鹿艷晶++方加娟

摘 要： 人眼定位是人臉識別系統(tǒng)中必須解決的問題，為了提高人眼定位的精確度和速度，提出一種基于改進多塊局部二進制模式的眼睛中心定位算法。該算法構(gòu)建了所有可能的弱分類器作為多分支的樹枝，然后通過三個強分類器和迭代計算確認眼睛中心點。基于標準BioID和FERET圖像數(shù)據(jù)庫，將提出算法與其他兩種方法進行比較，實驗結(jié)果顯示提出方法的精確度更高。失真圖像的測試結(jié)果表明，對噪聲失真而言，提出的算法足夠穩(wěn)健。

關(guān)鍵詞： 人臉識別； 人眼中心定位； 局部二進制模式； 分類器

中圖分類號： TN911.73?34 文獻標識碼： A 文章編號： 1004?373X（2017）11?0058?03

Human eye positioning algorithm based on improved multi?block local binary pattern

LU Yanjing1， FANG Jiajuan1， 2

（1. Department of Software Engineering， Zhengzhou Technical College， Zhengzhou 450121， China；

2. College of Computer Science and Engineering， Nanjing University of Science and Technology， Nanjing 210094， China）

Abstract： The human eye positioning is a problem which must be solved for the human face recognition system. In order to improve the accuracy and speed of human eye localization， a human eye center positioning algorithm based on improved multi?block local binary pattern is proposed. All possible weak classifiers were constructed as the branchy branches with the algorithm. The center point of the human eye is confirmed by means of three strong classifiers and iterative computation. On the basis of standard BioID and FERET image database， the proposed algorithm is compared with other two methods. The experimental results show that the proposed algorithm has higher accuracy. The test results of the distorted image show that the algorithm is robust enough for noise distortion.

Keywords： human face recognition； human eye center positioning； local binary pattern； classifier

0 引 言

作為人臉最富有表現(xiàn)力和特征的一部分，眼睛是臉部分析非常重要的信息來源。眼睛中心定位是人臉識別系統(tǒng)中至關(guān)重要的一步，諸如凝視估計、姿態(tài)估計、表達分析、臉部追蹤、臉部識別、臉部表情識別、以及人機界面等[1]。然而，由于眼睛的外觀變化程度高，比如大小、形狀、顏色、紋理和各種外界環(huán)境的變化，眼睛中心的精確定位問題具有較大的挑戰(zhàn)性。

在參考文獻[2?4]中，研究人員發(fā)現(xiàn)眼睛定位的準確性對人臉識別的精確度有很大的影響，這就有必要在現(xiàn)實生活的場景中實現(xiàn)穩(wěn)健又準確的眼睛定位。文獻[5]提出基于多塊局部二值模式特征的 adaboost算法和模板匹配的人眼定位方法。文獻[6]提出基于圖像梯度的算法。上述兩種方法的精確度較高，但是實現(xiàn)步驟較復雜。文獻[7]提出一種貝葉斯方法，但是在處理低質(zhì)量圖片時精確度不高。

因此，本文提出一種簡單的基于改進局部二進制模式的迭代眼睛中心定位算法。該算法構(gòu)建了所有可能的弱分類器作為多分支的樹枝，然后通過三個強分類器和迭代計算來確認眼睛中心點。基于標準的BioID和FERET圖像數(shù)據(jù)庫將提出的眼睛中心定位算法與其他先進的方法相比較，測試結(jié)果證明了提出算法的先進性和穩(wěn)健性。

1 提出的眼睛中心定位方法

近年來，有許多基于多塊局部二進制模式（Multi?block Local Binary Patterns，MB?LBP）的方法得到了圖像處理研究領(lǐng)域越來越多的關(guān)注[8?10]。MB?LBP理論上簡單，但是在處理圖像的矩形區(qū)域方面卻是高效的運算方法。為了對矩形進行編碼，通過比較中央矩形與其相鄰矩形的平均強度，對MB?LBP運算公式進行了定義[9]：

（1）

其中的定義如下：

（2）

式中：表示中心矩形的平均強度；表示其相鄰矩形的強度。

圖像表示為特征向量其中為MB?LBP所有可能的數(shù)值。數(shù)量由圖像大小進行定義。

本文提出將所需訓練集合表示為成對的數(shù)值，其中表示例子的等級標簽。強分類器由弱分類器疊加構(gòu)成：

（3）

在每個步驟中，構(gòu)建所有可能的弱分類器作為多分支的樹枝。多分支的樹枝總共有256個樹枝，而且每個樹枝對應MB?LBP特征的特定離散數(shù)值。在步驟中，為了最小化加權(quán)平方誤差，選擇弱分類器：

（4）

在此之后，作為訓練例子的權(quán)重根據(jù)式（5）和式（6）進行更新：

（5）

（6）

對于三個比例的眼孔圖樣而言，構(gòu)建三個強分類器和。

本文提出算法的流程如圖1所示。對最初檢測到的臉進行轉(zhuǎn)換，構(gòu)造出積分圖像。之后，在搜索窗口發(fā)現(xiàn)個點，具備粗分類器的最大輸出值。如果這個點值的總和小于閾值或臉的寬度最小值那么具備最大值的點就被認為是眼睛的中心，否則將臉部圖像轉(zhuǎn)換為規(guī)模較小的圖像，并且重復相同的過程。三個比例的眼孔圖樣分別對應三個強分類器，如圖2所示。

對于低分辨率的臉部圖像，僅僅使用粗分類器。同樣，更多數(shù)量的分類器可以應用構(gòu)造高分辨率的圖像。

2 評估指標

為了驗證提出算法的性能，選擇普通和失真的圖像進行實驗。對左右眼睛中心進行定位測試。選擇兩種較先進的方法（簡單的貝葉斯方法[7]和基于圖像梯度的算法[6]），與提出算法進行比較。

2.1 標準數(shù)據(jù)庫

在試驗的第一部分中，從BioID數(shù)據(jù)庫[6]和FERET數(shù)據(jù)庫[7]提取圖像進行試驗。

FERET圖像都是在室內(nèi)拍攝，有良好的分辨率，優(yōu)質(zhì)的圖像質(zhì)量以及有限的照明變化。在這些圖像中，臉部姿態(tài)通常非常接近前額。在實驗中，把選自FERET的3 363張圖片分成兩個部分：一部分圖像用于訓練；另一部分圖像用于測試。MB?LBP和貝葉斯算法都是從3 363張圖片中選擇1 000張進行訓練，不需要對梯度探測器進行培訓。在其余的2 363張前額圖像中，人臉檢測器能夠準確檢測到臉部的有2 350張圖片，這些圖片被保留用于測試。

BioID數(shù)據(jù)庫包含23個不同測試者的1 521張灰度級圖像，在不同的位置，在白天不同的時段拍攝這些圖像，產(chǎn)生可變的光照條件，可與戶外場景相媲美。在1 521張圖像中，人臉檢測器正確檢測到臉部的有1 469張圖片，將這些圖片作為所有算法的測試集。

2.2 圖像失真

噪聲成像條件引起圖像的非線性失真，并且對圖像質(zhì)量有重大的影響。因此眼睛定位系統(tǒng)的噪聲失真應該具有穩(wěn)健性。

選擇FERET數(shù)據(jù)庫進行圖像失真實驗。噪聲失真均應用來自FERET數(shù)據(jù)庫的圖像：加性高斯白噪聲（AWGN）。

2.3 誤差測量

歸一化誤差[10]用于評估眼睛的定位位置和地面實際位置之間的誤差：

（7）

其中和分別為左右眼睛的地面實際位置；和是該算法定位的眼睛位置。

3 實驗結(jié)果

在本節(jié)中，簡單的貝葉斯方法、本文方法以及基于圖像梯度的算法，三種方法的實驗結(jié)果如圖3所示。圖3顯示了普通圖像在FERET數(shù)據(jù)庫和BioID數(shù)據(jù)庫的歸一化誤差曲線。曲線顯示圖像的歸一化數(shù)量，圖像的歸一化誤差率等于或者小于橫坐標軸上對應的數(shù)值。

從BioID數(shù)據(jù)庫的試驗結(jié)果可以看出，改進MB?LBP在大誤差范圍內(nèi)的準確度更高，但是在小誤差范圍內(nèi)的準確度較低。改進MB?LBP定位眼睛中心，圖像以100%的比例顯示，誤差率等于或者小于0.25。90%以上的圖像誤差率還可以等于或者小于0.1，而使用其他方法來處理相同數(shù)量的圖像，它們的誤差率更高。

處理更高品質(zhì)的圖像，基于改進MB?LBP的算法得出的實驗結(jié)果勝過基于圖像梯度的算法得出的實驗結(jié)果，類似于貝葉斯方法得出的實驗結(jié)果，具備加性高斯白噪聲的圖像產(chǎn)生的峰值信噪比（PSNR）>27 dB。同樣，當處理品質(zhì)較差的圖像（如失真圖像）時，改進MB?LBP要比其他方法更勝一籌。實驗結(jié)果見圖4。

三種不同的方法實現(xiàn)眼睛中心定位的時間結(jié)果如表1所示，可以看出提出算法的速度明顯優(yōu)于其他兩種方法。

圖5為從FERET數(shù)據(jù)庫提取的人臉識別的結(jié)果。表示人臉識別率，err表示眼睛中心定位誤差?？梢钥吹剑劬Χㄎ坏木_度對人臉識別率有很大的影響。正確定位眼睛中心的人臉識別率等于98%，定位誤差小于50%，誤差> 0.15。

圖5 人臉識別率

4 結(jié) 論

本文提出一種新的基于MB?LBP的眼睛中心定位算法。測試結(jié)果表明，在誤差范圍比較大的情況下，尤其是應用BioID數(shù)據(jù)庫時，相比基于圖像梯度計算和簡單的貝葉斯方法，提出的算法精確度更高。失真圖像的測試結(jié)果表明，對噪聲失真而言，提出的新算法足夠穩(wěn)健，而且可以提高人臉識別率。

參考文獻

[1] 劉淑琴，彭進業(yè).基于人眼視覺的航空圖像檢索仿真[J].計算機仿真，2013，30（12）：395?398.

[2] 張波，王文軍，張偉，等.駕駛?cè)搜劬植繀^(qū)域定位算法[J].清華大學學報（自然科學版），2014（6）：756?762.

[3] 郝明剛，董秀成，黃亞勤.一種精確的人眼瞳孔定位算法[J].計算機工程，2012，38（8）：141?143.

[4] 王燦進， 孫濤，王銳，等.基于彩色二進制局部不變特征的圖像配準[J].中國激光，2015（1）：260?268.

[5] 王小玉，張亞洲，陳德運.基于多塊局部二值模式特征和人眼定位的人臉檢測[J].儀器儀表學報，2014（12）：2739?2745.

[6] TIMM F， BARTH E. Accurate eye centre localization by means of gradients [C]// Proceedings of the Sixth International Conference on Computer Vision Theory and Applications. [S.l.]： IEEE， 2011： 125?130.

[7] 譚臺哲，葉青.基于形態(tài)學商模板的人眼定位方法[J].計算機應用與軟件，2015，32（1）：194?198.

[8] 鄧亮，張新曼，許學斌，等.一種結(jié)合分離濾波器與局部二進模式的快速人眼定位方法[J].微電子學與計算機，2011，28（6）：36?40.

[9] 劉麗，謝毓湘，魏迎梅，等.局部二進制模式方法綜述[J].中國圖象圖形學報，2014，19（12）：1696?1720.

[10] 符志鵬，侯海燕，胡志剛.基于局部對稱性及灰度統(tǒng)計特征的人眼定位方法[J].遼寧工程技術(shù)大學學報（自然科學版），2011，30（4）：619?622.