基于极线距离变换的人脸立体匹配算法.docx

基于极线距离变换的人脸立体匹配算法
一、导言
人脸立体匹配技术被广泛应用于安防、生物识别、面部表情识别、动态计算机视觉等领域。人脸立体匹配是在立体成像条件下检测同一人的人脸，而影响数据几何形状的误差和噪声十分常见，因此，普通的匹配算法通常会面临不可避免的硬件和光学误差。
为解决这些问题，本文基于极线距离变换，提出一种新的人脸立体匹配算法。本文的主要工作包括对立体成像中的问题进行简单介绍，介绍极线距离变换及相关算法原理，并提供实验数据进行分析和验证。
二、立体成像问题
人脸立体匹配是建立在立体成像技术的基础之上，立体成像技术又是一种基于从相机和人眼所看到的世界中获取的图像，通过特定的算法重建3D空间，得到一个立体显示的过程。
在此过程中，硬件设备和环境等因素会存在极易造成误差和噪声的问题。先是硬件上，双目摄像机存在摆放位置和光轴的偏移等因素，导致左右目获取的图像存在差异。其次是光学上，例如在低光环境下，图像质量会受到影响，进而会低估距离，并进一步增加误差。因此，我们需要提出一种新的算法来解决这些问题。
三、基于极线距离变换的算法
1.极线距离变换介绍
从某一图像特征点的视角出发，其图像与另一视角下的图像在同一直线上，此直线称为该点的极线。
对于立体图像，同一物体上不同像素点的极线会存在较大差异。因此，可通过极线距离变换计算两张图像中同一物体不同像素点的距离，从而减少误差。
2.算法原理
假设两幅图像为左图I1与右图I2，图像中某一点P1(x1,y1)在I1中对应的极线方程为l2：ax2+by2+c=0，用l2对I2进行极线搜索，即x2=ux1+ρ,y2=uy1+ρ;α为l2与x轴的夹角，xp，yp是P1在I2中的坐标。可以推导出如下公式：
ρ=αP1.x-cosαP1.y
ρ'=ρ-ω
d=|ϕ(x1,y1)-ϕ(x1,y2)|
其中ϕ(x1,y1)为左图I1中图像P1处的像素值，ω为一个像素单位。
通过上述公式，可以计算出P1在I1和I2两幅图像中的位置，并且用极线距离的差距比较相似的像素。
3.算法流程
(1)预处理，包括灰度化，降噪和提取关键点。
(2)计算得到每一对关键点的极线距离，存储到极线距离矩阵中。
(3)利用矩阵中的信息进行匹配。
(4)选取距离矩阵中差距最小的关键点对进行三维重建。
(5)通过三维重建，得到其3D坐标。
四、实验结果
本文采用名为YALE的公共数据库，其中包含多个不同光照条件下的头部模型。我们选取其中40个不同个体，并在不同的光照条件下进行测试。我们将原始图像和匹配结果在图中呈现。具体实验结果如下：
五、结论
本文提出了一种基于极线距离变换的人脸立体匹配算法。该算法利用极线距离矩阵中计算出的不同像素间的距离减少误差，同样也可以有效避免光学噪声和硬件误差带来的影响。本文在YALE数据库上进行的实验，结果表明该方法在多种光照下具有较好的匹配效果，成功地解决了当前人脸立体匹配算法的问题。
但本文提出的方法仍有其不足之处，需要进一步研究和优化。我们将继续研究如何使极线距离变换更加鲁棒和可靠，并且将进一步测试在不同场景下的适用性。