人臉圖像匹配方法
【技術領域】
[0001] 本發明的技術方案涉及圖像數據處理，具體地說是人臉圖像匹配方法。
【背景技術】
[0002] 人臉圖像匹配是圖像匹配領域中的一個重要分支。隨著自動化信息化時代的到 來，人臉圖像匹配在現實生活中有了越來越多的應用。因為人臉信息具有獨特性，難以偽造 且易于采集，廣泛應用于門禁系統、視頻監控和身份驗證技術領域。
[0003] 現有的人臉圖像匹配算法大都以提取人臉局部特征為基礎，利用人臉局部特征進 行匹配。主成分分析法（以下簡稱PCA方法）是最為常用的人臉局部特征提取方法。1991 年，加利福尼亞大學的Turk等人利用PCA方法，提出了經典的"特征臉"人臉圖像匹配算 法，并取得了較好的效果。但是PCA方法只考慮了圖像數據的二階統計信息，未能利用數據 中的高階統計信息，忽略了多個像素間的非線性相關性。2004年，David Lowe提出了尺度 不變特征轉換算法（以下簡稱SIFT算法），通過高斯微分函數來識別潛在的尺度和旋轉不 變的關鍵點，通過一個擬合精細的模型來確定位置和尺度，利用圖像局部的梯度方向，給每 個關鍵點位置分配一個或多個方向，實現了尺度和旋轉的不變性，在每個關鍵點的鄰域內， 對一定尺度的圖像局部的梯度，具有一種SIFT表示，可以允許較大的局部變形和光照變 化。但是SIFT算法效率低且速度慢。2006年，瑞士的Bay等人提出了 Speeded Up Robust Feature算法（以下簡稱SURF算法）改進了 SIFT算法，利用Hessian矩陣行列式的極大值 檢測特征點，用積分圖像盒子濾波的方法簡化D0H(即Hessian矩陣的行列式值）中卷積的 計算，大大提高了算法效率。但SURF算法仍然存在檢測到的特征點少，得到的匹配對數目 也少的問題。
[0004] 現有的人臉圖像匹配方法由于采用了 PCA方法、SIF T算法或SURF算法進行特征 提取，存在特征點少、匹配點少且正確率不高的缺陷，尤其對有姿態、表情、光照變化的人臉 圖像，特征點數目和正確率有待提高。因此，研究特征點多且正確率高的人臉圖像匹配方法 具有重要的意義。

【發明內容】

[0005] 本發明所要解決的技術問題是：提供人臉圖像匹配方法，是基于兩次SURF算法和 形狀上下文的人臉圖像匹配方法，簡稱TSURF+SC(Twice SURF+Shape Context)，利用SURF 算法粗匹配得到尺度差和方向差信息，再利用這些信息進行SURF算法精確匹配，對得到的 匹配結果用形狀上下文算法去除誤匹配，克服了現有的人臉圖像匹配方法中存在特征點 少、匹配點少且正確率不高的缺陷。
[0006] 本發明解決該技術問題所采用的技術方案是：人臉圖像匹配方法，是基于兩次 SURF和形狀上下文的人臉圖像匹配方法，具體步驟如下：
[0007] 第一步，確定人臉區域：
[0008] 輸入兩幅同一個人的相同大小的人臉圖像，將其中一幅有表情、姿態和光照變化 的圖像作為待匹配圖像，另一幅標準正面人臉圖像作為模板圖像，將待匹配圖像和模板圖 像均進行縮放至模板圖像的1/8,然后用一個20X20像素大小的人臉檢測搜索框自左向 右從上到下對上述兩幅圖像分別進行掃描，對每一個掃描到的子圖像，用OpenCV自帶的正 面人臉檢測器判定其是否為人臉圖像，若是，則標記為人臉區域，每次對上述兩幅圖像分別 掃描完一遍，將人臉檢測搜索框放大10 %，再重新掃描一遍，如此重復，直到人臉檢測搜索 框擴大到上述圖像的一半大小時停止掃描，接著對所有被標記的人臉子圖像從RGB轉換到 YCrCb顏色空間，對其中的每一個像素點的Cr、Cb分量進行膚色驗證，驗證所用膚色條件如 公式⑴所示，
[0009] 133 彡 Cr 彡 173 門 77 彡 Cb 彡 127 (1)，
[0010] 式中Cr、Cb分別代表YCrCb顏色空間中圖像的色調和飽和度，
[0011] 將上述掃描的圖像中具有40%以上的像素點滿足公式（1)的區域確定為人臉區 域，即感興趣區域，再將待匹配圖像和模板圖像中確定的人臉區域放大8倍，恢復到原始尺 寸大小；
[0012] 第二步，生成重構的積分圖像：
[0013] 對上述第一步中確定的人臉區域再轉換到RGB空間，然后利用公式（2)轉換為灰 度圖像，
[0014] X = 0. 299R+0. 587G+0. 114B (2)，
[0015] 上式中，R、G和B分別是RGB空間的紅色、綠色和藍色通道，X表示灰度圖像中的 灰度值；
[0016] 然后計算灰度圖像中每個像素點的顯著因子，得到顯著因子圖，如公式（3)所示，
[0017] 〇 (Xc) = magnXarctan(V/Xc) (3)，
[0018] 上式中，magn為放大系數，〇 (X。）為人臉圖像中的像素點的顯著因子，V為人臉圖 像中像素點X。與以像素點X。為中心的八鄰域Xdi = 〇,…，7)的灰度差分，計算方法如公 式⑷所示，
[0020] 將顯著因子圖左上角原點與該點所構成的矩形區域內所有點的像素值之和作為 積分圖上該點的像素值，生成重構的積分圖像，如公式（5)所示，
[0022] 上式中IN(XJ為重構的積分圖像中X。處的像素值，X c的坐標為（X，y)，IN(X J的 值等于顯著因子圖中（〇,〇)點、（X，0)點、（〇，y)點與（X，y)點構成的矩形區域內所有像素 值的和；
[0023] 第三步，兩次SURF特征匹配：
[0024] 匹配過程首先檢測SURF特征并生成描述子，然后進行一次粗匹配得到尺度差和 方向差信息，最后再利用這些信息進行一次精確匹配，具體步驟如下：
[0025] (1)生成SURF描述子：
[0026] 用不同尺寸的盒子濾波模板與上述第二步得到的重構的積分圖像求取顯著因子 圖的不同尺度的Hessian矩陣行列式響應圖像，之后在這些響應圖像上采用3D非極大值 抑制進行檢測，將具有響應極大值的點確定為特征點，該特征點的尺度為相應響應圖像的 尺度，設盒子濾波模板大小為LXL像素，初始尺寸L = 9像素，其對應的響應圖像尺度s = 1. 2,然后依次使用L = 15像素、21像素、27像素的尺寸，分別對應的響應圖像尺度s可由 公式（6)算出，
[0027] s = 1. 2XL/9 (6)，
[0028] 得到特征點的位置和尺度s后，對每個特征點，在以特征點為中心，6s為半徑的圓 形區域內對顯著因子圖用大小為4sX4s像素的Haar小波模板進行響應運算，這里s需四 舍五入為整數，然后用一個以特征點為中心，張角為η/3的扇形滑動窗口，圍繞特征點以 步長0. 2弧度進行旋轉，每轉到一處，統計滑動窗口內圖像Haar小波水平方向和垂直方向 響應值dx、dy的累加值Σ dx+ Σ dy，具有最大響應累加值的方向作為特征點的主方向，得 到主方向后，以特征點為中心沿主方向將20sX 20s像素大小的圖像劃分成4X4個子塊，每 個子塊利用大小為2sX2s像素的Haar模板進行響應值的計算，并對水平方向X和垂直方 向y的響應值分別統計其累加和及絕對值累加和Σ dx、Σ | dx |、Σ dy、Σ | dy |，形成特征矢 量，即SURF描述子，每個特征點共生成4X4X4 = 64維的SURF描述子；
[0029] (2) SURF算法粗匹配：
[0030] 對待匹配