基于Python的人脸图像特征提取的分析设计

基于Python的人脸图像特征提取的分析设计

人脸识别是一个被广泛研究的热门问题，该技术在法律、商业、安全系统领域有着广泛的应用，人脸图像的易取性和人脸变化的多样性使该技术的研 究更富有挑战性。当前，基于模板匹配的人脸识别技术已经相当成熟，人脸特征提取是人脸识别过程中必要的一个步骤，本文就当前一些人脸特征提取的方法进行了 比较，并对小波分析在人脸特征提取方面的应用进行了研究。并通过Python的人脸图像特征提取的实力进行验证。
关键词：人脸特征特征提取神经网络

一、人脸特征提取的各种方法
1．基于面部器官的特征提取
1996 年Bledsoe提出基于人脸的半自动身份识别系统之后，绝大部分人脸识别研究局仅限于面部几何特征的提取。这种方法过多依靠于先验知识，需要在自适应和 检测准确度之间进行权衡，受到人脸表情，姿态等影响很大。对于人脸主要器官如眼睛、鼻子、嘴等进行描述和特征提取，可以比较准确地提取人脸的基本特征。
基于面部器官的特征提取是最早研究特征提取的方法，主要考虑眼睛、鼻子、嘴之间的位置关系。各器官之间欧氏距离、角度及其大小和外形被量化成一系列参数，来衡量人脸特征，所以对眼、鼻、嘴等的定位就是一个很重要的工作。

2．基于模板的特征提取

人 脸的基本轮廓和脸部器官位置基本是固定的，在提取特征之前先定义一个标准的模板，利用Hough变换、方差投影和模板匹配相结合，有效地确定出眼睛、嘴巴 和鼻子等器官的位置。定义模板需要用到人脸器官的几何特征矢量，它可以通过虹膜中心、内眼角点、外眼角点、鼻尖点、鼻孔点、耳屏点、耳下点、口角点、头顶 点、眉内点和眉外点等关键点得到。特征的提取通常以面部器官的外形和几何关系之间的匹配分量作为依据，匹配分量通常包括人脸两点间的欧氏距离、曲率和角度 等，其中欧氏距离的判决是最常用的方法。标准模板可以是固定模板，也可以是参数可变的可变性模板。固定模板比较简单，但是随着环境的变模板也要更换，有很 大的局限性，一般只针对简单的图像；可变性模板是以器官的几何特征作为模板的参数，定义一个能量函数，通过改变参数使能量函数最小化，能量函数越小越接近 提取目标。可变性模板在环境发生变化时只需要改变相应的参数即可，因此灵活性和适应性都比较好，可处理质量较差的人脸图像，但是模板描述不够精确，适用于 可变性不大的器官，常用于提取眼睛、嘴和鼻子轮廓。

3．基于代数方法的特征提取

此类方法使用代数变换来提取人脸特征，其 中比较经典的方法是特征脸方法。人脸由一些基本特征就可以描述，如鼻子、眼睛和嘴等特征，因此描述人脸的图像可以缩小到很小空间。特征脸方法依据K－L变 换，设X为图像的特征向量，N为图像维数，X的协方差矩阵可定义为式中：E—期望算子，T—转置运算，这样可以将协方差

矩阵E分解为通过这变换将原始图像变换到一个新的维数较低的特征空间，通过计算矩阵的特征值和特征向量，利用图像的代数特征信息进行提取脸部器官的特征。这种方法具有无需提取眼、嘴和鼻等几何特征的优点，但在单样本时识别率不高，且在人脸模式数较大时计算量大。

K－L 变换存形