基于特征点的人脸相似性评估模型

陈利军 谭海 徐华健

摘要：提出了一种基于人脸特征点的人脸相似性评估模型，该模型采用自然场景下人脸姿态估计模型得出的人脸特征点，通过欧式距离计算方式对特征点集的拓扑结构进行信息展开，得出人脸特征点的距离对称矩阵。接着在该矩阵下构建特征化规则，将人脸图像转化为特征向量。最后通过特征相似方法得出人脸的相似度。实验表明，该模型能够对人脸相似性评估取得较好的效果。

关键词：人脸识别；姿态估计；面部特征；人脸检测

中图分类号：TP311 文献标识码：A 文章编号：1009-3044（2018）03-0179-02

Abstract：In this paper， we present a model of face similarity assessment ， which are Based on facial feature points ， this model uses the facial feature points model estimates derived from the natural scene face posture， topology of the feature point set of information by Euclidean distance calculation， the distance matrix symmetry of facial feature points. Then the feature rule is constructed under the matrix， and the face image is transformed into a feature vector. Finally， the similarity of the face is obtained by the feature similarity method. The experimental results show that the model can achieve good results for face similarity evaluation.

Key words： face recognition； pose estimation； facial features； face detection

人脸识别目前人类身份识别相关应用中最好的生物识别技术之一，与其他生物识别技术不同，人脸采集过程较为特殊，由于环境光照、人脸姿势、面部表情等因素的影响，使得同一个人的人脸在不同的环境中有较大的变化[1]。以神经网络为代表的人工智能算法，在人脸识别技术应用中得到很大的提升。文献[2]提出的基于深度卷积神经网络方法用于人脸识别，其准确率达到了90.99%，文献[3]提出的LSTM深度自编码网络人脸识别准确率达到了94.2%。文献[4]通过构建三层约束性Loss层改进的卷积神经网络比传统的深度卷积神经网络人脸识别的错误率降低了2%。但神经网络的结构复杂，容易出现过拟合，且往往依赖大量的迭代计算才能取得较好的效果。因而本文提取了一种基于特征点的低复杂度人脸相似性评估模型，该模型可应用在人脸识别和人脸图像检索等领域中。

1 人脸特征提取

人脸识别主要的是人脸的局部特征识别，如眼睛的分布、人脸形状等。局部特征不容易受到环境的干扰，光照，旋转，噪声等不利因素对局部特征影响比较小。因此在对人脸识别分析中应该对人脸的局部特征点进行提取和选取合适的局部特征点进行分析。

本文采用Xiangxin Zhu等人[5]提出的人脸面部特征的提取模型提取人脸的特征点，该模型采用基于方向梯度直方图的混合树模型（Tree struct part mode and part sharing，TPS）来评估人脸的姿态。TPS方法将每个面部特征点模式化为一个局部区域，通过全局混合模型来检测引起拓扑变化的视点，最后捕捉gross形变变化取得提取的特征组件获取人脸特征点。

2 基于特征点人脸相似性评估模型

本文以人脸特征点为基础，采用欧氏距离或离差测度来构造人脸差异性判据，根据模式相似性的最近距离分类方法确定人脸的相似性。

2.1 人脸特征点特征向量生成

本部分的主要工作为人脸特征点拓扑结构信息展开，即计算特征点集S内的每个特征坐标点之间的欧式距离，得出距离矩阵D。由于D是个对称矩阵，取D的下三角元素构成人脸特征点拓扑的特征向量T。

2.2 特征相似度计算

本模型根据构造的特征向量进行归一化处理，最后计算两个特征向量的平均绝对误差，再用Sigmoid函数映射到（0，1）的区间，得到最终的人脸相似度。

3 实驗评估

本节将通过设计实验来评估本文提出的人脸相似性评估方法，实验选取4组图片来分别测试四种不同的情况。如图1所示，实验通过TPS方法提取的人脸特征点。其中实验组Ⅰ的图片（ORL库）为2张拍摄时间相差较短，表情姿势不同的同一个人的照片。实验组Ⅱ的图片为不同人的2张照片（ORL库）。实验组Ⅲ检测的照片是从网上收集的奥巴马不同时期的照片（年龄跨度8年），图片较大，其检测时间相对较长。实验组Ⅴ的照片是查尔斯王子不同时期的照片（年龄跨度40年左右），图片较大，其检测时间相对较长。

表1为各组实验的结果，当使被检测的两张人脸照片同属于一个人的时候，其具有较高的相似度，而对于不同的人，具有较低的相似乎。由此可以判断，本文设计的模型具有较好好的人脸相似性检测效果。

4 结束语

针对人脸特征点提出的人脸相似性估计模型，在采用欧式距离的几何拓扑信息展开后，能够实现人脸相似性有效评估，该评估模型对于人脸纹路变化和环境变化的场景有较大的鲁棒性，适合应用在人脸图像检索和跨年龄人脸识别的场景中。

参考文献：

[1] Parkhi O M， Vedaldi A， Zisserman A. Deep Face Recognition[C].//British Machine Vision Conference. 2015：41.1-41.12.

[2] Yang S， Luo P， Loy C C， et al. From Facial Parts Responses to Face Detection： A Deep Learning Approach[C]// IEEE International Conference on Computer Vision. IEEE， 2016：3676-3684.

[3] Zhao F， Feng J， Jian Zhaoa， et al. Robust LSTM-Autoencoders for Face De-Occlusion in the Wild[J]. IEEE Transactions on Image Processing， 2016， PP（99）：1-1.

[4] Yeung H W F， Li J， Chung Y Y. Improved performance of face recognition using CNN with constrained triplet loss layer[C]// International Joint Conference on Neural Networks. IEEE， 2017：1948-1955.

[5] Ramanan D. Face detection， pose estimation， and landmark localization in the wild[C]// Computer Vision and Pattern Recognition. IEEE， 2012： 2879-2886.