臺州職業(yè)技術(shù)學(xué)院 蔣開偉 蔣玲玲 孫凌杰

1.引言

最近幾年來，隨著計算機(jī)技術(shù)的發(fā)展，人臉識別研究引起了學(xué)術(shù)界越來越多的關(guān)注。而在眾多研究方向中，研究最多的是關(guān)于人臉正面模式的研究，主要可以分為三個發(fā)展階段：

第一階段是對人臉識別所需要的面部特征進(jìn)行研究。這個階段主要是將一個簡單命令語句與數(shù)據(jù)庫中某一張臉聯(lián)系在一起，并采用與指紋分析技術(shù)相結(jié)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(tǒng)進(jìn)行操作。

第二階段是人機(jī)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(shù)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(shè)計了相應(yīng)的識別系統(tǒng)。不過這個階段仍然需要利用操作員的某些經(jīng)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(jī)計算速度的加快，有了較大的突破，幾種全自動機(jī)器識別系統(tǒng)已經(jīng)被應(yīng)用。根據(jù)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(jī)制的識別方法、基于幾何特征的識別方法和基于代數(shù)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(shù)

2.1 人臉特征

（1）膚色特征

膚色不依賴于面部的細(xì)節(jié)特征，它是人臉的重要信息，并且不會由于表情的變化而產(chǎn)生變化，具有相對的穩(wěn)定性。所以人臉檢測中通常采用膚色特征進(jìn)行檢驗。一般情況下，主要由膚色特征來對膚色模型進(jìn)行描述，而膚色模型的選擇又需要依據(jù)色度空間變化。我們通?？梢詮纳瓤臻g中的“膚色”與“非膚色”區(qū)域重疊的多少、描述“膚色”區(qū)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(qū)域內(nèi)的各個器官(如雙眼、鼻子、嘴等)具有自己獨(dú)特的灰度分布特征。我們可以將人臉區(qū)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(qū)域的某些特性參數(shù)，作為人臉特征模板的共性特征，并且忽略頭發(fā)、臉頰等會產(chǎn)生很大變化的部分?；诮y(tǒng)計學(xué)習(xí)的人臉檢測方法會經(jīng)常用到這種方法。

2.2 邊緣檢測技術(shù)

邊緣是圖像最基本的特征，具有灰度值不連續(xù)的性質(zhì)，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(qū)域之間，包含了目標(biāo)物體邊界的三個主要信息（邊緣法線方向、邊緣方向、邊緣強(qiáng)度）。

邊緣檢測是基于圖像中的目標(biāo)或物體邊界的，它通過對圖像中的所有像素點(diǎn)計算一階或二階的數(shù)字導(dǎo)數(shù)來實現(xiàn)，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(dǎo)數(shù)的最大值能夠檢測出圖像中邊緣像素點(diǎn)。

邊緣檢測算子是通過對圖像中每個像素點(diǎn)的領(lǐng)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(diǎn)與此模板進(jìn)行卷積，得到每個像素點(diǎn)的響應(yīng)R，用R來表征每個像素點(diǎn)的領(lǐng)域灰度值變化率，即灰度梯度值，從而可將灰度圖像轉(zhuǎn)化為梯度圖像。模板系數(shù)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(qū)域中，模板的響應(yīng)為零。

設(shè)圖像f（x，y）在像素點(diǎn)（x，y）的梯度向量為：

選取2×2或3×3的兩個小區(qū)域卷積模板分別近似計算Gx和Gy。常用的一階導(dǎo)數(shù)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(yīng)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(jù)膚色和頭發(fā)的特征確定臉部的大致區(qū)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(fā)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(zhǔn)確性，對于頭發(fā)和臉部區(qū)域的確定采用統(tǒng)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(xiàn)邊緣檢測。同樣對于邊緣信息也采用直方圖統(tǒng)計的方式來確定。

4.實驗及分析

圖1是對BMP圖片進(jìn)行膚色和頭發(fā)特征算法處理后的結(jié)果。能夠很清晰的提取出頭發(fā)和臉部膚色的區(qū)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(qū)域，如圖2所示，藍(lán)色部分為臉部膚色直方圖，綠色為頭發(fā)直方圖。

圖1 膚色和頭發(fā)特征算法處理結(jié)果

圖2 頭發(fā)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(dāng)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(jié)合上述確定的臉部區(qū)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(jù)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(jié)束語

上述算法能夠高效的運(yùn)行在基于Android系統(tǒng)的手機(jī)中，對于提取正面的臉部器官信息具有很好的精確度?？梢允怪茝V應(yīng)用于人臉相關(guān)的應(yīng)用中去。該算法由于采用人臉膚色特征作為區(qū)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(shù)的現(xiàn)狀和發(fā)展趨勢[J].科協(xié)論壇(下半月),2010(11).

[2]游福成.數(shù)字圖像處理[M].電子工業(yè)出版社,2011.

[3]趙振勇.人臉圖像的特征提取[J].計算機(jī)技術(shù)與發(fā)展,2007(05).

[4]梁路宏.基于人臉檢測的人臉跟蹤算法[J].計算機(jī)工程與應(yīng)用,2001.

[5]金忠.人臉圖像的自動校準(zhǔn)算法[J].數(shù)據(jù)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(yīng)用[J].計算機(jī)研究與發(fā)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(jī)研究與發(fā)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(xué)學(xué)報,1993.