郭清宇，付志軍

（中原工學院，鄭州450007）

基于二維圖像的人臉面部特征點定位與提取

郭清宇，付志軍

（中原工學院，鄭州450007）

提出了一種人臉面部特征點定位與提取的方法.利用該方法，在人臉預處理基礎(chǔ)上，通過人臉分割、基于水平方向Prewitt算子模版的邊緣檢測和積分投影技術(shù)，可以快速有效地提取眼睛、鼻子和嘴巴等特征點信息.實驗表明，該方法可以校正人臉傾斜并具有較高的準確率.

積分投影；人臉特征點；特征提取

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

目前，人臉特征提取的方法主要分為三類：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，通過邊緣檢測、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

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

對于整體圖像偏暗、偏亮等情況，可采用直方圖均衡化方法進行預處理，從而達到增強圖像的目的.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；Sk為輸出圖像的灰度級；n為總的像素個數(shù)；L為灰度級總數(shù)；nj為灰度級rj的像素個數(shù).

對于局部光照不均勻的圖像，可以采用傳統(tǒng)空域方法，基于局部對比度特點進行校正.但這種方法未考慮圖像頻率特征，有一定局限性.實驗表明，對于局部光照不均勻的人臉圖像，采用同態(tài)濾波增強算法處理效果較好.

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

其中，反射場r（x，y）包含了圖像細節(jié)和特征，頻譜主要集中于高端；入射場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.由于兩個函數(shù)乘積的傅里葉變換不可分，故對式（2）兩端取對數(shù)，得到：

將式（3）兩端進行傅里葉變換，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）對其進行高通濾波，本文采用傳統(tǒng)的Butterworth高通濾波器.濾波后得到：對濾波完成后的結(jié)果進行反傅里葉變換，再進行指數(shù)變換，就得到了處理后的圖像.

實驗證明，通過對原始圖像進行上述處理后，圖像的質(zhì)量得到明顯的改善，如圖1所示.

圖1 圖像預處理

2 人臉分割

為了把人臉從整幅圖像中分割出來，本文采用了區(qū)域生長方式.區(qū)域生長可以利用圖像的梯度、方差等信息，對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個區(qū)域Rj，在Rj中選出一顆種子像素p（i，j），增長區(qū)域Tj的像素個數(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，分別計算p（i，j）與它的8個相鄰域像素的梯度值：

當G小于給定的門限值θ時，生長區(qū)域Tj的像素個數(shù)增加1，然后對增加的像素進行標記，這樣依次迭代，就可以把圖像分割成小于或等于2 N個區(qū)域.對于相鄰的區(qū)域邊界，采用腐蝕操作，消除弱邊界，然后對分割出的人臉圖像進行開運算和閉運算，平滑區(qū)域增長的人臉圖像并消除噪聲，最終確定出人臉的基本輪廓.

3 人臉主要特征點的粗略定位

3.1 邊緣檢測與二值化

在對人臉精確定位后，利用邊緣檢測的辦法來確定人臉的大致輪廓.邊緣檢測對于灰度級間斷的檢測是最普通的檢測方法.經(jīng)實驗驗證，采用二階的拉普拉斯算子進行邊緣檢測的效果比較好.本文采用3＊3的拉普拉斯算子，其模版為：

然后對邊緣檢測后的圖像進行二值化.二值化可以保留有效信息，且簡化了運算.本文采用類間方差分析法將灰度值分為0和255兩類.選取閾值，使?jié)M足類間方差與各類方差的比值最大.這樣的方法可以突出特征點、弱化噪聲的影響，從而使后續(xù)的灰度投影結(jié)果更加準確，有利于特征點定位.邊緣檢測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應的二值化圖像

3.2 垂直積分投影和水平積分投影計算

由于特征點所在區(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確定特征點的位置.人臉部的特征點對應于積分投影曲線的某個波峰或波谷區(qū)域，由此可以粗略檢測出人眼、鼻子和嘴巴的位置.所以在進行人臉定位后，用積分投影進行特征定位.

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進行檢測，這種方法本質(zhì)上是一種統(tǒng)計方法，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灰度值進行累加后再顯示，而垂直積分投影就是將一列像素點的灰度值進行累加后再顯示.本實驗積分投影圖如圖3所示.

圖3 積分投影圖

先計算圖像的垂直積分投影，獲取人臉的左右邊界，然后對左右邊界內(nèi)的人臉圖像進行水平積分投影.由圖3c可以看出，垂直積分投影左右兩側(cè)各有一個較深的波谷，而波谷中間的部分恰好對應人臉部區(qū)域，由此可以預測出人臉部區(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、下顎的邊界.

實驗表明，灰度投影上不同的波谷對應著不同的投影特征點的區(qū)域位置（見圖3）.水平投影的幾個較深的有效波谷正好對應眉毛、眼睛、鼻子、嘴巴在垂直方向的區(qū)域位置；垂直投影中，3個較深的有效波谷正好對應眼睛、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)上對人眼進行精確定位.首先用拉普拉斯算子對人眼區(qū)域邊緣檢測，提取出左右眼邊緣圖像，對提取出的邊緣圖像進行水平積分投影，確定左右眼的左右邊界，再對左右邊界內(nèi)的邊緣圖像進行垂直積分投影，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個像素的圓為眼睛模板，來搜索眼睛上下左右界限以內(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，即圓的中心點，如果圓內(nèi)的平均灰度值小于圓外的平均灰度值時，則圓的邊緣點就被接受為可能的瞳孔邊界點，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)這個角度，可以計算出人臉的傾斜度指標，根據(jù)這個傾斜度對人臉進行適當?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算子對于鼻子區(qū)域進行邊緣檢測.對于提取出的邊緣圖像進行垂直積分投影，在積分投影的兩側(cè)有明顯的高值點，這兩個點即鼻子的左右兩個鼻孔位置；對左右鼻孔的坐標取均值，得出的結(jié)果即是鼻尖的位置坐標.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嘴角的定位準確度.嘴角的定位與鼻尖定位相似，先對嘴巴區(qū)域進行水平積分投影，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于水平方向敏感，因此同樣采用水平方向的Prewitt算子進行邊緣檢測，然后對提取出的邊緣圖像進行垂直積分投影，在積分投影的兩側(cè)的高值點即是兩個嘴角所在的位置.

實驗結(jié)果如圖4所示.

圖4 人臉特征提取

5 結(jié) 語

在core i7PC機上進行實驗，定位正確率達到90%，且比未進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，通過直方圖均衡化、圖像分割、邊緣檢測等手段，提高了定位準確率.在進行鼻尖以及嘴巴精確定位時采用水平方向Prewitt算子模板進行邊緣檢測，增強了定位的精確度，克服了傳統(tǒng)方法中針對這兩個受光照影響較大的部位定位不準確的缺陷，為準確進行人臉識別奠定了基礎(chǔ).

［1］ 徐全生，李美怡.人臉圖像特征點的定位與提取方法的研究［J］.沈陽工業(yè)大學學報，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.人臉識別系統(tǒng)中的特征提?。跩］.北方交通大學學報，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］.長春工業(yè)大學學報，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.