本发明专利技术公开了一种基于人脸形状及广义自组织映射的性别识别方法。首先，基于国际标准MAXPLANCK3D人脸数据库，使用PGA技术建立人脸3D形状恢复模型；然后，使用G-SOM对该3D人脸库进行学习，得到人脸性别3D特征的分布规律；在识别阶段，先使用PGASFS技术在3D形状恢复模型上恢复出2D人脸图像的3D形状信息，然后将恢复得到的3D形状信息输入G-SOM,并使用Soft-KNN算法进行性别识别。优点在于：一是有效降低人脸姿态、表情、照明条件变化对识别精度带来的不利影响；二是使用了G-SOM能更好地保持模式内蕴拓扑结构；三是性别鉴定方法利用了人脸的局部结构与整体结构之间的联系，提高了识别率。
【技术实现步骤摘要】
本专利技术涉及人脸识别领域的技术，特别是ー种基于从2D人脸图像恢复出3D人脸形状信息后再进行人脸性别识别的方法。
技术介绍
随着人类经济、社会及生活的飞速发展，对快速有效的自动身份验证的需求日益迫切。然而普通的身份验证形式如磁卡、IC卡、标识号码虽然技术已经成熟，可以采用各种加密手段加以保护，但都不能防止伪造。生物特征是人的内在生物学属性，具有很强的自身稳定性和个体差异性，因此采用生物特征进行身份识别逐渐成为研究与开发的热点，基于人脸的生物特征识别技术就是其中之一。较之于其它生物特征(虹膜、掌纹、声纹等等)，基于人脸的生物特征识别具有众多良好的特性(如直接、友好、方便等)，易于被用户所接受， 已经得到广泛的关注。基于人脸特征的性别识别作为人脸生物特征识别的重要应用方向之一，也日益得到重视。早期的人脸性别识别方法是基于2D图像展开的例如Gollomb等提出的SEXNET (B.A. Golombj et al., SEXNET: A neural network Identifies sex from human faces,Advances in Neural Information Processing Systems, pp. 572-577， 1991) ；Brunelliand Poggio提出使用HyberBF神经网络来对从2D图像抽取的特征进行性别识别(R.Brunelli and T. Poggioj HyberBF Networks for Gender Ciassmcation， Proc.DARPA Image Understanding Workshop, pp. 311-314，1992);国际著名学者A. K. Jain提出了基于独立分量分析与现行鉴别分析技术集成的人脸2D图像性别识别(A. Jain andJ. Huang, Integrating independent components and linear discriminant analysisfor gender classification,〃 Sixth IEEE International Conference on AutomaticFace and Gesture Recognition, Proceedings, pp. 159-163，2004)。近年来的研究表明，基于2D图像进行识别的效果显著地受到诸如人脸姿态、表情、照明条件变化的影响。而3D人脸形状信息能够提供人脸在姿态及光照变化条件下的不变描述，较之于2D人脸图像，使用3D人脸形状信息来进行人脸识别有着显著的优越性。例如，J.心等基于3D人脸形状信息进行人脸性别识别，使用主測地鉴别分析技术，得到了较好的性别识别结果(Wu Jingj William Smith, Edwin R Hancock. Facial genderclassiiication using shape-from-shading. Image and Vision Computing, 2010:28(6) : 1039-1048)。然而，在很多实际应用场景中，往往只能获取待识别主体的2D人脸图像(出于成像、存储装置成本的考虑)。因此，如何基于2D人脸图像恢复出3D人脸形状，进而进行人脸识别(包括性别识别)就显得尤其重要。本专利技术提出的基于人脸形状及广义自组织映射的性别识别方法，釆用PGA技术创建 3D 人脸形状恢复模型(Fletcher P Tj Lu Cong-Linj Pizer S Mj Joshi S.Principal geodesic analysis for the study of nonlinear statistics of shape.IEEE Transactions on Medical Imaging, 2004, 23 (8) : 995-1005);在人脸特征分布学习阶段，使用了专利技术人自行提出的G-SOM模型(於东军等.广义SOM及其在人脸性别识别中的应用.计算机学报.2011，34(9) : 1719-1725);在人脸性别预测阶段使用的Soft-KNN决策算法(Tan Xiao-Yan, Chen Song-Can, Zhou Zhi-Hua Zhang Fu-Yan. Recognizingpartially occluded, expression variant faces from single training image perperson with SOM and soft KNN ensemble. IEEE Transactions on Neural Networks,2005，16(4) :875-886)。
技术实现思路
本专利技术的目的在于从单幅2D人脸图像恢复出3D人脸形状，从而解决使用2D人脸图像进行识别时存在的人脸姿态、表情、照明条件变化对识别精度带来的不利影响，提供一种基于人脸的有效性别识别方法。本专利技术的技术方案是ー种基于人脸形状及广义自组织映射的性别识别方法，它 包括以下步骤 第一歩，3D人脸形状恢复模型的创建利用国际标准MAX PLANCK 3D人脸数据库，使用PGA技术生成3D人脸形状恢复模型； 第二步，使用人脸局部分块技术，将MAX PLANCK 3D人脸数据库中的每个3D人脸输入到G-SOM进行学习； 第三步，对于一个给定的2D待识别人脸图像，先使用PGASFS技术恢复出其人脸3D形状，本专利技术中，人脸3D形状以NeedleMap (针状图)的形式表示； 第四歩，将恢复得到的3D形状信息输入G-S0M，并结合Soft-KNN算法进行识别。本专利技术的有益效果 本专利技术与现有人脸性别识别相比，其显著优点(I)可以从单幅2D人脸图像恢复出3D人脸形状信息，进而用于识别，可以有效降低人脸姿态、表情、照明条件变化对识别精度带来的不利影响；(2)由于3D人脸位于弯曲的黎曼流形空间 ，传统的SOM只适用于欧式线性空间，因此专利技术人使用了自行提出的G-S0M，该模型可以自适应学习得到人脸模式在弯曲流形空间内的内蕴拓扑结构，从而有效地提高了性别识别的精度；(3)所采用性别鉴定方法有效地利用了人脸的局部结构与整理结构之间的联系，提闻了识别率。附图说明图I是基于人脸形状及广义自组织映射的性别识别的流程图。图2是一幅2D人脸图像及其对应的3D恢复图(NeedleMap)。具体实施例方式下面结合附图对本专利技术作进ー步的说明。图I给出了本专利技术的流程图 首先，使用PGA技术，以MAX PLANCK 3D人脸数据库为基础，构建人脸3D形状恢复模型；其次，使用专利技术人自行提出的G-S0M，并使用人脸局部分块技木，学习3D人脸模式在特征空间中的分布规律；在识别阶段，对于一幅给定的2D人脸图像，先使用之前构建的3D恢复模型，并结合PGASFS技术恢复得到其3D形状信息(以NeedleMap的形式表达)，然后将恢复得到的NeedleMap输入训练好的G-SOM，并使用Soft-KNN进行性别分类识别。下面，具体进行阐述 第一歩，3D人脸形状恢复模型的创建利用国际标准MAX PLANCK 3D人脸数据库，使用PGA技术生成本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于人脸形状及广义自组织映射的性别识别方法，其特征在于包括以下四个步骤 第一步，3D人脸形状恢复模型的创建利用国际标准MAX PLANCK 3D人脸数据库，使用PGA技术生成3D人脸形状恢复模型； 第二步，使用人脸局部分块技术，将MAX PLANCK 3D人脸数据库中的每个3D人脸输入到G-SOM进行学习； 第三步，对于一个给定的2D待识别人脸图像，先使用PGASFS技...
【专利技术属性】
技术研发人员：於东军，戚湧，唐振民，杨静宇，
申请(专利权)人：南京理工大学常熟研究院有限公司，南京理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。