程培培 陳典典 馬軍山

文章編號： 1005-5630（2018）06-0048-06

摘要： 人臉基準(zhǔn)點(diǎn)定位可應(yīng)用于人臉識別、疲勞檢測等領(lǐng)域。針對人臉基準(zhǔn)點(diǎn)定位中常用的主動表觀模型（AAM）的局限性，提出了Haar分類器和AAM算法相結(jié)合的人臉基準(zhǔn)點(diǎn)定位方法。先是計算圖像積分

圖，然后采用基于 Haar特征的 AdaBoost級聯(lián)檢測器快速定位出人臉區(qū)域，最后將檢測到的位置和圖像信息傳遞給AAM進(jìn)行人臉基準(zhǔn)點(diǎn)定位。該方法在抽取的AFLW（annotated facial landmarks in the wild）人臉測試集上表現(xiàn)出良好的性能。實(shí)驗(yàn)結(jié)果表明，采用該方法能準(zhǔn)確、快速定位出人臉基準(zhǔn)點(diǎn)。

關(guān)鍵詞： Haar分類器; 人臉檢測; AAM 算法; 人臉基準(zhǔn)點(diǎn)定位

中圖分類號： TP 391文獻(xiàn)標(biāo)志碼： Adoi： 10.3969/j.issn.1005-5630.2018.06.008

引言

一般的人臉識別系統(tǒng)是先進(jìn)行面部特征定位與提取，然后進(jìn)行特征對比與分類，其中面部特征點(diǎn)的定位也叫人臉對齊，特征點(diǎn)亦稱作基準(zhǔn)點(diǎn)[1]。人臉基準(zhǔn)點(diǎn)定位是人臉識別系統(tǒng)中的重要環(huán)節(jié)，可應(yīng)用于計算機(jī)視覺方面的研究，例如人臉確認(rèn)[2]、表情識別[3]、疲勞檢測，姿態(tài)估計和凝視方向分析以及三維人臉動畫制作[4] 等。

人臉基準(zhǔn)點(diǎn)是能夠描述人臉信息的點(diǎn)，如明顯的角、邊緣之間的“T”連接，人臉基準(zhǔn)點(diǎn)一般分三類：標(biāo)記人臉上的器官，比如眼角、嘴角等;某個方向上的最高點(diǎn)或曲率極值點(diǎn)，比如鼻尖;上述兩類點(diǎn)的插值點(diǎn)，比如臉頰輪廓點(diǎn)等。由于不同的姿態(tài)、表情、光照以及遮擋等因素的影響，如何準(zhǔn)確地定位出各個關(guān)鍵特征點(diǎn)成為了研究熱點(diǎn)[5]。計算機(jī)視覺領(lǐng)域的研究人員提出了許多解決方法，其中較為經(jīng)典的是Cootes等提出的活動形狀模型（active shape model，ASM）和主動表觀模型（active appearance model，AAM）[6]，其中AAM方法是對ASM方法在紋理信息上的擴(kuò)充，采取形狀和紋理相融合的統(tǒng)計約束，更加適用于復(fù)雜圖像的人臉特征點(diǎn)定位。但是AAM模型參數(shù)的更新僅使用一個線性預(yù)測模型，即根據(jù)當(dāng)前模型和輸入模式之間的差別來預(yù)測和更新模型參數(shù)，具有較大的局限性，在初始位置距離目標(biāo)位置較大時，則不容易收斂到準(zhǔn)確位置[7]，因此，在使用AAM算法進(jìn)行人臉基準(zhǔn)點(diǎn)定位時可考慮先進(jìn)行人臉粗定位。Haar分類器方法利用AdaBoost算法訓(xùn)練強(qiáng)分類器，然后將強(qiáng)分類器進(jìn)行級聯(lián)，并且在底層的特征提取中采用了高效率的Haar特征和積分圖方法，在人臉檢測中可以快速定位出人臉位置。

針對AAM算法在人臉?biāo)阉鬟^程中的局限性，本文采用Haar分類器進(jìn)行人臉區(qū)域快速定位，使AAM可以快速擬合正確的初始形狀，最終加快收斂速度和提高定位準(zhǔn)確度。

1主動表觀模型（AAM）

AAM算法主要分為模型建立和模型匹配兩個階段，其中：模型建立階段包括了對訓(xùn)練樣本分別建立形狀模型（shape model）和紋理模型（texture model），然后將兩者進(jìn)行結(jié)合，形成混合外觀模型;模型匹配階段是指在已建立好AAM模型的當(dāng)前幀圖像中尋找最匹配目標(biāo)的過程。

2人臉檢測

2.1Haar分類算法要點(diǎn)

采用Haar分類器進(jìn)行快速人臉檢測，能獲得較好的檢測率，其算法要點(diǎn)有：1） 使用Haar特征做檢測;2） 提出了積分圖，利用它可以快速計算Haar特征值;3） 通過AdaBoost的機(jī)器學(xué)習(xí)算法訓(xùn)練用于判斷是否為人臉的強(qiáng)分類器;4） 使用篩選式級聯(lián)把強(qiáng)分類器級聯(lián)到一起用于檢測人臉，能很快地排除背景，提高檢測速度，有利于實(shí)時應(yīng)用[8]。

2.2Haar特征與積分圖

Haar特征，又稱為矩形特征，圖2是四種基本Haar特征模板，由黑白矩形組成，可分為三類特征：邊緣特征、線性特征、特定方向特征。用Haar特征描述人臉區(qū)域時，眼睛區(qū)域的顏色比臉頰區(qū)域更暗，鼻梁的兩側(cè)比鼻梁更深等。使用矩形特征來計算速度是非?？欤葐渭兪褂孟袼馗?。雖然Haar特征比較粗糙，但速度非常快，耗時較少，可用于AdaBoost算法。

圖2中模板特征值定義為白色矩形像素和與黑色矩形像素和的差值。為了便于快速計算特征值，引入積分圖。積分圖的基本思想是對圖像中任意點(diǎn)左上角所構(gòu)成的矩形區(qū)域，計算出該區(qū)域所有像素的灰度值之和，然后保存該值，該值即為像素點(diǎn)（x，y）的積分值。

3人臉基準(zhǔn)點(diǎn)定位

采用本文方法進(jìn)行人臉基準(zhǔn)點(diǎn)定位大致可分為訓(xùn)練和檢測兩個過程，首先利用AAM算法訓(xùn)練樣本集，得到平均形狀模型。當(dāng)要對一張沒有標(biāo)記的人臉圖像進(jìn)行基準(zhǔn)點(diǎn)定位時，需要結(jié)合Haar分類器檢測面部信息，利用AAM自動訓(xùn)練的模型來匹配新的圖像，在模板的基礎(chǔ)上生成一個初始形狀估計，進(jìn)而不斷擬合，得到人臉基準(zhǔn)點(diǎn)準(zhǔn)確位置。

Haar分類器方法進(jìn)行人臉檢測時，首先構(gòu)造圖像的積分圖進(jìn)行特征值快速計算，然后基于分級分類器策略，由AdaBoost算法根據(jù)Haar特征構(gòu)建人臉級聯(lián)檢測器，通過遍歷圖像所有位置將人臉區(qū)域檢測出來。將檢測到的人臉區(qū)域和圖像信息傳遞給AAM，確定初始形狀模型，進(jìn)行迭代擬合（搜索）直至迭代收斂，最后通過描述符模型[11]得到相應(yīng)的人臉基準(zhǔn)點(diǎn)，人臉基準(zhǔn)點(diǎn)定位過程如圖5所示。

4實(shí)驗(yàn)結(jié)果與分析

本實(shí)驗(yàn)在MUCT人臉庫（3755面，76地標(biāo)）中隨機(jī)選擇500幅人臉圖片（選不同性別、年齡、表情、姿態(tài)等）作為訓(xùn)練數(shù)據(jù)，在AFLW人臉庫中隨機(jī)抽取300幅圖片作為測試數(shù)據(jù)集，實(shí)驗(yàn)程序在VS 2013環(huán)境下結(jié)合Open CV編寫。為了便于觀察確認(rèn)，我們將測試圖片按序編號并平均分到三個文件夾下，采用C++編程進(jìn)行批量處理，實(shí)驗(yàn)在一臺 2.5 GHz，4G RAM的PC上進(jìn)行。

實(shí)驗(yàn)結(jié)果：本次實(shí)驗(yàn)處理一張AFLW圖片（150×150）平均用時約20 ms，定位速度較快;共有298張圖片定位出人臉基準(zhǔn)點(diǎn)，僅2張圖片定位出錯（顯示沒有定位到人臉），定位成功率高達(dá)99%。

觀察定位成功的輸出圖片可得：

1） 有小部分不同角度或遮擋的人臉圖像中臉頰輪廓定位有一定的偏差，考慮是由于圖像預(yù)處理不佳造成的，可以進(jìn)一步對圖像進(jìn)行圖像增強(qiáng)等操作，以優(yōu)化試驗(yàn)效果;

2） 輸出圖片中人眼、鼻尖、嘴、下巴定位準(zhǔn)確，總體來看人臉基準(zhǔn)點(diǎn)定位具有較好的準(zhǔn)確度。圖6展示了部分圖像的最終定位結(jié)果。

5結(jié)束語

本文采取Haar分類器進(jìn)行快速人臉區(qū)域檢測，結(jié)合AAM 算法實(shí)現(xiàn)了人臉稠密基準(zhǔn)點(diǎn)（68個標(biāo)定點(diǎn)）的快速定位。在300張取自AFLW不同光照和不同姿態(tài)的人臉圖像測試中，取得了約99%的定位成功率，且速度快、準(zhǔn)確度高。本文提出的人臉基準(zhǔn)點(diǎn)定位方法可以應(yīng)用于計算機(jī)視覺中針對人臉的特征定位，實(shí)現(xiàn)自動定位的同時可大幅提高定位準(zhǔn)確度。

參考文獻(xiàn)：

[1]蔡超.基于面部基準(zhǔn)點(diǎn)對齊的人臉識別方法研究[D].武漢：華中科技大學(xué)，2013.

[2]CHEN D，CAO X D，WEN F，et al.Blessing of dimensionality：high-dimensional feature and its efficient compression for face verification[C]∥Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition.Portland，USA：IEEE，2013：30253032.

[3]PANTIC M.Automatic analysis of facial expressions[C]∥Proceedings of the 2014 ACM/IEEE International Conference on Human-Robot Interaction.New York，USA：ACM，2014：390390.

[4]CAO C，WENG Y L，LIN S，et al.3D shape regression for real-time facial animation[J].ACM Transactions on Graphics，2013，32（4）：110.

[5]張少華.基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉基準(zhǔn)點(diǎn)定位研究[D].武漢：華中科技大學(xué)，2016.

[6]COOTES T F，EDWARDS G J，TAYLOR C J.Active appearance models[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2001，23（6）：681685.

[7]山世光.人臉識別中若干關(guān)鍵問題的研究[D].北京：中國科學(xué)院研究生院（計算技術(shù)研究所），2004.

[8]LIENHART R，MAYDT J.An extended set of Haar-like features for rapid object detection[C]∥Proceedings of 2002 International Conference on Image Processing.Rochester，USA：IEEE，2002：I900I903.

[9]李理，李偉生.一種基于改進(jìn)樣本選取的快速人臉檢測方法[J].計算機(jī)應(yīng)用與軟件，2010，27（7）：8386.

[10]MILBORROW S，BISHOP T E，NICOLLS F.Multiview active shape models with SIFT descriptors for the 300-W face landmark challenge[C]∥Proceedings of 2013 IEEE International Conference on Computer Vision Workshops.Sydney，Australia：IEEE，2014：378385.

[11]沈道義，俞能海，龐彥偉，等.結(jié)合提升自舉FLD投影的特征提取算法[J].小型微型計算機(jī)系統(tǒng)，2009，30（4）：690694.

（編輯：劉鐵英）