基于ga利用lbp的光照魯棒優(yōu)化算法

基于ga利用lbp的光照魯棒優(yōu)化算法

面部特征的定位是面部識別的核心環(huán)節(jié)，在視頻編碼、視頻安全監(jiān)控等領域發(fā)揮著廣泛的作用。傳統(tǒng)的定位方法一般有基于膚色、模版等定位方法,這些方法的效率和準確性都不是很高。而近些年來基于AAM的方法收到了研究者的普遍關注。但是AAM算法受光照及初始位置的影響較大,通過對AAM算法的深入分析,我們提出了一系列的改進方案。AAM算法主要存在著一下兩個方面的問題,(1)對光照的魯棒性不強;(2)受初始位置影響擬合結果。本算法首先針對光照問題做了改進,由于Gabor濾波對光照具有很強的魯棒性,因此在對AAM文理建模的時候我們首先采用Gabor相位濾波器和局部二值模式來表示文理。其次我們使用Adaboost算法對人臉進行位置的初始定位,從而大大降低了擬合的時間。1gabo剖面和lbp算法1.1[ei生物濾波器3],vz-e-32Gabor小波可以模擬哺乳動物大部分大腦視覺層簡單細胞感受野的輪廓,捕捉突出的視覺屬性,對光照具有魯棒性。小波濾波器定義如下:Ψu,v(z)=∥ku,v∥2δ2e(-∥ku,v∥2∥z∥22δ2)[e→iku,vz-e-δ22](1)其中i為復數(shù)算子,δ定義了小波濾波器的帶寬,u和v定義了Gabor核的方向和尺度,z=(x,y),‖g‖表示規(guī)范化算子,波適量ku,v定義如下:ku,v=kvei?u(2)其中kv=kmax/fv,它表示小波的不同核頻率,?u=πu/8表示小不的不同方向。kmax為最大頻率,f是頻率中的內核間隔因子。我們使用Gabor小波的三個不同的尺度v∈{0,1,2}和8個方向u={0,1…7},kmax=π2,f=√2.根據(jù)公式(4)可得到24個濾波器見圖1.經(jīng)過Gabor濾波器進行卷積后得到圖像如圖2所示:1.2基于lbp濾波的圖像數(shù)據(jù)我們在AAM訓練的第二階段不直接使用原始數(shù)據(jù),而是通過Gabor濾波后的圖像進行訓練。但是通過Gabor濾波后會使圖像的空間增大,需要我們做降維處理。在這里我們使用LBP算法進行降維處理。LBΡΜ,R=min0≤n?Μ{Μ-1∑i=0s(gi-gc)2[(i+n)modΜ]}(3)其中s(x)=(1x>00x<0(4)如圖3所示若原始圖像的像素值為圖3(a)所示,經(jīng)過LBP濾波得到圖3(b)結果,再經(jīng)過LBP編碼后的值01110000(2)=112(10),我們使用編碼后的值代替原中心位置的灰度值,得到經(jīng)過LBP濾波后的圖像圖3(c)所示的結果。由于以上算法并不存在數(shù)據(jù)相關的問題。因此我們可以為不同尺度不同方向的濾波器分別開啟一個現(xiàn)成,當程序運行在多核處理器時可以加快運算速度共圖像見圖4.2改進的算法2.1確定文化遺產(chǎn)訓練模型時,主要有兩個過程:首先對一組樣本進行特征點的標記,通過Procrustes分析將所有的樣本的標注點對齊,建立一個形狀的統(tǒng)計模型,并將所有的樣本通過線性映射去匹配形狀模型。其次利用特征分析建立一個紋理模型,再通過學習的方法講形狀模型與文理模型組合在一起,形成最終的模型。x=ˉx+Qscg=ˉg+Qgc(5)其中ˉx為平均形狀,ˉg為平均文理;Qs和Qg分別代表了形狀的變化和紋理的變化;c是控制參數(shù)。在建立文理模型的過程中,我們采用上文提到的Gabor濾波后經(jīng)過LBP編碼后的圖像作為訓練輸入。由此可以得到一個對光照具有較強魯棒性的文理模型。在人臉的正視圖中,在沒有旋轉縮放的情況下,我們可以將人的兩眼以及人的鼻尖三點畫作等腰三角形(紅色線段標記)。我們可以根據(jù)先驗知識,引入縮放、旋轉、平移因子。通過計算兩眼及鼻尖這三個點的坐標。得到一組與正視人臉相關的系數(shù)。引入全局的變換函數(shù)N(x,q),則有如下變換關系式:Ν(x,q)=(1+a-bb1+a)(xy)+(ΔxΔy)(6)其中q=(a,b,Δx,Δy),a=kcosα-1,b=ksinα.因此最終得到的人臉形狀可以用式(7)表示為:N(W(x;p);q),?x∈ˉx(7)最終的AAM模型可以表示為:M(N(W(x;p);q))=A(x),?x∈ˉx(8)其中M是一個形狀N(W(x;p);q)大小相等的二維圖像。2.2圖像的差異最小模型給定輸入圖像I(x),為了得到與輸出圖像最匹配的模型,即得到模型與輸出圖像的差異最小的模型,我們采用下式作為評判標準?！苮∈xˉ[A0(x)+∑i=1mλiAi(x)-Ι(Ν(W(x;p);q))]2(9)當式(9)為最小值時,我們認為所得到的模型為與輸出圖像最接近的圖像。2.3he采用《生活》矩陣,計算“sdj”及“sdj”的公式,將其提前計算其所含的qq,q為例,q,q的表a.pjx及qjq的表a.pj表a.pjq的表a.pj表a.pjq的表a.pj表1這樣我們在擬合AAM時其實就是在求式(9)的最小值。我們采用反向合成圖像對齊算法。求式(9)的最小值,得到:(Δp,Δq)=Η-1∑x∈xˉSDk[Ι(Ν(W(x;p);q))-A0(x)](10)Η=∑x∈xˉ[SDk(x)]Τ[SDk(x)](11)H為Hession矩陣,SDk分為SDj和SDj+4兩個部分:SDj(x)=?A0?Ν?qj-∑i=1m[∑x∈xˉAi(x)??A0?Ν?qj]Ai(x),j=1,2,3,4(13)SDj+4(x)=?A0?Ν?pj-∑i=1m[∑x∈xˉAi(x)??A0?Ν?pj]Ai(x),j=1,2?n(14)由于?A0,?Ν?pj,?Ν?qj的指與p,q均沒有關系,所以可以對其進行提前計算。所以Hession矩陣可以提前計算,由于是常量,只需要計算一次,因此采用反向合成算法的計算效率會大大的提高。2.4人臉位置的預估計單純的使用反向組合AAM算法定位,會因為在擬合的過程中中心位置的初始位置放置和形狀模型的選擇問題上會使迭代的次數(shù)增多,同時會對效率和準確率有很大的影響。本文使用adaboost算法首先人臉的位置定位,由于adaboost算法不含旋轉信息,我們需要進一步預測人臉的位置。我們在使用了adaboost算法確定了人臉的大致位置后可以采用模版匹配的算法確定人眼的精確位置,進而對人臉姿態(tài)的預估計,改善了擬合中心位置和形狀模版的選擇上提供了依據(jù),從而提高了擬合速度和擬合的效率。如圖5所示,我們在確定了人臉的位置之后,在臉部區(qū)域使用模版匹配減少的運算量,最終找到人眼的實際位置。如圖6所示,設兩眼間的水平距離為l,垂直高度差為d,則人臉水平旋轉了θ=arctandl(15)這樣我們在擬合的過程中就可以對人臉的初始位置進行一個人臉姿態(tài)的預判。3實驗結果與分析由于本文主要是對算法主要對一下兩個方面做了改進:一是在對AAM光照的魯棒性方面,我們通過利用Gabor算子濾波并將濾波后的結果使用LBP算法祛除冗余以達到對光照的魯棒性,并且加入的平移旋轉因子使得訓練樣本的數(shù)據(jù)分布更為集中,從而使得訓練的數(shù)據(jù)更為穩(wěn)定。圖7為該算法的檢測效果。為了驗證本文所述方法的有效性,我們在兩個人臉數(shù)據(jù)庫上做了實驗,并在多種算法間進行數(shù)據(jù)測試。兩種數(shù)據(jù)庫分別是IMM人臉庫,IMM數(shù)據(jù)庫包含了40個人的240副圖像,該數(shù)據(jù)庫包括不同光照,不同表情,不同角度的人臉數(shù)據(jù)庫,每幅人臉手工標定了58個點。如圖8所示,為識別效果。其中圖8(a)組實驗結果表明,在檢測正面人臉的時候經(jīng)典的AAM算法與改進后的AAM算法效果檢測結果基本相同,當加入光照后如圖8(b)組數(shù)據(jù),發(fā)現(xiàn)經(jīng)典算法的檢測結果比改進后的算法對光照的魯棒性要差。當人臉加入旋轉后如圖8(c)(d)實驗結果顯示檢測結果要比改進后的結果效果差很多。當面部表情變化比較大時如圖8(e)所示,識別結果性能也較差,這是由于傳統(tǒng)的AAM算法沒有加入旋轉平移因子造成的。為了評價模型是否成功匹配收斂,采用的測度模型匹配點與原始手工標記點之間的誤差作為評判標準,設圖像I(x)的形狀可以表示為:X=(x1,x2…xn;y1,y2…yn)(16)則誤差期望可表示為:Em=1n∑i=1n[(xmi-xsm,i)2+(ymi-ysm,i)2]12(17)其中xmi表示第m張圖像的第i個點的橫坐標,xsm,i表示第m張標準圖像即手工標記點的第i個點在橫坐標。ymi表示第m張圖像的第i個點的縱坐標,ysm,i表示第m張標準圖像即手工標記點的第i個點在縱坐標。4算法的準確度從