摘要：常規(guī)的人臉特征點識別技術易受到圖像分辨率降解作用影響，導致特征點的歐氏距離校準誤差較高。為此，文章提出了基于圖像關鍵特征增強處理的人臉特征點識別技術，在圖像關鍵特征增強處理的基礎上，完成了對人臉特征點的定位；設計了人臉特征點識別跟蹤算法，結合定位與跟蹤結果，實現(xiàn)了特征點識別。試驗結果表明，應用新識別技術后，不同特征點的歐氏距離校準誤差均較低，說明新技術具有有效性。

關鍵詞：人臉圖像；關鍵特征；圖像增強；人臉特征

中圖分類號：TP399 文獻標志碼：A

0 引言

人臉特征指的是人面部具備的獨特的高辨識度特點［1-2］。人臉特征點識別對定位的魯棒性要求較高，需要利用有效的識別算法提取各個重點區(qū)域的視覺特征。不同人臉的特征點分布形態(tài)不同［3-4］，在不同環(huán)境下也存在一定的位置形態(tài)差異，需要根據(jù)具體的識別任務確定穩(wěn)態(tài)識別條件，保證識別的適應性。

孫強等［5］考慮多層次時空特征構建了多模態(tài)模型，進行自適應互補，提高了識別的實時性，但該方法易受語義信息變化影響，識別精度較低；雷燕等［6］基于深度學習特征建立卷積神經(jīng)網(wǎng)絡模型，完成多模態(tài)識別，該方法的計算復雜度較高，識別的難度較大。

為了滿足人臉特征識別要求，本文基于圖像關鍵特征增強處理設計了一種有效的人臉特征點識別技術。

1 人臉特征點識別

1.1 圖像關鍵特征增強處理與定位

圖像關鍵特征增強處理是一種有效的計算機視覺處理技術，可以有效抑制無關特征，提高識別對比度。因此，本文研究基于圖像關鍵特征增強處理過程，能實現(xiàn)對人臉特征點的定位。

由于不同姿態(tài)下人臉特征點坐標位置不同［7］，本文利用回歸器進行更新預測，再按照圖像增強特征進行有效定位。在特征點定位初期，需要針對給出的數(shù)據(jù)集進行檢測修正處理，獲取圖像關鍵特征增強結果。

特征增強訓練過程可以形成閉環(huán)，能有效降低遮擋約束，實時更新特征點定位回歸器。在人臉識別數(shù)據(jù)集中，可以將遮擋特征點標記為1，非遮擋標記為0，利用定位回歸器更新的人臉形狀St+1計算如下：

St+1=St×ft×wt（1）

式中，F(xiàn)代表更新遮擋權重，St代表人臉圖像的迭代量，ft代表特征點索引特征，wt代表識別權重。

本文基于準確比例進行加權處理，引入正則化表達式增強圖像關鍵特征［8］，處理式如下：

W=argmin（vi×St+1+μ（w））（2）

式中，vi代表回歸器增強處理回歸參數(shù)，R（s，f，w）代表預測的人臉識別特征點位置，μ（w）代表正則化項。利用上式進行處理后，可以有效預測不同區(qū)域特征點的識別狀態(tài)，得到的特征點定位標準化權重pa如下：

pa=∑bjLa（3）

式中，bj代表識別區(qū)域的特征點數(shù)量，La代表定位預測特征點位置參量。

定位人臉特征點后，即可完成識別回歸器優(yōu)化改進，提高遮擋狀態(tài)人臉特征點識別精度。

1.2 設計人臉特征點識別跟蹤算法

人臉結構信息在一定程度上存在相似性，觀察角度、外在環(huán)境等變化都會出現(xiàn)較高的視覺圖像誤差。因此，本文利用可形變模板進行了標定處理，設計了人臉特征點識別跟蹤算法。即將待識別的人臉圖像標記出若干個特征點位置，組成形狀向量，基于搜索匹配擬合作用進行建模標記，待識別跟蹤的特征量xi計算如下：

xi=（xik，yik）（4）

式中，xik代表識別特征點對應的橫坐標，yik代表識別特征點對應的縱坐標。由于識別樣本的絕對位置差異增加了形狀建模的局限性，在識別跟蹤的過程中需要進行歸一化處理，完成歸一化變換后，人臉特征量得到了有效收斂。在此基礎上，建立人臉特征點識別跟蹤過程計算如下：

G=p×T×eD=f（x）×g（x-b）×exi-x（5）

式中，G代表識別結果，p代表識別更新頻率，T代表識別時間序列，e代表特征點時間窗口，D代表Procrustes Analysis計算識別疊加最小值，x代表變換完成后得到的平均人臉特征量。

上述過程可以基于特征點的主動表現(xiàn)關系進行搜索擬合改進，最大程度上滿足了人臉特征點識別擬合性，降低了識別校準誤差。

2 試驗與分析

為了驗證設計的基于圖像關鍵特征增強處理的人臉特征點識別技術的識別效果，將其與雙模態(tài)識別技術、基于深度學習特征的識別技術展開對比。

2.1 試驗準備

本文選取Python 3.6語言開發(fā)Tensorflow＼＼Keras試驗平臺，并將WIDER FACE作為試驗數(shù)據(jù)集，該數(shù)據(jù)集中包含25435張不同環(huán)境的人臉圖片，涉及的識別姿態(tài)較多，滿足不同場景下的識別要求，該數(shù)據(jù)集中的部分識別樣本如圖1所示。

本研究選取人臉特征點識別結果的歐氏距離校準誤差作為試驗指標，可以評估不同技術識別人臉特征點（眼睛、鼻子、嘴巴）時的位置準確性，即識別到的特征點位置與實際位置之間的“距離”。歐氏距離校準誤差越低，則人臉特征點識別效果越好。

2.2 試驗結果與討論

應用3種方法后，在不同編號圖像下的人臉各特 征點識別的歐氏距離校準誤差如表1所示。

由表1可知，在不同人臉特征點識別圖像下，本文設計的識別技術對于眼睛、鼻子、嘴巴3處特征點識別結果的歐氏距離校準誤差始終低于另外2種技術，這說明本文設計的新技術的識別效果更好，特征點識別定位擬合度較高，滿足人臉特征點識別可靠性要求。

3 結語

在人工智能與計算機視覺技術雙重發(fā)展背景下，人臉識別技術的應用領域越來越廣泛。受光照、角度、遮擋等問題影響，常規(guī)的人臉特征的識別方法的校準誤差較高，因此，本文基于圖像關聯(lián)特征增強處理設計了人臉特征點識別技術，為推動不同應用場景的識別交互要求作出了貢獻。

參考文獻

［1］鄭天悅，方水平，趙元蘇.基于多任務學習的跨年齡人臉識別系統(tǒng)的設計與實現(xiàn)［J］.北京工業(yè)職業(yè)技術學院學報，2024（2）：24-28.

［2］王坤俠，余萬成，胡玉霞.嵌入混合注意力機制的Swin Transformer人臉表情識別［J］.西北大學學報（自然科學版），2024（2）：168-176.

［3］安毅，張慧，陳思秀，等.基于注意力多尺度融合的人臉表情識別算法研究［J］.長春工程學院學報（自然科學版），2024（1）：59-63.

［4］陳經(jīng)緯，熊繼平，程漢權.融合MobileNet與Contextual Transformer的人臉識別研究［J］.智能計算機與應用，2024（3）：61-66.

［5］孫強，陳遠.多層次時空特征自適應集成與特有-共享特征融合的雙模態(tài)情感識別［J］.電子與信息學報，2024（2）：574-587.

［6］雷燕，李杰，董博，等.基于深度學習特征的多模態(tài)人臉快速識別研究［J］.電子設計工程，2024（3）：181-184，189.

［7］閻衛(wèi)東，韓璐，張野，等.基于DCT的模糊面部超分辨率性別識別模型研究［J］.沈陽建筑大學學報（社會科學版），2023（6）：597-603.

［8］黃欣研，劉芳，鮑騫月，等.基于多任務學習和身份約束的生成對抗網(wǎng)絡人臉校正識別方法［J］.電子學報，2023（10）：2936-2949.

（編輯 沈 強）

Facial feature point recognition technology based on image key feature enhancement processing

TAN Zhenhua1， WANG Long2

（1.School of Information Engincering， Jinzhong College of Information， Jinzhong 030600， China;

2.School of Data Science， Jinzhong College of Information， Jinzhong 030600， China）

Abstract： Conventional facial feature point recognition techniques are susceptible to image resolution degradation， leading to high calibration errors in the Euclidean distance of feature points. Therefore， the article proposes a facial feature point recognition technology based on image key feature enhancement processing， which completes the localization of facial feature points on the basis of image key feature enhancement processing; Designed a facial feature point recognition and tracking algorithm， combined with localization and tracking results， to achieve feature point recognition. The experimental results show that after applying the new recognition technology， the Euclidean distance calibration errors of different feature points are relatively low， indicating the effectiveness of the new technology.

Key words： face image; key features; image enhancement; face features