摘要：主要研究基于人臉局部形狀特征分類的方法，首先利用AAM的人臉形狀特征點定位算法，提取出有用的人臉特征點，構(gòu)成人臉下顎形狀、眉毛、眼睛、鼻子和嘴巴的局部形狀特征；然后采用基于形態(tài)面指數(shù)和下顎寬指數(shù)的ISODATA方法進行自動聚類，實現(xiàn)了百萬量級人臉照片庫的自動分類，有助于進一步提高人臉識別查詢的速度和精度。

關(guān)鍵詞：人臉分類；主動表觀模型（AAM）；聚類

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1007-9599 （2012） 15-0000-02

本文以全國碩士研究生現(xiàn)場確認環(huán)節(jié)中采集的百萬量級考生人臉照片為研究樣本，基于人類視知覺特性知識，利用人臉局部形狀特征確定出有效的人臉分類，并將大型人臉庫中的人臉進行類別劃分。從而縮小用于人臉識別匹配的人臉庫以及降低人臉識別的數(shù)據(jù)量，有助于進一步提高大庫中人臉識別查詢的速度和精度。

1 人臉特征提取及關(guān)鍵特征點定位

本節(jié)將著重針對現(xiàn)場確認采集的人臉照片進行特征提取算法訓(xùn)練，并對實驗結(jié)果進行驗證和分析。

1.1 特征點定位步驟

本文選擇AAM算法。特征點的定位以及提取步驟如下：

第一步：從本文應(yīng)用的百萬量級人臉庫中選取n張人臉照片進行特征點標定；第二步：使用標定好的人臉照片對AAM算法進行訓(xùn)練；第三步：使用訓(xùn)練后的結(jié)果在百萬量級人臉庫中選取另外m張人臉照片進行實驗；第四步：使用不同n張人工標定人臉照片訓(xùn)練的分類器，驗證m張待測人臉，根據(jù)實驗結(jié)果選擇合適的分類器。

1.2 基于AAM算法的特征點提取

（1）對人臉照片進行標定。本文采用的關(guān)鍵特征點分別為鼻梁上端左右兩個點、下唇中心、臉頰左右頂點、下顎左右拐點及下顎頂點，共8個特征點，如圖 1中紅圈中的點，在這里為了進一步的人臉識別工作，增加部分關(guān)鍵特征點。選取58個標記點，標定后的人臉照片如圖 1所示。

（2）特征點定位實驗。在本實驗中，依次選取20、50、80、100、150、180張圖片進行標定并訓(xùn)練，并使用訓(xùn)練結(jié)果在200張待測人臉照片中進行測試。

實驗結(jié)果表明，當訓(xùn)練圖片達到150張時，模型建立較好，得到的測試結(jié)果令人滿意，并且隨著訓(xùn)練圖片增多正確率保持在74%左右變化不大。因此，我們將基于150張訓(xùn)練圖片得到的模型作為待測模型。

1.3 實驗結(jié)果分析

從上節(jié)的實驗結(jié)果可以看出，人臉照片中，人臉的遮擋物以及光照對特征提取有很大的影響，人臉遮擋物如發(fā)型，而眼鏡的遮擋反而對特征提取影響不是很大。

作為訓(xùn)練算法所使用的人工標定好的人臉照片數(shù)量，經(jīng)實驗表明，并不一定是數(shù)量越多越好，采用更多的人工標定的人臉照片進行訓(xùn)練不會對正確率有顯著提升。

本文采用準確率較高的鼻子、嘴巴和下顎輪廓的部份特征點進行人臉照片的分類。

2 人臉分類方法的研究

本文的人臉分類方法以人體測量學(xué)的分類方法為基礎(chǔ)。

本文選取形態(tài)面指數(shù)和下顎寬指數(shù)這兩個面型指數(shù)作為臉型分類的參考。然后選取ISODATA動態(tài)聚類算法，對形態(tài)面指數(shù)和下顎寬指數(shù)采用自動聚類的方法來進行分類研究。

2.1 人臉照片分類數(shù)據(jù)預(yù)處理

本文根據(jù)下顎左右兩個頂點，鼻根點、下唇下中點，左右下顎角以及顎下點，進而得到面寬、下顎間寬、形態(tài)面高、嘴高這四個測量參數(shù)，圖2分別給出了各個監(jiān)測點以及測量參數(shù)。

得到上述面型參數(shù)后，形態(tài)面指數(shù)和下顎寬指數(shù)可由下面公式得到。

由以上公式可以看出，兩個指數(shù)均為比值，這樣就避免了由于人臉照片大小差別引起的計算誤差，可以避免人臉歸一化的過程。

2.2 基于人臉測量學(xué)的自動分類方法

本文的ISODATA聚類方法是基于形態(tài)面指數(shù)和下顎寬指數(shù)，根據(jù)這些特征點位置利用式2.1和式2.2得出形態(tài)面指數(shù)x和下顎寬指數(shù)y，最后利用ISODATA算法基于人臉照片的形態(tài)面指數(shù)和下顎寬指數(shù)形成的二維數(shù)組 進行自動聚類。

在本文實驗過程中，分類過程中設(shè)定類內(nèi)照片數(shù)量閥值n，當某類中人臉照片數(shù)量超過n，則針對這類照片利用ISODATA進行二次分類，直到每類人臉照片數(shù)量小于n。

本文作為實驗研究，將n設(shè)置為400。

2.3 實驗結(jié)果及分析

我們主要探討正面人臉照片的自動聚類結(jié)果，選取1090張人臉照片作為待分類人臉庫。根據(jù)AAM特征點提取的結(jié)果，應(yīng)用ISODATA算法，平均耗時50ms左右（含AAM特征提取以及關(guān)鍵特征點定位時間）。

（1）單循環(huán)分類結(jié)果。根據(jù)ISODATA方法自動聚類的結(jié)果，將二維數(shù)組分為3類，分類分類情況如下表 1所示。

從單循環(huán)分類結(jié)果可以看出，第二類class[1]的人臉照片數(shù)量較大，與期望的分類分布均勻有較大差距，為了獲得分類較均勻的結(jié)果，在單循環(huán)基礎(chǔ)上做多循環(huán)ISODATA自動聚類處理。

（2）多循環(huán)分類結(jié)果。根據(jù)單次循環(huán)分類的結(jié)果，發(fā)現(xiàn)第二類class[1]人臉照片較多，本文針對第二類class[1]繼續(xù)進行分類。從二次循環(huán)結(jié)果看，class[11]類仍然數(shù)量較多，在二次循環(huán)的基礎(chǔ)上進行三次循環(huán)分類。三次循環(huán)分類情況匯總?cè)缦卤?2所示，散點圖如圖3所示。

（3）實驗結(jié)果分析。從本文試驗結(jié)果來看，在多次循環(huán)后，部份類內(nèi)照片數(shù)量遠低于閥值，即出現(xiàn)每類照片數(shù)量分布不均勻現(xiàn)象，但從散點圖看在y軸方向類間區(qū)分還是較明顯。針對不同人臉庫的規(guī)模，仍需根據(jù)人臉識別的正確率和效率設(shè)置每類人臉規(guī)模的閥值。

3 人臉照片分類方法的應(yīng)用

本文基于局部形狀特征提取的人臉照片分類的研究，應(yīng)用于碩士研究生全國統(tǒng)一入學(xué)考試現(xiàn)場確認階段采集的百萬量級人臉照片，人臉照片分類主要分為兩個階段進行，第一階段是客戶端進行人臉特征點定位并記錄特征點位置，第二階段為根據(jù)匯總后的百萬量級人臉照片特征點生成二維數(shù)組，使用本文基于ISODATA自動聚類的方法將人臉照片庫進行分類。

4 結(jié)束語

本文通過采用AAM的人臉形狀特征點定位算法來獲得有用的人臉形狀特征點并構(gòu)成形狀特征信息，這些形狀特征可以很好地描述人臉。然后，利用基于形態(tài)面指數(shù)x和下顎寬指數(shù)y組成的二維數(shù)組，使用ISODATA自動聚類算法對二維數(shù)組進行分類，使人臉分類更加合理并適合于實際應(yīng)用。本文的研究能夠減少人臉識別工作的對比量。

參考文獻

[1]山世光，高文，陳熙霖.基于紋理分布和變形模板的面部特征提取[J].軟件學(xué)報，2001，12（4）：580-587

[2]凌旭峰，楊杰，楊勇.基于輪廓線曲率特征的人臉分類及識別[J].紅外與激光工程，1999，28（4）：37-39

[3]王俊艷，蘇光大.基于下頜輪廓線的人臉分類方法[J].紅外與激光工程，2004，33（2）：159-163

[4]王俊艷，蘇光大，林行剛.用于人臉識別的下頜輪廓線分類方法[J].光電子·激光，2005，16（11）：1368-1372

[5]陳熙，趙曉萍，范松青.人體面部測量與分析[J].南華大學(xué)學(xué)報·醫(yī)學(xué)，2007，35（4）：518-520