人脸头部图像的特征提取方法

在人脸姿态校正中大部分都是针对人脸头部进行姿态校正的，通过相关资料的阅读，总结了自己的一些相关的方法，资料和大家分享一下，呵呵~！

人脸头部图像的特征提取方法：

（1） Sobel算子提取的特征：Sobel算子是一种常用的边缘算子，该方法用两个卷积核检查每个象素的邻域并对灰度变化进行量化，通常也能够用于确定边缘的位置和方向。在姿态估计中，由于通常只估计Yaw和Pitch姿态参数，因此通常也使用水平方向和垂直方向上的Sobel算子。在两个卷积核中，一个核对于通常的垂直边缘响应最大，而另外一个对于水平边缘的响应最大。一般认为，水平方向Sobel上的算子对应于Yaw方向上的姿态变化，而垂直方向上的Sobel算子对应于Pitch方向上的变化。由于多姿态人脸图像中，头部的轮廓信息能够一定程度上反映姿态的方向，因此，利用Sobel算子对人脸图像提取边缘信息进
行姿态估计也能够取得不错的结果Sobel算子方法简单，由于只关心图像的边缘信息，能够消除一定的光照和背景的影响。S.Gon g 研究组多篇关于姿态估计的文献中，均使用了Sobel算子提取的特征作为头部图像的主要特征。

（2） Gabor特征：Gabor特征及其改进算法在大量的文献中得到了广泛的应用，并取得了不错的实验结果。B.Gkberk等对人脸图像使用了Gabor滤波器以估计图像中人脸的姿态。作者首先分析了对不同尺寸的人脸图， 在使用 Gabor特征时不同尺寸的Gabor窗对姿态估计结果的影响。然后研究了单个频率，单个方向和特定的频率和方向组合的Gabor滤波器对姿态估计结果的影响。实验结果说明，一些特定的频率和方向的组合能更好的表述多姿态的人脸图像。

Y.Wei等提出了基于Gabor滤波器选择的方法，通过研究认为同不姿态的头部图像对Gabor频率的响应不同，因此对不同姿态选用不同频率的Gabor特征建立特征空间，根据测试样本在特征空间的投影来确定输入图像的最终姿态类别。

另外，S.J.McKenna将Gabor特征用于实时的姿态估计问题中，并取得了不错的实验结果。

虽然这些基于Gabor 特征的方法取得了不错的效果，但是它们也都有共同的。困难一方面，基于Gabor特征的方法在对图像进行多尺度，多方向的变换时，计算较量大，从而降低了特征的提取速度。另外一方面，由于Gabor特征较高的维数，因此造成所需的存储空间巨大，并降低了后续特征提取方法和分类方法的计算效率由。于头部姿态估计一般来说是人脸识别系统或其它应用的一个中间步骤主，要为人脸识别或者3D重建提供有效的信息，因此虽然姿态估计方法的估计精度非常重要，但是姿态估计方法的计算速度也同样非常重要。在实际应用中，在提取Gabor特征后，往往对Gabor特征进行降维处理以提高方法整体上的计算效率，通常使用的降维方法包括直接对特征进行均匀下采样和用主成分分析(Principal
Components Analysis：PCA)等降维技术进行降维。需要指出的是，PCA等方法在降维的同时，更重要的在于能够提高分类精度。

主成分分析是一种常用的特征空间方法，这种方法根据数据的统计信息进行正交变换，以消除原有向量的各个分量间的相关性PCA的目的在于寻找在最小均方差意义下的最能代表原始数据的投影方向。同时PCA保留了原数据的主要信息而忽略了次要信息，使得数据的维数能够极大的降低，从而降低计算复杂和度减少空间存储需求。

基于特征空间的方法中的另外一种重要的方法为费舍尔线性判别分析( Fisher Linear Discriminant Analysis； FDA)方法该方法是有效的线性监督学习的降维方法，其主要思想是在最大化费舍尔分离准则下，寻找使得类间散度矩的阵迹最大化类内散度的迹最小化的线性变换。通过这个线性变换，原始的特征表述被投影到一个新的子空间，同时实现类间散度矩的阵迹最大化和类内散度矩阵的迹最小化。在FDA中存在cd <1的限制，d为降维后的维数，c为类别数。而在姿态估计中，通常将姿的态角度当作类别，此时类别的数目通常较小，造成投影后的维数过低，从而丢失很多信息。由于存在维数限制，基于费舍尔线性判别分析方法的Fisherfaces用于姿态估计时，所以效果不够好。

复制搜索

复制搜索