人脸识别技术是一种基于人脸特征进行身份认证或身份分析的生物识别技术。
随着人工智能和计算机视觉的快速发展，人脸识别技术在各个领域得到了广泛应用，如公安安防、身份认证、社交网络等。
然而，为了实现更高精度和更广泛的应用，需要对人脸识别的性能进行评估，并建立高质量的人脸数据库。
本文将分别介绍人脸识别技术的性能评估方法和人脸数据库的构建方法。
一、人脸识别技术的性能评估方法1. 数据集选择性能评估的第一步是选择合适的人脸数据集。
一个好的人脸数据集在规模、多样性和平衡性方面都应该具备优势。
规模指的是包含的人脸样本数量，样本越多，评估结果的可靠性越高。
多样性指的是数据集应涵盖各种不同的人种、性别、年龄和表情等因素，以便能够对各种类型的人脸提供准确的识别。
平衡性指的是每个类别的样本数量应该基本相等，以避免评估结果对某些类别过于偏向。
2. 评估指标评估指标是评估人脸识别技术性能的核心。
常用的指标包括准确率、召回率、精确度和F1值等。
准确率指的是识别正确的人脸数量与总样本数的比例，召回率指的是成功识别到的人脸数量与总样本数中该类别的人脸数量的比例，精确度指的是成功识别到的人脸数量与识别成功的人脸数量的比例，F1值综合考虑了准确率和召回率，用于评估模型在兼顾准确率和召回率时的性能。
3. 评估方法常用的评估方法包括交叉验证和ROC曲线。
交叉验证将数据集划分为训练集和测试集，通过训练集训练模型，然后在测试集上进行测试，最后得到模型性能的评估结果。
交叉验证可以减少训练集和测试集划分带来的偶然性，提高评估结果的可信度。
ROC曲线衡量了识别结果的灵敏度和特异性，通过绘制不同阈值下的真正率和假正率的曲线，可以直观地评估模型的性能。
二、人脸数据库的构建方法1. 数据采集与标注人脸数据库的构建首先需要进行数据采集，常用的数据采集设备包括摄像机、摄像头和深度相机等。
数据采集时应注意光线条件和背景干扰，保证采集到的人脸图像质量较高。
人脸识别主要算法原理
人脸识别主要算法原理人脸识别主要算法原理主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。
1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果；2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。
3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。
1. 基于几何特征的方法人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。
几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。
Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。
采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。
可变形模板法可以视为几何特征方法的一种改进，其基本思想是:设计一个参数可调的器官模型(即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。
这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。
基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。
同时，采用一般几何特征只描述了部件的基本形状与结构关系，忽略了局部细微特征，造成部分信息的丢失，更适合于做粗分类，而且目前已有的特征点检测技术在精确率上还远不能满足要求，计算量也较大。
人脸识别的方法
人脸识别技术的基本方法人脸识别的方法很多，主要的人脸识别方法有：（1）几何特征的人脸识别方法：几何特征可以是眼、鼻、嘴等的形状和它们之间的几何关系（如相互之间的距离）。
这些算法识别速度快，需要的内存小，但识别率较低。
（2）基于特征脸（PCA）的人脸识别方法：特征脸方法是基于KL变换的人脸识别方法，KL变换是图像压缩的一种最优正交变换。
高维的图像空间经过KL 变换后得到一组新的正交基，保留其中重要的正交基，由这些基可以张成低维线性空间。
如果假设人脸在这些低维线性空间的投影具有可分性，就可以将这些投影用作识别的特征矢量，这就是特征脸方法的基本思想。
这些方法需要较多的训练样本，而且完全是基于图像灰度的统计特性的。
目前有一些改进型的特征脸方法。
（3）神经网络的人脸识别方法：神经网络的输入可以是降低分辨率的人脸图像、局部区域的自相关函数、局部纹理的二阶矩等。
这类方法同样需要较多的样本进行训练，而在许多应用中，样本数量是很有限的。
（4）弹性图匹配的人脸识别方法：弹性图匹配法在二维的空间中定义了一种对于通常的人脸变形具有一定的不变性的距离，并采用属性拓扑图来代表人脸，拓扑图的任一顶点均包含一特征向量，用来记录人脸在该顶点位置附近的信息。
该方法结合了灰度特性和几何因素，在比对时可以允许图像存在弹性形变，在克服表情变化对识别的影响方面收到了较好的效果，同时对于单个人也不再需要多个样本进行训练。
（5）线段Hausdorff 距离(LHD) 的人脸识别方法：心理学的研究表明，人类在识别轮廓图（比如漫画）的速度和准确度上丝毫不比识别灰度图差。
LHD是基于从人脸灰度图像中提取出来的线段图的，它定义的是两个线段集之间的距离，与众不同的是，LHD并不建立不同线段集之间线段的一一对应关系，因此它更能适应线段图之间的微小变化。
实验结果表明，LHD在不同光照条件下和不同姿态情况下都有非常出色的表现，但是它在大表情的情况下识别效果不好。
频域下稀疏表示的大数据库人脸分类算法
频域下稀疏表示的大数据库人脸分类算法胡业刚;任新悦;李培培;王汇源【摘要】人脸识别的识别率受众多因素影响，目前已有很多成形的高识别率算法，然而，随着数据库中人脸图像的增加，识别率下降很快。
鉴于该特点，采用频域下的稀疏表示分类算法能有效解决上述问题，先使用快速傅里叶变换(FFT)将人脸数据从时域变换到频域，再通过 l 1范数最优化稀疏表示算法，把所有训练样本作为基向量，稀疏表示出测试样本，最后使用最近邻子空间算法分类。
在扩展的 YaleB 人脸库中实验结果表明，该算法具有有效性。
%The recognition rate of face recognition is influenced by many factors, in which there are lots of effective algo-rithms, however, with the increase of face in the database, and the recognition rate will be decreased rapidly. In this situation, the sparse representation classification under the frequency domain can solve the above problems effectively. Firstly, the face image will be transformed from time domain to frequency domain using FFT algorithm, and then sparse representation about the test sample will be obtained by l1 norm optimization approach, in which all the training samples as the base vectors, in addition using the nearest neighbor subspace classification. Finally the experimental results show that the algorithm is effective in the extensional Yale B face database.【期刊名称】《阜阳师范学院学报（自然科学版）》【年(卷),期】2015(000)002【总页数】4页(P83-86)【关键词】稀疏表示;快速傅里叶变换;人脸识别【作者】胡业刚;任新悦;李培培;王汇源【作者单位】阜阳师范学院数学与统计学院，安徽阜阳 236037;阜阳师范学院数学与统计学院，安徽阜阳 236037;阜阳师范学院数学与统计学院，安徽阜阳236037;阜阳师范学院数学与统计学院，安徽阜阳 236037【正文语种】中文【中图分类】TP391.41 引言近年来，人脸识别已成为经典的模式识别研究问题之一。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
何位置的匹配0 用式(1 > 中的匹配度函数来评价待识 人面像向量场和备选人面像向量场间的匹配程度
T E (M > = i
<Ci X j >
Ci
Xj
-
T X
(P (i 1 > -P (i 2 > > - (O (j 1 > -O (j 2 > > 2 (1 >
i1 i2
其中:P (i > 表示网格 S1 中 节 点i 在 备 选 人 面 像 上 的
% 收稿日期!2004-01-14 修订日期!2004-04-14 % 基金项目!中国博士后科学基金项目(2003033149 > % % e- mail : mail .t si nghua .edu .Cn
第10 期 丁 嵘等: 大样本库人脸识别的分级弹性匹配算法
1239
思路 最后给出实验结果并进行分析0
坐 标;O (j > 表示网格S 中节点j 在待识人面像上的坐
T 标 0 式 中 的 i
<Ci X j >
Ci
Xj
是在S1 中对i 求和 而j
为 S1 中的i 节点在 S 中的对应匹配节点 当 X j 和C j
T 相近 的 时 候 该 项 就 会 接 近 于 1 0 而
P (i 1 > -
i1 i2
而被认为是一种简单的模板匹配算法 因此可在系统
级将弹性匹配拆分为两类不同的识别算法: 粗匹配和
精细匹配 并对它们进行级联0在查找与待识人面像
匹配的备选人面像时 先对备选人面像用粗匹配进行
筛选 只对其中粗匹配的匹配度排名前 K 选的人面
像进行 精 细 匹 配0 粗 匹 配 的 匹 配 度 定 义 为 CMS =
Cl assified el astic matchi ng Face recOgniti On al gOrit h m Used i n large dat abase
DI NG Rong DAI @i ong- hai X U Wen-li SU Guang-da YI N ~ao
(Depart ment of Aut o mati on Tsi nghua Uni versit y Bei i ng 100084 Chi na >
P (i 2 > > - (O (j 1 > -O (j 2 > > 2 是对 S1 中所有相邻的
两节点求和 j 1 为S1 中的i 1 节点在S 中的对应匹配节
点 j 2 为S 1 中 的i 2 节 点 在 S 中 的 对 应 匹 配 节 点 当
P (i 1 > -P (i 2 > W O (j 1 > -O (j 2 > 即保留了局部距离
不同类的区分更为困难; 而且大样本库也对识别算法 的速度提出了更高的要求 因此一直是自动人脸识别
的难点所在O 人脸识别技术的研究开始于20 世纪60 年代末
70 年代初 90 年代成为研究热点 出现了多种算法 如弹性匹 配[1 ] ~ 特 征 脸[2 ] ~ SVD 分 解[3 ] ~ 人 脸 等 密 度 线分析匹配[4 ] ~ 隐马尔可夫模型[5 ] 以及一些使 用 神 经 网络的方 法 等[6 ～8 ] O 其 中 弹 性 匹 配 算 法 有 较 高 的 识 别率 受到重视O 但弹性匹配的匹配速度较慢 影响 了其在大样本库中的应用O 本文首先简要介绍传统 的弹性匹配算法 然后提出分级弹性匹配算法的改进
2 弹性匹配算法
弹性匹配算法[1 ] 采用属性拓扑图代表人面 像 并
定义了一种对通常的人脸变形具有一定不变性的距
离0 属性拓扑图是一平面网格 网格的任一顶点均包
含一特征向量 表示人面像在该顶点位置附近的信
息0 假设S1 是定义在某备选人面像上的二维网格 则该人面像上网 格 节 点i 附 近 的 信 息 可 以 用 特 征 向 量Ci 来代表0 Ci 通常用 Gabor 特 征 即 中 心 频 率 不 同~ 带宽不同~ 方向 不 同 的 多 个 二 维 Gabor 滤 波 器 和 该人面像的卷积在节点i 处的值0 同样 在待识别人 面像上 也定义一个二维网格上的向量场0 其中 Xj 是和Ci 一样类型的特征向量 只不过是定义在更大 且更细密的二维网格S 上的0 在弹性匹配中 备选人 面像和待识别人面像间的匹配转化为 S1 和 S 间的匹 配 也就是寻找 S1 中 的 各 节 点 在 S 中 的 最 佳 匹 配 节 点0 最佳的匹配应该同时考虑特征的匹配和局部几
1 引言
自动人脸识别是由计算机分析人脸图像( 简称 人面像 > 提取出有效的识别信息以确定人身份的 一门技术 有着广阔的应用前景O 从模式识别的观点 看 不同人的脸可视为不同的类 而同一人在不同的 光照~ 背景~ 表情~ 视角等情况下获得的不同人面像则 视为同一类中不同的样本O
同一人的不同幅面像间存在着诸多变化 使人脸 的自动识别成为一项理论上棘手而极富挑战性的课 题O 大样本库上的人脸识别由于库中庞大的类别数
第15 卷 第10 期 年10 月
光电子·激光
Jour nal of Opt oelect ronics ~ Laser
Vol .15 No .10 O
大样本库人脸识别的分级弹性匹配算法% %
丁 嵘!戴琼海!徐文立!苏光大!尹 浩
( 清华大学自动化系 北京 100084 >
摘要: 提出了一种提高弹性匹配人脸识别算法速度的新算法O 弹性匹配具有较高的识别率 但计算复杂 度较高 影响了其在大样本库中的应用O 为此提出分级弹性匹配: 将弹性匹配的两个步骤( 网格平移和 网格变形> 中的网格平移看作独立的匹配算法; 对所有备选人脸图像先做网格平移计算出粗匹配度 (C MS > ; 根据 C MS 值将所有人脸图像降序排列 只 对 C MS 值 较 高 的 部 分 图 像 做 网 格 变 形O 在 100 180 人的人脸图像库上的测试结果表明: 相对于传统的弹性匹配 分级弹性匹配算法能在识别率的损失不大 于0 .5 % 的前提下 将网格变形的计算量降低1 000 倍或者更多O 关键词: 人脸识别; 弹性匹配; 快速算法 中图分类号!TP391 文献标识码!A 文章编号!1005-0086 (2004 >10-1238-04
在200 人的1 000 幅图像中 20 人的共100 幅用 于训练 因而不参与测试0 其余180 人的900 幅用于 测试0 测试时每人取一幅图像( 共 100 180 幅> 作为 备选人面像 其余720 幅作为待识人面像0 依次将待 识人面像作为输入 在备选人面像中检索0 如果根据 待识人面像检索得到的首选人面像和待识人面像属 于同一人 则认为检索正确 否则认为检索错误0 首 选识别率定义为正确检索次数/ 总检索次数0 由于很 多实际的大库系统中在计算机自动检索后还由人在 找到的前 幅人面像中寻找正确的人面像 因此除了 常用的首选识别率外 本文还给出 前 选识别率 作 为衡量指标0 此时如果根据待识人面像检索得到的 前50 幅人面像中一幅和待识人面像属于同一人 则
识 别 效 果[11 ] 0
3 分级弹性匹配
虽然允许网格变形使弹性匹配算法获得了较高
的识别率 但其计算复杂度较高( 在作者的测试中 用
P 皿 计 算 机 计 算 两 幅 人 面 像 的 匹 配 度 约 需 23 ms 在 100 180 人的大库上检索一次则约需2 300 s > 限制了 其在大样本库上的应用0
和匹配次序时 该项就会接近于0 0M 是 从 S1 到 S 的
单射 最佳匹配就是选取合适的 M 使E (M> 最大时
的匹配 此时的匹配值就是此两人面像间的匹配度0
由于允许网格变形 基于弹性匹配的方法对视
角~ 表 情 等 的 变 化 具 有 较 强 的 鲁 棒 性[9 ] 在 美 国 国 防
部 的 Count er dr ug TeC hnol ogy Tr ansf er Pr ogr a m (CTTP > 发起的人脸识别技术(f aCe r eCogniti on t eC hnol ogy FERET > 工程组织 的 测 试 评 估 中 取 得 良 好 的 识别率性能[10 ] 在 国 内 的 人 脸 库 上 也 获 得 了 较 好 的
1240
光 电 子 · 激 光 2004 年 第15 卷
通常 弹性匹配算法在搜索两幅人面像的最佳匹
配时分两步: 首先不允许网格变形而只允许网格平移
( 通常称 粗匹配 > 在网格平移到合适的位置后再允
许网格变形( 通常称 精细匹配 > 0 计算时间为两步
之和( 在作者的测试中 比较两幅人面像所需的粗匹
配计算时间约为2 ms 精细匹配时间约为21 ms > 0 本文认为粗匹配其实可以完全独立于弹性匹配
T <Ci X j >
i
Ci
Xj
而精细匹配的匹配度定义为
FMS = E (M > 0 采 用 分 级 弹 性 匹 配 能 较 大 幅 度 地 降
低弹性匹配中精细匹配的计算量0若能保持较高的识
别率 则对大样本库的检索有较大的应用价值0
4 实验结果和分析
本文使用的测试库中人面像来自公安部门提供 的身份证照片0 库中包含100 000 人的单幅图像( 每 人一幅 共100 000 幅> 和200 人的多幅图像( 不同人 的人面像数目不等 共1 000 幅> 0
abstract :A n ew al 9ori t h m t o sPeed u P el asti c mat chi n 9 f ace r eco9ni ti on al 9ori t h m was Pr esent ed . el asti c mat chi n 9 h as r el ati vel y hi 9h er r eco9ni ti on r at e but al so hi 9h er cal cul ati on co mPl exi t y whi ch l i mi t s i t s aPPl i cati on . th e mai n i dea of Cl assi fi ed el asti c Mat chi n 9 (Ce M > i s as f ol l o ws . re9ar d 9ri d tr ansl ati on whi ch i s on e of t h e t wo st ePs of el asti c mat chi n 9 as an i n dePen dent mat chi n 9 al 9ort h m . to al l can di dat e f ace i ma9es do 9ri d tr ansl ati on an d cal cul at e cor r esPon di n 9 Coar se Mat chi n 9 Scor e (CMS > at fi r st . Al i 9n t h e can di dat es i n descen di n 9 or der accor di n 9 t o CMS . onl y t o 9ri d di st orti ons t o t h ese f ace i ma9es h avi n 9 r el ati vel y hi 9h er CMS val u es . exPeri ment al r esul t s based on a l ar 9e dat abase i ncl u di n 9 f ace i ma9es f r o m 100 180 i n di vi du al s sh o w t h at t h e ti me cost of 9ri d tr ansl ati on i n Ce M i s mor e t h an 1 000 ti mes r educed co mPar ed t o t h at i n tr adi ti on al el asti c mat chi n 9 wi t h r eco9ni ti on r at e dePr essed l ess t h an 0 .5 % . Key wOrds :f ace r eco9ni ti on ; el asti c mat chi n 9 ; f ast al 9ori t h m