人脸特征的定位和提取

人脸特征的定位和提取

摘 要： 综述了人脸识别的现状。基于几何特征的识别方法，根据人脸图象的灰度特性用投影图和特征描述相匹配的算法初步确定了人脸各部分的位置。然后利用投影法和模板匹配法准确地确定了瞳孔的位置及其它面部特征。实验表明该方法准确率高，运行速度快。 关键词： 特征定位 特征提取 类间方差判断分析法 模板匹配

人脸识别的研究近几年受到普遍重视，它与指纹识别、视网膜识别等同属于生物特征识别技术范畴。在公安(犯罪识别等) 、安全验证系统、医学、视频会议、交通量控制等方面有着巨大的应用前景，因而成为当前模式识别和人工智能领域的一个研究热点。虽然人类能毫不费力地识别出人脸及表情，但人脸的自动机器识别却是一个难度极大的课题。人脸识别的研究已有20多年的历史，最早它和指纹识别一道作为识别罪犯身份的手段。但人脸的结构比指纹要复杂得多，并且受很多因素的干扰：人脸表情的多样性、成象过程的光照、图像的尺寸、旋转及姿势的变化等。即使同一个人，在不同的环境下拍摄得到的人脸图像也可能不同。所以至今人脸识别尚未能取得象指纹识别那样令人满意的结果。还没有通用成熟的人脸自动识别系统出现。1 人脸识别的理论研究及发展现状 人脸识别的输入图象通常有正面、倾斜和侧面 三种，由于实际情况的要求，对人脸正面模式的研究最多，它的发展可分为三个阶段。第一阶段以Bertillon 、Allen 和 Parke 为代表，主要研究人脸识别所需的面部特征。这一阶段工作的特点是识别过程全部依赖于操作人员。第二阶段是人机交互识别阶段。代表有Goldstion 、Harmon 和Lesk 。他们用几何特征参数来表示人脸正面图象。采用21维特征矢量表示人脸特征，并设计了基于特征表示法的识别系统。第三个阶段是向实用化发展的自动识别阶段。随着高速度高性能计算机的发展，人脸模式的识别方法有了较大改进。 目前国内外研究用于人脸识别的方法层出不穷。但根据人脸表征方式的不同，总体上可分为以下三种：基于几何特征的识别方法、基于代数特征的识别方法和基于连接机制的识别方法。

(1)基于几何特征的人脸正面图象识别方法，将人脸用一组几何特征矢量表示，用模式识别中层次聚类的思想设计分类器达到识别的目的。这要求选取的几何特征矢量有一定的独特性，能够消除时间跨度和光照的影响。几何特征矢量是以人脸器官的形状和几何关系为基础的特征矢量，Govindaraju 等首先利用模板技术成功地检测出报刊图片的人脸轮廓，Huang 和Chen 利用动态模板技术检测出人脸的各种面部特征。(2)基于代数特征的人脸正面自动识别方法，将人脸用代数特征矢量来表示。代数特征是由Hong 等 首先提出的, 由图象本身的灰度分布确定的，它描述了图象的内在信息，它是通过对图象灰度进行各种代数变换和矩阵分解提取出的。杨静宇等对代数特征的提取进行了较深入地研究。这种方法将人脸看作一个二维的灰度变化的模板，从整体上捕捉和描述人脸的特征，所运用的主要是一些标准的数理统计的技巧，运算比较复杂。(3)基于连接机制的人脸正面自动识别方法，将人脸直接用灰度图(二维矩阵) 表征，利用了神经网络的学习能力及分类能力。这种方法的优势在于保存了人脸图象的材质信息和形状信息，同时避免了较为复杂的特征提取工作。但是普遍存在的问题是识别准确率低，过程复杂。 本文从构造实际应用系统的角度，采用基于几何特征的识别方法。具体过程是先根据人脸图象的灰度特性用投影图和特征描述相匹配的方法确定人脸各部分的位置。然后利用投影法和模板匹配方法定位了瞳孔的位置，较准确的提取出眼睛的特征。2 算法描述 特征选取应保证最有代表性、信息量大、冗余量小，而且要求在一定的干扰下，也能保持一定的不变性和适应性。基于这种要求，借鉴前人研究成果，融合本文的实验，将眉眼距、眼鼻距、眼嘴巴距、嘴巴下巴距、两内眦距、鼻孔距、嘴巴长度、眼睛处的脸颊宽度、鼻子处的脸颊宽度及嘴巴处的脸颊宽度作为人脸识别的主要特征，并且将这10个特征分别与瞳孔距之比形成的特征矢量存入数据库中。对这些特征矢量作矢量归一化处理后，可以有效的避免头部偏转引起的偏差。2.1 预处理与特征定位 实验采用400×600×8bit的灰度图

象。首先对图象进行平滑滤波处理，消除噪声。然后利用类间方差判断分析法确定二值化阈值。类间方差判断分析法是指从图象的灰度直方图中把灰度值的几何分布用阈值K 分为两类。然后根据这两类的平均方差(类间方差) 和各类的方差(类内方差) 之比取最大值时所对应的K 值即为二值化阈值。实验结果表明二值化后的图像更有利于特征定位。

由于人眼的灰度特征与人脸其他部位有明显不同，我们采用投影图的方法很容易得到眼睛、鼻子和嘴巴的大致位置。具体的过程如下， 作出人脸图象沿X 坐标方向包含主要特征信息的区域的Y 方向投影图，。其中自顶向下的直线为二值化阈值线。由该线与投影区域的第一个交点作为始点，由此向下经过具有较大灰度变化的曲线后，寻找二值化阈值线与投影区域的交点即为额头点的位置H, 额头的位置不要求很精确，但应保证H 点在眉毛实际位置的上方。然后由投影图确定眉毛、眼睛、鼻子和嘴巴、下巴的大致位置。但考虑到有的人脸照片，前额的头发遮住了眉毛的位置，或者是由于摄影光照的影响致使有些特征的投影图的凸凹性不明显，会给准确识别带来一定困难。因此本文还采用投影图和特征描述相匹配的特征识别树识别方法。 特征识别树识别方法的具体过程是：首先给每个特征一组初始匹配标号，然后在识别树上核实各特征。即由投影图中初定位的6个特征，其标号函数可定义为original ＝{C0,C1....Cn}，人脸待识别的标号集记为Li ＝{L1,L2....L6},它们依次为眉毛、眼睛、鼻子、上嘴唇和嘴巴、下巴，并对每个特征有一定的描述集Lci ＝{Lc1,Lc2,...Lc6}。如果Ci 通过了Lc 中一项Lci 的一致性检测，则Ci∈{Li}。识别树示意。这种一致性检测利用了人脸各器官的相对位置及相对距离的变化范围，各特征区域的灰度分布特点等。

经对200张不同的人脸图象进行实验验证，特征定位的准确率达到96%。为进一步识别提供了必要的条件。2.2 瞳孔的定位及图像标准化 在特征矢量归一化处理中以瞳距作为基准。这是考虑到瞳距作为人脸识别中最稳定的特征，也是最重要的特征。因此瞳距定位的准确性是决定系统识别效率高低的关键。 一般提取眼睛特征都使用的简化模板，即用两条端点重合的抛物线分别近似上下眼皮，在上下眼皮之间加上眼球的模板，用动态模板匹配的方法进行特征提取。但是人眼眼皮的特征曲线并不象抛物线那么规则，且受表情的影响有较多的变化。这样就使得误差较大以致于无法正确描述眼睛的特征。本文考虑到可提取特征的稳定性及其在人脸识别中的作用。确定了瞳距和两眼内眦距作为眼部区域的主要特征。采用了投影法和模板匹配两种方法并行准确定位了瞳孔的位置。同时对上眼皮曲线进行了轮廓跟踪。最后对图像数据进行标准化处理，使系统的通用性和实用性更强。

2.2.1 用投影法确定瞳孔的位置 在眼睛位置处以眉眼距为参数开设局部小窗口。首先对此窗口内的数据 {f(x,y)} 进行自动阈值二值化，平滑消噪处理，然后对这些二值化数据均值作X 方向投影图。设小窗口内的二值化图像数据为f(x, y) ，其中x,y∈S，S 为m×n的窗口。则沿X 方向的平均象素数为：

经计算后的典型数据结果。从图像X 方向的中点分别向左右搜索P(x)最小值点，它所对应的X 坐标即为左右瞳孔在水平方向的位置。

2.2.2 用模板匹配法确定瞳孔的位置图 在眼部区域的小窗口内，利用9×9的模板搜索瞳孔的位置，以左眼为例，模板的表达式如下：

求出最小值的模板数值所对应的X,Y 坐标，即为左眼瞳孔的位置。 LeftPupil(x,y)＝min(D(i.j)) 其中(i.j)∈S,S为左眼搜索区域。Left －Pupil(x,y)所对应的(x,y)即为左眼瞳孔的位置。同样可以求出右眼瞳孔的位置。经过对300张人脸图像的实验验证，这种方法定位瞳孔的准确率为95%，比投影法准确率高。但是投影法定位的运算量小，运行速度快。 对于内眦点的确定，同样在眼部区域的小窗口内对二值化数据进行处理。以左眼为例，搜索左眼区域的最左边的黑点。同时保证这点必须是边界点, 且以 此为起始点搜索出的边界，其像素的个数不可能太少。依次搜索下去直至被搜索的范围内外边界点。最后将边界线进行优化。检测结果。可以看出这样提取出的曲线与眼睛的特征吻合得比较好，有利于

眼睛分类识别。

考虑到待识别的图像中，人脸部分占整个图像的比例不同，即有大头照、标准照之分，以及人脸在图像中位置的差异，使得识别过程数据处理复杂。因此我们在完成上述的定位过程后，对图像数据进行了标准化处理。以瞳距为水平方向的基准，眼睛的位置为垂直方向的基准进行坐标平移。实验验证定位准确率提高了5～10%。 本论文从应用的角度，大量分析了人脸图像数据的灰度分布特性，采用投影图和特征描述相匹配的算法准确地定位了人脸各特征的位置，具有快速、可靠的特点。利用投影法和模板匹配两种方法定位了瞳孔的位置，较准确的提取出眼睛的特征。图像数据标准化处理为特征识别提供了可靠的数据。

人脸特征的定位和提取

摘 要： 综述了人脸识别的现状。基于几何特征的识别方法，根据人脸图象的灰度特性用投影图和特征描述相匹配的算法初步确定了人脸各部分的位置。然后利用投影法和模板匹配法准确地确定了瞳孔的位置及其它面部特征。实验表明该方法准确率高，运行速度快。 关键词： 特征定位 特征提取 类间方差判断分析法 模板匹配

人脸识别的研究近几年受到普遍重视，它与指纹识别、视网膜识别等同属于生物特征识别技术范畴。在公安(犯罪识别等) 、安全验证系统、医学、视频会议、交通量控制等方面有着巨大的应用前景，因而成为当前模式识别和人工智能领域的一个研究热点。虽然人类能毫不费力地识别出人脸及表情，但人脸的自动机器识别却是一个难度极大的课题。人脸识别的研究已有20多年的历史，最早它和指纹识别一道作为识别罪犯身份的手段。但人脸的结构比指纹要复杂得多，并且受很多因素的干扰：人脸表情的多样性、成象过程的光照、图像的尺寸、旋转及姿势的变化等。即使同一个人，在不同的环境下拍摄得到的人脸图像也可能不同。所以至今人脸识别尚未能取得象指纹识别那样令人满意的结果。还没有通用成熟的人脸自动识别系统出现。1 人脸识别的理论研究及发展现状 人脸识别的输入图象通常有正面、倾斜和侧面 三种，由于实际情况的要求，对人脸正面模式的研究最多，它的发展可分为三个阶段。第一阶段以Bertillon 、Allen 和 Parke 为代表，主要研究人脸识别所需的面部特征。这一阶段工作的特点是识别过程全部依赖于操作人员。第二阶段是人机交互识别阶段。代表有Goldstion 、Harmon 和Lesk 。他们用几何特征参数来表示人脸正面图象。采用21维特征矢量表示人脸特征，并设计了基于特征表示法的识别系统。第三个阶段是向实用化发展的自动识别阶段。随着高速度高性能计算机的发展，人脸模式的识别方法有了较大改进。 目前国内外研究用于人脸识别的方法层出不穷。但根据人脸表征方式的不同，总体上可分为以下三种：基于几何特征的识别方法、基于代数特征的识别方法和基于连接机制的识别方法。

(1)基于几何特征的人脸正面图象识别方法，将人脸用一组几何特征矢量表示，用模式识别中层次聚类的思想设计分类器达到识别的目的。这要求选取的几何特征矢量有一定的独特性，能够消除时间跨度和光照的影响。几何特征矢量是以人脸器官的形状和几何关系为基础的特征矢量，Govindaraju 等首先利用模板技术成功地检测出报刊图片的人脸轮廓，Huang 和Chen 利用动态模板技术检测出人脸的各种面部特征。(2)基于代数特征的人脸正面自动识别方法，将人脸用代数特征矢量来表示。代数特征是由Hong 等 首先提出的, 由图象本身的灰度分布确定的，它描述了图象的内在信息，它是通过对图象灰度进行各种代数变换和矩阵分解提取出的。杨静宇等对代数特征的提取进行了较深入地研究。这种方法将人脸看作一个二维的灰度变化的模板，从整体上捕捉和描述人脸的特征，所运用的主要是一些标准的数理统计的技巧，运算比较复杂。(3)基于连接机制的人脸正面自动识别方法，将人脸直接用灰度图(二维矩阵) 表征，利用了神经网络的学习能力及分类能力。这种方法的优势在于保存了人脸图象的材质信息和形状信息，同时避免了较为复杂的特征提取工作。但是普遍存在的问题是识别准确率低，过程复杂。 本文从构造实际应用系统的角度，采用基于几何特征的识别方法。具体过程是先根据人脸图象的灰度特性用投影图和特征描述相匹配的方法确定人脸各部分的位置。然后利用投影法和模板匹配方法定位了瞳孔的位置，较准确的提取出眼睛的特征。2 算法描述 特征选取应保证最有代表性、信息量大、冗余量小，而且要求在一定的干扰下，也能保持一定的不变性和适应性。基于这种要求，借鉴前人研究成果，融合本文的实验，将眉眼距、眼鼻距、眼嘴巴距、嘴巴下巴距、两内眦距、鼻孔距、嘴巴长度、眼睛处的脸颊宽度、鼻子处的脸颊宽度及嘴巴处的脸颊宽度作为人脸识别的主要特征，并且将这10个特征分别与瞳孔距之比形成的特征矢量存入数据库中。对这些特征矢量作矢量归一化处理后，可以有效的避免头部偏转引起的偏差。2.1 预处理与特征定位 实验采用400×600×8bit的灰度图

象。首先对图象进行平滑滤波处理，消除噪声。然后利用类间方差判断分析法确定二值化阈值。类间方差判断分析法是指从图象的灰度直方图中把灰度值的几何分布用阈值K 分为两类。然后根据这两类的平均方差(类间方差) 和各类的方差(类内方差) 之比取最大值时所对应的K 值即为二值化阈值。实验结果表明二值化后的图像更有利于特征定位。

由于人眼的灰度特征与人脸其他部位有明显不同，我们采用投影图的方法很容易得到眼睛、鼻子和嘴巴的大致位置。具体的过程如下， 作出人脸图象沿X 坐标方向包含主要特征信息的区域的Y 方向投影图，。其中自顶向下的直线为二值化阈值线。由该线与投影区域的第一个交点作为始点，由此向下经过具有较大灰度变化的曲线后，寻找二值化阈值线与投影区域的交点即为额头点的位置H, 额头的位置不要求很精确，但应保证H 点在眉毛实际位置的上方。然后由投影图确定眉毛、眼睛、鼻子和嘴巴、下巴的大致位置。但考虑到有的人脸照片，前额的头发遮住了眉毛的位置，或者是由于摄影光照的影响致使有些特征的投影图的凸凹性不明显，会给准确识别带来一定困难。因此本文还采用投影图和特征描述相匹配的特征识别树识别方法。 特征识别树识别方法的具体过程是：首先给每个特征一组初始匹配标号，然后在识别树上核实各特征。即由投影图中初定位的6个特征，其标号函数可定义为original ＝{C0,C1....Cn}，人脸待识别的标号集记为Li ＝{L1,L2....L6},它们依次为眉毛、眼睛、鼻子、上嘴唇和嘴巴、下巴，并对每个特征有一定的描述集Lci ＝{Lc1,Lc2,...Lc6}。如果Ci 通过了Lc 中一项Lci 的一致性检测，则Ci∈{Li}。识别树示意。这种一致性检测利用了人脸各器官的相对位置及相对距离的变化范围，各特征区域的灰度分布特点等。

经对200张不同的人脸图象进行实验验证，特征定位的准确率达到96%。为进一步识别提供了必要的条件。2.2 瞳孔的定位及图像标准化 在特征矢量归一化处理中以瞳距作为基准。这是考虑到瞳距作为人脸识别中最稳定的特征，也是最重要的特征。因此瞳距定位的准确性是决定系统识别效率高低的关键。 一般提取眼睛特征都使用的简化模板，即用两条端点重合的抛物线分别近似上下眼皮，在上下眼皮之间加上眼球的模板，用动态模板匹配的方法进行特征提取。但是人眼眼皮的特征曲线并不象抛物线那么规则，且受表情的影响有较多的变化。这样就使得误差较大以致于无法正确描述眼睛的特征。本文考虑到可提取特征的稳定性及其在人脸识别中的作用。确定了瞳距和两眼内眦距作为眼部区域的主要特征。采用了投影法和模板匹配两种方法并行准确定位了瞳孔的位置。同时对上眼皮曲线进行了轮廓跟踪。最后对图像数据进行标准化处理，使系统的通用性和实用性更强。

2.2.1 用投影法确定瞳孔的位置 在眼睛位置处以眉眼距为参数开设局部小窗口。首先对此窗口内的数据 {f(x,y)} 进行自动阈值二值化，平滑消噪处理，然后对这些二值化数据均值作X 方向投影图。设小窗口内的二值化图像数据为f(x, y) ，其中x,y∈S，S 为m×n的窗口。则沿X 方向的平均象素数为：

经计算后的典型数据结果。从图像X 方向的中点分别向左右搜索P(x)最小值点，它所对应的X 坐标即为左右瞳孔在水平方向的位置。

2.2.2 用模板匹配法确定瞳孔的位置图 在眼部区域的小窗口内，利用9×9的模板搜索瞳孔的位置，以左眼为例，模板的表达式如下：

求出最小值的模板数值所对应的X,Y 坐标，即为左眼瞳孔的位置。 LeftPupil(x,y)＝min(D(i.j)) 其中(i.j)∈S,S为左眼搜索区域。Left －Pupil(x,y)所对应的(x,y)即为左眼瞳孔的位置。同样可以求出右眼瞳孔的位置。经过对300张人脸图像的实验验证，这种方法定位瞳孔的准确率为95%，比投影法准确率高。但是投影法定位的运算量小，运行速度快。 对于内眦点的确定，同样在眼部区域的小窗口内对二值化数据进行处理。以左眼为例，搜索左眼区域的最左边的黑点。同时保证这点必须是边界点, 且以 此为起始点搜索出的边界，其像素的个数不可能太少。依次搜索下去直至被搜索的范围内外边界点。最后将边界线进行优化。检测结果。可以看出这样提取出的曲线与眼睛的特征吻合得比较好，有利于

眼睛分类识别。

考虑到待识别的图像中，人脸部分占整个图像的比例不同，即有大头照、标准照之分，以及人脸在图像中位置的差异，使得识别过程数据处理复杂。因此我们在完成上述的定位过程后，对图像数据进行了标准化处理。以瞳距为水平方向的基准，眼睛的位置为垂直方向的基准进行坐标平移。实验验证定位准确率提高了5～10%。 本论文从应用的角度，大量分析了人脸图像数据的灰度分布特性，采用投影图和特征描述相匹配的算法准确地定位了人脸各特征的位置，具有快速、可靠的特点。利用投影法和模板匹配两种方法定位了瞳孔的位置，较准确的提取出眼睛的特征。图像数据标准化处理为特征识别提供了可靠的数据。