一种基于SVD分解的人脸对齐方法

［马晓亮 杨建仁］

生物特征包括人脸、指纹等，独特性是生物特征中最突出的特征，对比与其他生物特征，人脸具有易采集、不易伪造、特征显著、稳定性好等优点。因为技术水平的发展和社会认可度的提升，现在人脸识别技术已经广泛应用到我们生活的各个方面，除了考勤、门禁等简单应用场景，人脸识别技术还可以应用于①刑事侦查，比如运用人脸识别技术在一定范围内搜索逃犯；② 电子证件，结合个人指纹信息和人脸信息的电子身份证和电子护照等电子证件将极大方便我们的生活；③自助服务，比如银行自动提款机，如果应用人脸识别技术，可以减少现金被盗刷的风险；④ 信息安全，人脸识别技术可以应用于身份认证。目前的身份认证技术主要依赖于密码，如果密码被盗，就不能保证安全。人脸识别技术的应用可以保证用户的数字身份和真实身份的统一，从而可以提升身份认证技术的安全性以及可靠性。

人脸识别（Face Recognition）[1]，是对人脸信息进行识别的一种技术，首先定位跟踪图像或者视频数据中的人脸，接着对检测出来的人脸进行一系列识别任务，比如表情识别、年龄识别等。当前人脸识别技术分为3个部分：（1）人脸检测（Face Detection）；（2）人脸对齐（Face Alignment）；（3）人脸特征表示（Feature Representation）。人脸检测任务是确定待处理图像中人脸的位置坐标信息、人脸框的信息以及landmark关键点信息。人脸对齐任务是将人脸图像变换到统一角度（标准脸），即对人脸检测模块输出的一些landmark关键点（如眼睛，鼻子，嘴巴、脸部轮廓等）进行相似变换（Similarity Transform，如旋转平移等），从而将人脸变换到统一角度。人脸特征表示是在人脸图像特征提取后得到一个一定大小的特征向量，这个向量能够很好地表示人脸数据。使同一人脸特征向量之间的距离尽可能小，使不同人脸特征向量之间的距离尽可能大，以便更好地执行人脸识别任务。

本文提出了一种基于SVD分解的人脸对齐方法（如图1所示），主要处理人脸识别技术中的人脸对齐任务。

图1 本文提出的人脸对齐方法流程图

1 归一化

2 人脸点集平移到原点

3 求旋转矩阵

3.1 基于SVD求旋转矩阵[2]

3.2 SVD分解[3]

3.2.1 SVD分解定义

有一个m×n的实数对称矩阵A，我们想要把它分解为如公式（1）所示形式：

4 人脸点集平移到图片中心

5 实验结果

图2～4是本文提出方法的效果展示图，图2是一张输入的待对齐的人脸图像，图3是经过人脸检测后得到68个landmark关键点的人脸图像，图4是经过本文提出方法处理后得到的对齐后的人脸图像。

图2 待对齐人脸图片

图3 人脸关键点

图4 对齐后的人脸

6 结论

本文提出了一种基于SVD分解的人脸对齐方法，首先归一化人脸点集和标准脸点集，接着将人脸点集平移到原点为中心的位置，然后通过SVD求解人脸点集和标准点集的旋转变换矩阵，再将旋转后的人脸点集平移到图片中心的位置，即可得到对齐后的人脸。本文提出的方法能够将不同角度的人脸很好地变换到标准人脸。