人臉特征提取的快速算法實現

臺州職業技術學院 蔣開偉 蔣玲玲 孫凌杰

1.引言

最近幾年來，隨著計算機技術的發展，人臉識別研究引起了學術界越來越多的關注。而在眾多研究方向中，研究最多的是關于人臉正面模式的研究，主要可以分為三個發展階段：

第一階段是對人臉識別所需要的面部特征進行研究。這個階段主要是將一個簡單命令語句與數據庫中某一張臉聯系在一起，并采用與指紋分析技術相結合的方法，由被測實驗來看取得了較好的識別效果。但是為了提高臉部識別率，操作人員的操作貫穿于整個識別過程，而并未采用自動識別系統進行操作。

第二階段是人機交互式識別階段。科研人員在這一階段對人臉正面圖像主要采用幾何特征參數來表示，并且將人臉面部特征采用特征矢量來表示，而且針對這種特征表示方法，設計了相應的識別系統。不過這個階段仍然需要利用操作員的某些經驗知識，還是需要工作人員的參與。

第三階段是自動識別階段，近幾年的人臉模式識別方法，隨著計算機計算速度的加快，有了較大的突破，幾種全自動機器識別系統已經被應用。根據人臉表征方式的不同，可以分為三種人臉自動識別方法，即基于連接機制的識別方法、基于幾何特征的識別方法和基于代數特征的識別方法。

本文將著重介紹一種算法，能夠快速、簡便的方式提識別出人臉的器官特征。

2.人臉特征及邊緣檢測技術

2.1 人臉特征

（1）膚色特征

膚色不依賴于面部的細節特征，它是人臉的重要信息，并且不會由于表情的變化而產生變化，具有相對的穩定性。所以人臉檢測中通常采用膚色特征進行檢驗。一般情況下，主要由膚色特征來對膚色模型進行描述，而膚色模型的選擇又需要依據色度空間變化。我們通常可以從色度空間中的“膚色”與“非膚色”區域重疊的多少、描述“膚色”區域的分布兩個方面來選擇色度空間。而混合高斯模型、高斯模型和直方圖模型是我們通常采用的膚色模型。

（2）灰度特征

人臉模式的特征包括灰度特征和膚色特征。輪廓是人頭部的重要特征，而人臉區域內的各個器官(如雙眼、鼻子、嘴等)具有自己獨特的灰度分布特征。我們可以將人臉區域的灰度本身作為特征模板，選取僅包含鼻子、雙眼和嘴的面部中心區域的某些特性參數，作為人臉特征模板的共性特征，并且忽略頭發、臉頰等會產生很大變化的部分。基于統計學習的人臉檢測方法會經常用到這種方法。

2.2 邊緣檢測技術

邊緣是圖像最基本的特征，具有灰度值不連續的性質，存在于圖像中的物體與背景、物體與物體之間，即不同灰度值的相鄰區域之間，包含了目標物體邊界的三個主要信息（邊緣法線方向、邊緣方向、邊緣強度）。

邊緣檢測是基于圖像中的目標或物體邊界的，它通過對圖像中的所有像素點計算一階或二階的數字導數來實現，圖像中物體的邊緣通常是像素灰度值急劇變化之處，這種變化可以抽象為階躍信號。利用一階導數的最大值能夠檢測出圖像中邊緣像素點。

邊緣檢測算子是通過對圖像中每個像素點的領域的灰度值變化率的量化來提取邊界的。它采用基于梯度的3×3卷積模板，將模板在圖像中移動，并將圖像中的每一個像素點與此模板進行卷積，得到每個像素點的響應R，用R來表征每個像素點的領域灰度值變化率，即灰度梯度值，從而可將灰度圖像轉化為梯度圖像。模板系數wi（i=1，2，…，9）相加的總和必須為零，以確保在灰度級不變的區域中，模板的響應為零。

設圖像f（x，y）在像素點（x，y）的梯度向量為：

選取2×2或3×3的兩個小區域卷積模板分別近似計算Gx和Gy。常用的一階導數算子有羅伯特（Robert）邊緣檢測算子、普瑞維特（Prewitt）邊緣檢測算子和索貝爾（Sobel）邊緣檢測算子。表1、表2及表3分別是相應的算子模板。

表1 Robert邊緣檢測算子模板

表2 Pewitt邊緣檢測算子模板

表3 Sobel邊緣檢測算子模板

3.算法思路

算法的思路大致分為兩步，首先根據膚色和頭發的特征確定臉部的大致區域，然后通過邊緣檢測算法檢測出具體的五官位置。

研究表明人臉的膚色在三基色空間中具有如下要求：

(1)T=R+G+B；r=R/T；g=G/T；R，G，B分別是三基色值

(2)0.246g；g>=0.5×(1-r)

頭發的顏色在三基色空間中通常有如下要求：

(1)gray=R×0.3+G×0.59+B×0.11

(2)gray<45

為了這些算法的準確性，對于頭發和臉部區域的確定采用統計的方式，即水平和垂直直方圖方式來確定。

臉部和五官的輪廓則通過Prewitt邊緣檢測算子來實現邊緣檢測。同樣對于邊緣信息也采用直方圖統計的方式來確定。

4.實驗及分析

圖1是對BMP圖片進行膚色和頭發特征算法處理后的結果。能夠很清晰的提取出頭發和臉部膚色的區域。然后通過水平和垂直直方圖就能夠大致確定出臉部的區域，如圖2所示，藍色部分為臉部膚色直方圖，綠色為頭發直方圖。

圖1 膚色和頭發特征算法處理結果

圖2 頭發和臉部膚色直方圖

圖3是采用Prewitt邊緣檢測算子得到的梯度圖像，能夠清晰的得到物體的邊緣信息，當然，在得到梯度圖之前需要將原始的BMP圖做灰度處理。只要結合上述確定的臉部區域，就能排除臉部以外的邊緣信息的干擾。圖4是眼睛、嘴巴以及鼻子邊緣信息的直方圖，我們可以根據這些直方圖信息確定出這些器官的具體位置，從而就能夠提取出人臉的基本特征。

圖3 梯度圖

圖4 臉部器官邊緣直方圖

5.結束語

上述算法能夠高效的運行在基于Android系統的手機中，對于提取正面的臉部器官信息具有很好的精確度。可以使之推廣應用于人臉相關的應用中去。該算法由于采用人臉膚色特征作為區域確定前提，因此，要求人臉圖像的背景不能過于接近膚色，否則影響檢測精確度。

[1]侯鯤.人臉識別技術的現狀和發展趨勢[J].科協論壇(下半月),2010(11).

[2]游福成.數字圖像處理[M].電子工業出版社,2011.

[3]趙振勇.人臉圖像的特征提取[J].計算機技術與發展,2007(05).

[4]梁路宏.基于人臉檢測的人臉跟蹤算法[J].計算機工程與應用,2001.

[5]金忠.人臉圖像的自動校準算法[J].數據采集與處,1999.

[6]王靜儒.基于知識的人面器官邊緣檢測及特征抽取[J].模式識別與人工智能,1999.

[7]黃修武.圖像隸屬度及其在人臉識別中的應用[J].計算機研究與發展,1998.

[8]章高清.人臉的層次化描述模型及識別研究[J].計算機研究與發展,1999.

[9]周激流.人臉面部模式自動識別方法研究[J].四川大學學報,1993.