论文部分内容阅读
图像的相似性或失真性评估对图像处理和计算机视觉的广泛应用至关重要。已经提出了很多基于统计学的图像相似度量方法来处理特定类型的图像失真，如具有广泛应用的经典结构相似度度量技术SSIM。
由于涉及诸如头部姿势、不同类型的光照和不同面部表情之类的重大挑战，人脸识别被认为是图像相似性研究中最艰巨的挑战之一。提出了四种新的用于人脸识别的图像相似性度量方法，进而来完成人脸相似性检测和人脸识别，并对提出方法进行了分析和测试。
首先，结合了结构相似性指数度量SSIM和特征相似性指数度量FSIM的优点，提出了基于特征的结构度量方法FSM，并在人脸图像的相似性和不相似性性能之间取得了平衡。除了SSIM的统计结构特性之外，也把边缘检测作为一种独特的结构特征引入到FSM中。在高斯噪声以及不同的面部表情、光照、头部姿势等情况下，对提出的方法进行了测试。仿真结果表明，提出的方法在人脸相似性检测和人脸识别方面优于SSIM和FSIM度量。
接着，基于图像的统计特性提出度量方法KSM，该方法利用高阶统计量HOS（特别是峰度和偏度）来进行人脸识别。仿真结果表明，即使在光照、面部表情和姿态变化的情况下，该方法在相似性检测能力上也优于结构相似指数度量SSIM和特征相似指数度量FSIM。
随后，通过对提出的FSM度量改进后，并结合结构度量和矩量度量的特点，提出了ZSM度量方法。结构度量方法采用了能提供图像统计和结构特性的SSIM和FSIM，而Zernike矩由于具有很强的全局特征而被用作特征提取的矩度量。实验表明,结构和矩量度量的特征组合减少了检测方法的弊端,并提供了更强大的相似性度量能力来检测相似性。即使在失真条件下,提出的方法也能在不同类型的光照、面部表情和姿势情况下检测图像的相似性。
提出的第四种度量方法SZM是对第二种方法KSM的改进。SZM综合了高阶统计量和矩量的特点，用峰度和偏度表示高阶统计量，用Zernike矩来表示矩量。
此外，为了评价相似性的检测性能，提出了一种新的人脸识别的置信度度量方法。该置信度用被测图像与数据库中第二个最相似的图像的接近度来表示。
采用MATLAB对所提出的度量进行了性能评价，实验数据由TID2008数据库、包含400张人脸图像的AT＆T数据库和包含700张人脸图像FEI（巴西）数据库组成。利用高斯噪声检验FSM方法的强度，并与经典的SSIM和FSIM方法进行了比较。同时使用失真图像来测试提出的度量方法的强度，并与SSIM和FSIM进行了比较。
结果表明，在某些情况下，SSIM会在两种不同的姿态之间产生猜疑和混淆的结果，并在两个图像互不相同的情况下可能会产生很高的相似性。在某些情况下，FSIM也会
产生令人困惑的结果，例如，它可能会在不同的图像之间发现相似性，或者在两种完全不同的姿态之间产生非平凡的相似性。实验结果还表明，当图像相似时，所提出的度量FSM、KSM、ZSM和SZM会检测出最大的相似度；而当图像不相似时，则给出近零相似度。该特性显示提出的度量方法具有很高的置信度，并且即使在噪声条件下或在光照，面部表情和姿势变化时，仍可通过检测人脸之间的相似性来识别面部图像，优于传统的SSIM和FSIM。
由于涉及诸如头部姿势、不同类型的光照和不同面部表情之类的重大挑战，人脸识别被认为是图像相似性研究中最艰巨的挑战之一。提出了四种新的用于人脸识别的图像相似性度量方法，进而来完成人脸相似性检测和人脸识别，并对提出方法进行了分析和测试。
首先，结合了结构相似性指数度量SSIM和特征相似性指数度量FSIM的优点，提出了基于特征的结构度量方法FSM，并在人脸图像的相似性和不相似性性能之间取得了平衡。除了SSIM的统计结构特性之外，也把边缘检测作为一种独特的结构特征引入到FSM中。在高斯噪声以及不同的面部表情、光照、头部姿势等情况下，对提出的方法进行了测试。仿真结果表明，提出的方法在人脸相似性检测和人脸识别方面优于SSIM和FSIM度量。
接着，基于图像的统计特性提出度量方法KSM，该方法利用高阶统计量HOS（特别是峰度和偏度）来进行人脸识别。仿真结果表明，即使在光照、面部表情和姿态变化的情况下，该方法在相似性检测能力上也优于结构相似指数度量SSIM和特征相似指数度量FSIM。
随后，通过对提出的FSM度量改进后，并结合结构度量和矩量度量的特点，提出了ZSM度量方法。结构度量方法采用了能提供图像统计和结构特性的SSIM和FSIM，而Zernike矩由于具有很强的全局特征而被用作特征提取的矩度量。实验表明,结构和矩量度量的特征组合减少了检测方法的弊端,并提供了更强大的相似性度量能力来检测相似性。即使在失真条件下,提出的方法也能在不同类型的光照、面部表情和姿势情况下检测图像的相似性。
提出的第四种度量方法SZM是对第二种方法KSM的改进。SZM综合了高阶统计量和矩量的特点，用峰度和偏度表示高阶统计量，用Zernike矩来表示矩量。
此外，为了评价相似性的检测性能，提出了一种新的人脸识别的置信度度量方法。该置信度用被测图像与数据库中第二个最相似的图像的接近度来表示。
采用MATLAB对所提出的度量进行了性能评价，实验数据由TID2008数据库、包含400张人脸图像的AT＆T数据库和包含700张人脸图像FEI（巴西）数据库组成。利用高斯噪声检验FSM方法的强度，并与经典的SSIM和FSIM方法进行了比较。同时使用失真图像来测试提出的度量方法的强度，并与SSIM和FSIM进行了比较。
结果表明，在某些情况下，SSIM会在两种不同的姿态之间产生猜疑和混淆的结果，并在两个图像互不相同的情况下可能会产生很高的相似性。在某些情况下，FSIM也会
产生令人困惑的结果，例如，它可能会在不同的图像之间发现相似性，或者在两种完全不同的姿态之间产生非平凡的相似性。实验结果还表明，当图像相似时，所提出的度量FSM、KSM、ZSM和SZM会检测出最大的相似度；而当图像不相似时，则给出近零相似度。该特性显示提出的度量方法具有很高的置信度，并且即使在噪声条件下或在光照，面部表情和姿势变化时，仍可通过检测人脸之间的相似性来识别面部图像，优于传统的SSIM和FSIM。