基于二維圖像的人臉面部特征點(diǎn)定位與提取

郭清宇，付志軍

（中原工學(xué)院，鄭州450007）

基于二維圖像的人臉面部特征點(diǎn)定位與提取

郭清宇，付志軍

（中原工學(xué)院，鄭州450007）

提出了一種人臉面部特征點(diǎn)定位與提取的方法.利用該方法，在人臉預(yù)處理基礎(chǔ)上，通過(guò)人臉?lè)指睢⒒谒椒较騊rewitt算子模版的邊緣檢測(cè)和積分投影技術(shù)，可以快速有效地提取眼睛、鼻子和嘴巴等特征點(diǎn)信息.實(shí)驗(yàn)表明，該方法可以校正人臉傾斜并具有較高的準(zhǔn)確率.

積分投影；人臉特征點(diǎn)；特征提取

人臉識(shí)別是利用計(jì)算機(jī)技術(shù)和數(shù)字圖像處理理論辨認(rèn)身份的一種生物特征識(shí)別技術(shù)，在安全驗(yàn)證系統(tǒng)、刑偵破案和人機(jī)交互等方面有著巨大的應(yīng)用前景，一直是模式識(shí)別、人工智能和計(jì)算機(jī)視覺(jué)等研究領(lǐng)域的一個(gè)研究熱點(diǎn)［1］.研究人員已提出了多種不同的人臉識(shí)別方法，這些方法一般都包括圖像預(yù)處理、特征提取和人臉識(shí)別三個(gè)步驟.其中，人臉圖像的分割、主要器官的定位以及特征點(diǎn)提取是人臉識(shí)別的基礎(chǔ).

目前，人臉特征提取的方法主要分為三類(lèi)：基于幾何特征的方法［2］、基于模板匹配的方法［3］和基于模型的方法［4］.本文采用了第一種人臉特征提取方法，通過(guò)邊緣檢測(cè)、二值化、水平和垂直積分投影技術(shù)，可以快速、有效地確定出人臉主要器官，眼睛、鼻子和嘴巴的位置.

1 人臉圖像增強(qiáng)

由于待處理的人臉圖像經(jīng)常會(huì)存在光照不均勻和噪聲干擾等問(wèn)題，直接處理圖片會(huì)影響到人臉圖像的邊緣檢測(cè)，從而降低特征提取精度，因此必須對(duì)輸入的圖像進(jìn)行相應(yīng)的校正處理，以改善圖像質(zhì)量［5］.

對(duì)于整體圖像偏暗、偏亮等情況，可采用直方圖均衡化方法進(jìn)行預(yù)處理，從而達(dá)到增強(qiáng)圖像的目的.直方圖均衡化的變換函數(shù)為：

其中：rk為輸入圖像的灰度級(jí)；Sk為輸出圖像的灰度級(jí)；n為總的像素個(gè)數(shù)；L為灰度級(jí)總數(shù)；nj為灰度級(jí)rj的像素個(gè)數(shù).

對(duì)于局部光照不均勻的圖像，可以采用傳統(tǒng)空域方法，基于局部對(duì)比度特點(diǎn)進(jìn)行校正.但這種方法未考慮圖像頻率特征，有一定局限性.實(shí)驗(yàn)表明，對(duì)于局部光照不均勻的人臉圖像，采用同態(tài)濾波增強(qiáng)算法處理效果較好.

數(shù)字圖像f （x，y）可表示為入射場(chǎng)i（x，y）和反射場(chǎng)r（x，y）之乘積，即：

其中，反射場(chǎng)r（x，y）包含了圖像細(xì)節(jié)和特征，頻譜主要集中于高端；入射場(chǎng)i（x，y）頻譜主要集中于低端，反映了圖像的成像條件.因此，如能壓低低頻段，提高高頻段，就可有效減少光照不均勻?qū)D像造成的影響.由于兩個(gè)函數(shù)乘積的傅里葉變換不可分，故對(duì)式（2）兩端取對(duì)數(shù)，得到：

將式（3）兩端進(jìn)行傅里葉變換，得到：

將式（4）用式（5）表示：

為了降低低頻成分，使用高通濾波函數(shù)H（u，v）對(duì)其進(jìn)行高通濾波，本文采用傳統(tǒng)的Butterworth高通濾波器.濾波后得到：對(duì)濾波完成后的結(jié)果進(jìn)行反傅里葉變換，再進(jìn)行指數(shù)變換，就得到了處理后的圖像.

實(shí)驗(yàn)證明，通過(guò)對(duì)原始圖像進(jìn)行上述處理后，圖像的質(zhì)量得到明顯的改善，如圖1所示.

圖1 圖像預(yù)處理

2 人臉?lè)指?/h2>

為了把人臉從整幅圖像中分割出來(lái)，本文采用了區(qū)域生長(zhǎng)方式.區(qū)域生長(zhǎng)可以利用圖像的梯度、方差等信息，對(duì)人臉圖像的分割顯示了良好的性能.把一幅人臉圖像以大小相同的份額分成N個(gè)區(qū)域Rj，在Rj中選出一顆種子像素p（i，j），增長(zhǎng)區(qū)域Tj的像素個(gè)數(shù)初始化為1，定義能反映該區(qū)域內(nèi)成員隸屬程度的梯度參數(shù)G，分別計(jì)算p（i，j）與它的8個(gè)相鄰域像素的梯度值：

當(dāng)G小于給定的門(mén)限值θ時(shí)，生長(zhǎng)區(qū)域Tj的像素個(gè)數(shù)增加1，然后對(duì)增加的像素進(jìn)行標(biāo)記，這樣依次迭代，就可以把圖像分割成小于或等于2 N個(gè)區(qū)域.對(duì)于相鄰的區(qū)域邊界，采用腐蝕操作，消除弱邊界，然后對(duì)分割出的人臉圖像進(jìn)行開(kāi)運(yùn)算和閉運(yùn)算，平滑區(qū)域增長(zhǎng)的人臉圖像并消除噪聲，最終確定出人臉的基本輪廓.

3 人臉主要特征點(diǎn)的粗略定位

3.1 邊緣檢測(cè)與二值化

在對(duì)人臉精確定位后，利用邊緣檢測(cè)的辦法來(lái)確定人臉的大致輪廓.邊緣檢測(cè)對(duì)于灰度級(jí)間斷的檢測(cè)是最普通的檢測(cè)方法.經(jīng)實(shí)驗(yàn)驗(yàn)證，采用二階的拉普拉斯算子進(jìn)行邊緣檢測(cè)的效果比較好.本文采用3＊3的拉普拉斯算子，其模版為：

然后對(duì)邊緣檢測(cè)后的圖像進(jìn)行二值化.二值化可以保留有效信息，且簡(jiǎn)化了運(yùn)算.本文采用類(lèi)間方差分析法將灰度值分為0和255兩類(lèi).選取閾值，使?jié)M足類(lèi)間方差與各類(lèi)方差的比值最大.這樣的方法可以突出特征點(diǎn)、弱化噪聲的影響，從而使后續(xù)的灰度投影結(jié)果更加準(zhǔn)確，有利于特征點(diǎn)定位.邊緣檢測(cè)和二值化后的效果如圖2所示.

圖2 人臉精確定位后的圖像及其對(duì)應(yīng)的二值化圖像

3.2 垂直積分投影和水平積分投影計(jì)算

由于特征點(diǎn)所在區(qū)域的灰度特征與人臉部其他部分有明顯的不同［6］，因此可以采用積分投影的方法來(lái)確定特征點(diǎn)的位置.人臉部的特征點(diǎn)對(duì)應(yīng)于積分投影曲線的某個(gè)波峰或波谷區(qū)域，由此可以粗略檢測(cè)出人眼、鼻子和嘴巴的位置.所以在進(jìn)行人臉定位后，用積分投影進(jìn)行特征定位.

積分投影的方法是根據(jù)圖像在某些方向上的投影分布特征來(lái)進(jìn)行檢測(cè)，這種方法本質(zhì)上是一種統(tǒng)計(jì)方法，主要有水平積分投影和垂直積分投影：

式中：（x，y）表示像素所在的位置；I（x，y）表示該像素點(diǎn)的灰度值；x1、x2、y1、y2分別表示圖像的左右上下像素邊界；V（x）表示水平積分投影；H（y）表示垂直積分投影.

由式（5）可以看出，水平積分投影就是將一行的像素點(diǎn)灰度值進(jìn)行累加后再顯示，而垂直積分投影就是將一列像素點(diǎn)的灰度值進(jìn)行累加后再顯示.本實(shí)驗(yàn)積分投影圖如圖3所示.

圖3 積分投影圖

先計(jì)算圖像的垂直積分投影，獲取人臉的左右邊界，然后對(duì)左右邊界內(nèi)的人臉圖像進(jìn)行水平積分投影.由圖3c可以看出，垂直積分投影左右兩側(cè)各有一個(gè)較深的波谷，而波谷中間的部分恰好對(duì)應(yīng)人臉部區(qū)域，由此可以預(yù)測(cè)出人臉部區(qū)域在水平方向的大致范圍.然后，在確定出的人臉左右邊界內(nèi)進(jìn)行水平積分投影.根據(jù)投影后結(jié)果可以快速地確定頭頂點(diǎn)、下顎的邊界.

實(shí)驗(yàn)表明，灰度投影上不同的波谷對(duì)應(yīng)著不同的投影特征點(diǎn)的區(qū)域位置（見(jiàn)圖3）.水平投影的幾個(gè)較深的有效波谷正好對(duì)應(yīng)眉毛、眼睛、鼻子、嘴巴在垂直方向的區(qū)域位置；垂直投影中，3個(gè)較深的有效波谷正好對(duì)應(yīng)眼睛、嘴巴在水平方向的區(qū)域位置.由此可以確定出雙眼、鼻子、嘴巴的區(qū)域位置.

4 人臉主要特征點(diǎn)的精確定位

4.1 人眼的精確定位

（1）眼角的定位.在粗略定位的基礎(chǔ)上對(duì)人眼進(jìn)行精確定位.首先用拉普拉斯算子對(duì)人眼區(qū)域邊緣檢測(cè)，提取出左右眼邊緣圖像，對(duì)提取出的邊緣圖像進(jìn)行水平積分投影，確定左右眼的左右邊界，再對(duì)左右邊界內(nèi)的邊緣圖像進(jìn)行垂直積分投影，從垂直梯度圖中可以判斷出符合雙眼投影的水平區(qū)域，從而確定左右眼眼角的位置.

（2）瞳孔的定位.為了精確定位出瞳孔的位置，采用眼睛模板來(lái)搜索瞳孔的邊界.由于瞳孔位置的圓普遍比四周的灰度值高，因此，我們采用半徑在3～5個(gè)像素的圓為眼睛模板，來(lái)搜索眼睛上下左右界限以?xún)?nèi)的眼睛區(qū)域.假定每只眼的左右眼角的中間位置分別是左右眼瞳孔的中心點(diǎn)，即圓的中心點(diǎn)，如果圓內(nèi)的平均灰度值小于圓外的平均灰度值時(shí)，則圓的邊緣點(diǎn)就被接受為可能的瞳孔邊界點(diǎn)，否則就被忽略.由此，可以精確定位出人眼瞳孔的位置.

（3）傾斜角度矯正.眼睛的位置確定后，利用兩個(gè)瞳孔之間連線的直線可以確定出人臉傾斜的角度，根據(jù)這個(gè)角度，可以計(jì)算出人臉的傾斜度指標(biāo)，根據(jù)這個(gè)傾斜度對(duì)人臉進(jìn)行適當(dāng)?shù)男D(zhuǎn)調(diào)整.

4.2 鼻尖的精確定位

通常情況下，正面人臉圖像受光照影響，鼻梁部位比較亮，鼻兩側(cè)比較暗，對(duì)于水平方向灰度投影比較敏感，因此采用水平方向的Prewitt算子對(duì)于鼻子區(qū)域進(jìn)行邊緣檢測(cè).對(duì)于提取出的邊緣圖像進(jìn)行垂直積分投影，在積分投影的兩側(cè)有明顯的高值點(diǎn)，這兩個(gè)點(diǎn)即鼻子的左右兩個(gè)鼻孔位置；對(duì)左右鼻孔的坐標(biāo)取均值，得出的結(jié)果即是鼻尖的位置坐標(biāo).Prewitt算子的模板如下所示.

4.3 嘴角的精確定位

嘴巴的定位精確度取決于兩個(gè)嘴角的定位準(zhǔn)確度.嘴角的定位與鼻尖定位相似，先對(duì)嘴巴區(qū)域進(jìn)行水平積分投影，確定嘴巴的上下邊界，從而消除嘴巴下沿灰色區(qū)域?qū)τ诙ㄎ坏挠绊?由分析可知，嘴巴中間的陰影部分灰度特征對(duì)于水平方向敏感，因此同樣采用水平方向的Prewitt算子進(jìn)行邊緣檢測(cè)，然后對(duì)提取出的邊緣圖像進(jìn)行垂直積分投影，在積分投影的兩側(cè)的高值點(diǎn)即是兩個(gè)嘴角所在的位置.

實(shí)驗(yàn)結(jié)果如圖4所示.

圖4 人臉特征提取

5 結(jié) 語(yǔ)

在core i7PC機(jī)上進(jìn)行實(shí)驗(yàn)，定位正確率達(dá)到90%，且比未進(jìn)行直方圖均衡化的正確率提高5%，比未消除光照等因素影響的正確率提高7%.結(jié)果表明，通過(guò)直方圖均衡化、圖像分割、邊緣檢測(cè)等手段，提高了定位準(zhǔn)確率.在進(jìn)行鼻尖以及嘴巴精確定位時(shí)采用水平方向Prewitt算子模板進(jìn)行邊緣檢測(cè)，增強(qiáng)了定位的精確度，克服了傳統(tǒng)方法中針對(duì)這兩個(gè)受光照影響較大的部位定位不準(zhǔn)確的缺陷，為準(zhǔn)確進(jìn)行人臉識(shí)別奠定了基礎(chǔ).

［1］ 徐全生，李美怡.人臉圖像特征點(diǎn)的定位與提取方法的研究［J］.沈陽(yáng)工業(yè)大學(xué)學(xué)報(bào)，2007，29（1）：90－94.

［2］ Hong Ziquan.Algebraic Feature Extraction of Image for Recognition［J］.Pattern Recognition，1991，24（3）：211－219.

［3］ Lee S Y，Ham Y K，Park R H.Recognition of Human Front Faces Using Knowledge－based Feature Extraction and Neuro－Fuzzy Alognrigthm［J］.Pattern Recogntion，1996，29（11）：1863－1876.

［4］ Chow G，Li X.Towards a System for／Automatic Facial Feature Detection［J］.Pattern Recognition，1993，26（12）：1739－1775.

［5］ 李華勝，楊樺，袁寶宗.人臉識(shí)別系統(tǒng)中的特征提取［J］.北方交通大學(xué)學(xué)報(bào)，2001，25（2）：18－21.

［6］ 宋宇，劉美麗，龐柏梅.一種人臉面部特征的提取方法［J］.長(zhǎng)春工業(yè)大學(xué)學(xué)報(bào)，2009，30（6）：679－682.

The Location and Extraction for Features of Human Face Based on Images

GUO Qing－yu，F(xiàn)U Zhi－jun
（Zhongyuan University of Technology，Zhengzhou 450007，China）

An algorithm has been proposed in this paper，which is based on the horizontal Prewitt edge detection algorithm.It includes region growing and integral projection methods，which is proved can extract the face feature point such as eyes and mouth fast and efficiently and it is also proved that face incline can be calibrated and has high nicety rate.

integral projection；face feature point；the extraction of face feature

TP391.4

A

10.3969／j.issn.1671－6906.2011.05.015

1671－6906（2011）05－0057－04

2011－09－25

郭清宇（1956－），男，河南鄭州人，教授.