本发明专利技术公开了一种基于嵌入式隐马尔可夫模型和选择性集成的人脸画像自动生成方法。该方法的生成过程是：选取出待变换照片和照片－画像训练库；将包括待变换照片和训练库中照片在内的所有照片进行几何和灰度归一化；分别对训练库中归一化后的每一张照片及其对应画像进行联合训练；建立耦合模型对库；用前向－后向算法将待变换照片与训练样本模型库中的照片模型进行相似度比对并排序，根据相似度最大的ｎ个照片对应的照片－画像模型对重构出ｎ个伪画像；将这ｎ个伪画像进行加权融合，得到最终的合成伪画像。本发明专利技术具有生成的画像清晰，质量高，速度快的优点，可用于刑侦破案或反恐追逃应用领域根据模拟画像，实现对犯罪嫌疑人身份的确认和识别。
【技术实现步骤摘要】
本专利技术属于图像处理
，特别涉及基于照片的画像生成方法，可用于模式识 别领域中根据画像在照片数据库中进行人脸检索和识别。
技术介绍
人脸识别是比较容易为人们所接受的非侵犯性识别方法，从而成为备受计算机视觉 与模式识别等领域关注的热点问题，然而在刑侦破案或反恐追逃等应用领域，犯罪嫌疑 人的照片往往无法直接获取，通常情况下会通过目击者和画家的合作得到其模拟画像， 然后在已有的照片数据库中进行基于内容的检索，縮小嫌疑人的排査范围，进而实现犯 罪嫌疑人身份的确认和识别，这种应用需求催生了人脸识别的一个新分支——画像-照片 识别。基于画像的人工人脸识别方法是一项极为耗时和枯燥的工作，而且识别结果受主 观因素的影响较大，尤其是在大型数据库的情况下，容易因视觉疲劳和心情波动而造成 漏警和误判。因此，基于画像的高性能人脸自动识别技术应运而生。现有的人脸识别方 法大多是基于照片的，由于画像与照片的产生机理和信息表达方式不同，两者之间存在 较大的几何变形及纹理和灰度差异，若采用画像与照片的直接匹配进行识别势必产生很 大误差。因此，如何将两者变换到同种信息表达模式下，减小二者的差异成为画像-照片 识别的重点和难点。现有的方法有两种， 一种是从包含信息量较少的画像中恢复出信息 丰富的照片，但这种方法从信息论的角度来看，由于缺乏足够先验知识不易实现；另一 种方法是通过机器学习实现照片到画像的变换，这种方法由于较为符合人类感知和认知 的过程，因此，画像的自动生成成为画像-照片识别技术的关键。目前画像生成的研究成果主要集中为以下两类第一类是卡通漫画及线条画等简单画像的生成技术。澳大利亚西澳大学心理学教授 的Rhodes通过心理学实验发现，即使是几根线条组成的线条画仍然可以保留人脸的视觉特征。在计算机图形学和计算机视觉领域， 一些研究者也在尝试如何利用人机交互方式来生成人脸的线条画及漫画。美国认知科学家Brennan提出了一种交互式的漫画生成系 统，主要使用对称算子、矩形滤波器和特征轮廓来检测和定位人脸的特征点；日本Aichi Prefectural大学的Murakami等人实现了一个基于模板的人脸漫画生成系统PICASSO和 可以通过网络访问的Web-PICASSO系统；日本东京大学的Li等人以及西安交通大学的 郑南宁等人分别提出了自动的人脸线条画生成系统，主要采用基于非参数化采样和线条画模板的样本学习方法；英国剑桥大学的Librande提出了一个基于样本的卡通绘画系统 Xspace，它主要使用基于径向基函数的学习模块来扩展原有的绘画系统。第二类是人脸素描画像等复杂画像的生成技术。虽然提出有关这些卡通漫画及线条 画等简单画像的生成技术比较多，但是从实际应用的角度看，仍然不及素描画的应用广 泛，素描画由于真实，因此是刑侦破案领域画家常用的描绘犯罪嫌疑人的绘画方式。目 前，人脸素描画像的生成方法可分为两种 一种是不基于样本的，如浙江大学的王进等 人提出的模拟画笔的画像生成方法；另一种是基于样本的方法，主要有香港中文大学的 汤晓鸥等在画像生成及识别领域取得了一系列的结果。其主要思想是先将照片转变成伪 画像，然后实现画像-伪画像间的匹配识别。伪画像的生成方法有以下两种1. 基于特征变换的方法。首先将照片和画像分成两组，采用主成分分析算法分别进 行训练构造各自的特征空间，求出待变换的照片在照片特征空间中的投影系数，然后利 用所该投影系数在相应的画像特征空间中重构出伪画像。不过该方法假定照片与画像之 间的映射是一种线性关系，而实际上二者之间的关系却要复杂的多。2. 基于非线性的方法。该方法将训练集中的画像-照片对进行均匀分块处理，并将相 应的画像块和照片块建立一一对应关系。对于给定的一幅新照片，首先进行同样的分块 处理，对于每一个小块在照片块样本库中找到与其最相似的W个小块，然后通过对这7V个 照片块对应的画像块进行线性加权来产生伪画像块，最后将伪画像块组合成完整的伪画 像。该方法通过局部的线性组合来逼近全局的非线性关系，但是仍然不是真正意义上的 非线性方法。见文献"Liu Q S， Tang X 0. A nonlinear approach for face sketch synthesis and recognition. In: Proceedings of International Conference on CVPR (CVPR 2005), San Diego， CA,USA，2005, 1005~1010."。上述两种伪画像的生成方法都需要大量的训练样本，而训练样本的获取是有限的， 例如为研究人员共享的公共的画像数据库资源非常有限，而获取人工画像又需要较高的 代价，这些因素限制了人脸画像数据库的规模，导致伪画像的生成方法的应用与发展速 度缓慢。因此，如何更为有效地利用较少的画像样本对照片与画像之间的非线性关系建 模成为画像生成与识别的关键。专利技术的内容本专利技术的目的在于解决现有方法不能利用较小的画像库准确地学习照片与画像之间 复杂的非线性关系的问题，提供一种基于嵌入式隐马尔可夫模型E-HMM和选择性集成 的人脸画像自动生成方法，以更简单、更有效、更准确的实现基于照片的人脸素描画像生成。实现本专利技术目的的技术方案是通过采用机器学习的方法对训练样本库中照片-画像 对之间的非线性关系进行学习和建模，针对每个照片-画像对得到一个个体画像生成器， 利用选择性集成思想选择部分个体生成器进行融合，从而将待变换的照片映射成相应的 伪画像，具体过程如下(1) 采用留一法划分训练集，选取一张照片作为待变换照片P，其它的iV个照片及 其所对应的画像构成照片-画像对作为训练样本；(2) 对包括待变换照片和训练样本的所有人脸照片进行归一化；(3) 对训练样本集中的每个照片-画像对(f，S,)进行联合训练，建立耦合模型对库， 即建立(S,S,)的嵌入式隐马尔可夫模型对(^,;i,s.,)，其中/ = 1,2,3,…,iV， 7V为训练样本的 个数；(4) 用前向-后向算法计算待变换照片户与训练样本集中的各个照片之间的相似度， 对这些相似度排序，选择前"个相似度最大的照片对应的照片-画像耦合模型对， 、 )， = 1,2,3,…，"， 一般取"=7 ;(5 )将待变换的照片尸在"个模型对中的每一个模型对(4,,义、)的照片模型4,下进 行Viterbi解码，得到最优的解码状态序列g =…,&)以及混合序列 M = (m,,m2，.，利用^和似这两个序列在画像模型、下重构生成伪画像 S、， n个模型可生成"个伪画像，式中T为图像中的像素个数；(6)将这"个伪画像进行加权融合，得到最终的合成画像。 本专利技术由于采用了嵌入式隐马尔可夫模型E-HMM对照片-画像对之间的非线性关系 进行建模，利用选择性集成的思想对部分个体生成器进行融合，与现有技术相比较，具有如下优点a) 生成的画像更清晰，质量更高，如图3所示，与非线性方法相比，用本专利技术方法 所生成的伪画像更加接近于原始画像；b) 所生成的画像具有更高的识别能力，用相同的识别方法进行识别，本专利技术方法获得了显著的识别率优势，高出非线性方法20多个百分点；c) 速度更快，在相同条件下，本本文档来自技高网...
【技术保护点】
一种基于嵌入式隐马尔可夫模型和选择性集成的人脸画像自动生成方法，包括如下过程：Ａ．采用留一法划分训练集，选取一张照片作为待变换照片Ｐ，其它的Ｎ个照片及其所对应的画像构成照片－画像对（Ｐ↓［ｌ］，Ｓ↓［ｌ］）作为训练样本；Ｂ．对包括待变换照片和训练样本的所有人脸照片进行归一化；Ｃ．对训练样本集中的每一个照片－画像对（Ｐ↓［ｉ］，Ｓ↓［ｉ］）进行联合训练，建立耦合模型对库，即建立（Ｐ↓［ｉ］，Ｓ↓［ｉ］）的嵌入式隐马尔可夫模型对（λ↓［Ｐ↓［ｉ］］，λ↓［Ｓ↓［ｉ］］），其中ｉ＝１，２，３，…，Ｎ，Ｎ为训练样本的个数；Ｄ．用前向－后向算法计算待变换照片Ｐ与训练样本集中的各个照片之间的相似度，对这些相似度排序，选择前ｎ个相似度最大的照片对应的照片－画像耦合模型对（λ↓［Ｐ↓［ｊ］］，λ↓［Ｓ↓［ｊ］］），ｊ＝１，２，３，…，ｎ，一般取ｎ＝７；Ｅ．将待变换的照片Ｐ在ｎ个模型对中的每一个模型对（λ↓［Ｐ↓［ｌ］］，λ↓［Ｓ↓［ｌ］］）的照片模型λ↓［Ｐ↓［ｉ］］下进行Ｖｉｔｅｒｂｉ解码，得到最优的解码状态序列Ｑ＝（ｑ↓［１］，ｑ↓［２］，…，ｑ↓［τ］）以及混合序列Ｍ＝（ｍ↓［１］，ｍ↓［２］，…，ｍ↓［τ］），利用Ｑ和Ｍ这两个序列在画像模型λ↓［Ｓ↓［ｊ］］下重构生成伪画像Ｓ′＝［ｐ↓［１］，ｐ↓［２］，…，ｐ↓［τ］］，ｎ个模型可生成ｎ个伪画像，式中τ为图像中的像素个数；Ｆ．将这ｎ个伪画像进行加权融合，得到最终的合成画像。...
【技术特征摘要】
【专利技术属性】
技术研发人员：高新波，李洁，钟娟娟，肖冰，田春娜，路文，温静，李金秀，苏亚，邓成，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：87[中国|西安]
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。