基于人工智能技术的人脸图像局部细节信息识别研究

胡贵恒

（安徽工商职业学院 信息工程学院，安徽 合肥 231131）

随着人脸识别技术的发展，采用人脸动态识别方法进行人体生物特征分析，提高人脸图像的动态识别和特征分析能力。在人脸识别过程中，由于受到不同表情的影响，导致人脸图像的识别能力差，这就需要构建人脸图像局部细节信息识别模型。采用人脸图像局部细节信息识别和特征提取方法，进行人脸识别处理，可以提高人脸的动态特征提取和辨识能力，关于人脸图像局部细节信息识别的方法和研究受到人们的极大关注［1］。对人脸图像局部细节信息的识别，是建立在人脸特征提取基础上的。由于不同表情使得人脸特征分布具有差异性，导致人脸图像的成像干扰较大，特征分辨能力低，需要建立优化分割模型。结合图像分割和信息增强技术［2］，进行不同表情下的人脸识别，还需要进一步识别人脸图像的局部细节信息。因此，本文提出基于人工智能技术的人脸图像局部细节信息识别方法。提取不同表情下的人脸图像，通过多标签语义分割方法进行人脸图像的人工智能分析和特征融合聚类处理，实现人脸图像局部细节信息识别，并通过仿真测试分析，得出有效性结论。

1 不同表情下的人脸图像采样和特征提取

1.1 人脸图像采样

为了实现不同表情下人脸图像局部细节信息的识别：首先，构建不同表情下人脸图像的视觉采样模型；其次，采用模糊视觉信息提取方法，检测不同表情下的人脸图像的边缘轮廓；再次，采用亮度和边缘感知方法，进行不同表情变化人脸图像分割；最后，采用灰度像素增强方法，分析不同表情人脸像素点的特征匹配集［3］，所得到的模糊关联特征量为

式中，rk表示人脸图像的模糊关联特征量；v表示模糊关联系数；ν表示初始人脸图像特征向量；p和P分别表示当前人脸图像像素及像素的最大值。

结合不同表情下人脸图像的像素特征分布，提取人脸图像的分布式特征，采用显著性检测算法，提取人脸图像的模糊隶属度函数，得到人脸图像的特征分布检测模型，模糊迭代式为

式中，U(v)表示模糊隶属度函数；D表示显著性系数；j表示人脸图像的像素特征分布函数；K表示分布式特征量。

采用融合空间聚类分析方法，进行人脸图像的优化检测和边缘区域权重聚类，得到人脸图像的模糊相关性聚类特征分布，满足以下关系式：

采用模糊信息聚类方法，进行不同表情变化人脸图像的边缘轮廓检测［4］。采用单帧向量融合方法，得到人脸图像超像素特征重构的模糊度函数为

式中，gj(x→)表示单帧向量融合函数；hj(x→)表示模糊信息聚类函数。

基于模糊粗糙集理论，对不同表情下的人脸图像进行优化分割和信息采集［5］。采用模糊信息融合检测方法，得到对应的像素点为边缘区域。不同表情下人脸图像增强的信息素分布矩阵为

式中，theta表示信息素分布矩阵的欧拉角。

采用Harris 角点检测算法实现对三维智能动态人脸微小特征点的信息标定，考虑到低照度图像的特征分布集，建立不同表情人脸图像的超分辨率融合，得到人脸图像的暗区域特征分量为

式中，med表示人脸图像的超分辨率融合函数。

式中，T表示最大特征分量。

根据上述分析，采用模糊粗糙集理论，进行人脸图像的优化分割和信息采集，以此提升人脸图像采样效率与质量。

1.2 不同表情变化人脸图像高分辨视觉特征提取

采用高分辨的视觉信息重组技术进行不同表情下人脸图像的信息重构和分块检测，提取人脸图像高分辨视觉特征量［6］，从不同层面上进行不同表情变化人脸图像分布式检测，得到图像的熵值矩阵满足：

当缺乏先验知识的时候，人脸识别的精度低。结合模糊信息融合方法得到不同表情下人脸图像的分布特征量表达式为

式中，xk和xj表示人脸图像特征尺度；σ表示特征分布概率密度。

采用多尺度信息特征分解方法，进行不同表情下人脸图像的熵信息检测，提取人脸图像的相似度特征量［7］，得到模板匹配集为

式中，k（k=1,2,…,R，其中R表示最大特征尺度）表示人脸图像相似度系数；e表示特征分解尺度。

结合小波域分块融合方法，得到不同表情下人脸图像的特征匹配模型，表示为

式中，bml(⋅)表示特征匹配函数；gkl.z表示特征匹配度；f kl表示小波域分块融合系数，其中l=1,2,…,R，且l≠k。

对不同表情下的人脸图像进行灰度区域重组，得到权重自适应参数为

式中，ycm和ydm表示不同灰度区域重组结果。

用Rβ表示计算机视觉下人脸图像的增强分布值，得到不同表情下人脸图像的灰度特征量为

构建不同表情下人脸图像的模糊度检测模型，实现人脸图像的高分辨视觉特征提取。

2 人脸图像局部细节信息识别

2.1 人脸图像局部细节特征提取

在虚拟视觉下进行不同表情的人脸图像重构，结合模糊信息增强技术进行不同表情的人脸图像的信息增强处理，得到相似度特征量为

式中，xi∈Rn，表示不同表情下人脸图像的边缘状态特征分布参数，其中Rn表示图像边缘状态特征分布参数集合；ui∈Rm，其中m为模糊特征集；Aj(L)为不同表情下人脸图像的灰度特征分布集。

采用Atanassov 模糊扩展方法，结合模糊隶属函数，可以得到不同表情下人脸图像的亮度特征分布集。采用模糊分布式检测方法，进行不同表情下人脸图像的特征优化提取，以丰富图像的细节，局部细节信息的融合矩阵为

计算不同表情下人脸图像的关联特征量，结合人工智能技术，求得子空间融合聚类环境下人脸图像的特征分布集，得到模糊函数f(X)，满足如下条件：

式中，f(Y)表示模糊聚类函数；N表示子空间数量；X和Y表示不同的子空间。

在数据值域内，求得不同表情下人脸图像动态分割的全局最优解，得出边缘轮廓特征量为

根据上述分析，获取人脸图像局部细节特征提取结果，并据此对人脸图像局部细节信息进行识别，提升识别精度。

2.2 人脸图像局部细节信息识别

将亮度分量作为学习因子，采用模糊深度学习方法，进行不同表情下人脸图像的局部细节信息识别，再采用自适应寻优方法，得出像素空间聚类分布值：

构造不同表情下人脸图像的相似度特征分辨模型，结合像素分布矩阵进行人脸图像的细节特征重建，得到不同表情下人脸图像的边缘像素集为M×N。采用多模态特征分解方法，得到人脸图像局部细节信息识别的模糊深度学习模型为

式中，η表示不同表情下人脸图像的分块匹配量化集；φ表示稀疏特征分量；R表示不同表情下人脸图像的模板匹配系数；D表示边缘模糊像素集；0 ≤φ≤2π,0 ≤η≤π,R=D2。

构建不同表情下人脸图像的多维直方图结构模型，对不同分辨率的细节信息进行关联特征匹配，得到不同表情下人脸图像的空间相似性特征量为

提取人脸图像的空间视觉特征分布值，计算不同表情下人脸图像的R、G、B分量，所得人脸图像三维分块帧点检测的模板匹配值为AR、AG、AB和WR、WG、WB。基于高斯混合模型，在特征模板m×n内，可以得到不同表情下人脸图像的局部细节信息识别输出结果［8］。

3 仿真实验与结果分析

为了验证本文方法在实现不同表情的人脸图像局部细节信息识别中的应用性能，进行了仿真实验。人脸图像的采样数据库为OpenFligh，三维智能动态人脸视觉特征采样的样本数为200，人脸像素特征匹配系数为0.45，灰度像素集为120×200，测试的人脸样本及细节特征分布如图1所示。

图1 人脸样本及细节特征分布

根据图1 所示的人脸样本数据，进行人脸图像局部细节信息识别，所得识别结果如图2所示。

图2 人脸图像局部细节信息识别结果

通过分析图2 得知，采用本文方法进行人脸图像局部细节信息识别的精度较高，特征分辨能力较好。3种算法的测试虚警率对比结果如图3所示。

图3 虚警率对比

由分析得知，采用该方法进行人脸图像局部细节信息识别的虚警率较低，说明该方法具有较高的识别精度，提高了人脸的准确识别能力。

4 结语

为了提升人脸图像局部细节信息识别效果，本文提出了一种新的基于人工智能技术的人脸图像局部细节信息识别方法。通过对人脸图像局部细节信息识别全过程的阐述，完成了人脸图像局部细节信息识别方法的设计。通过实验证明，该方法的特征辨识能力较好，信息融合度较高，具有较高的人脸图像局部细节信息识别精度，有很好的应用价值，可以在实际中得到进一步推广。