基于人臉識別技術(shù)的智能系統(tǒng)研究與開發(fā)
1研究背景
生物識別技術(shù)是目前最為方便與安全的識別系統(tǒng)。生物識別是依靠人體的身體特征來進(jìn)行身份驗證的一種解決方案。由于與傳統(tǒng)的生物識別技術(shù)相比,人臉識別因具有更為簡便、準(zhǔn)確、經(jīng)濟(jì)及可擴(kuò)展性良好等眾多優(yōu)勢而普遍為人們所看好,被廣泛應(yīng)用于安全驗證、監(jiān)控、控制等各個方面。但到目前為止,能夠滿足人們需求的理想系統(tǒng)尚未出現(xiàn)[1]。
根據(jù)FERET'97 測試報告[2],目前的人臉識別算法對于不同的攝像機(jī)、不同的光照條件和年齡變化的適應(yīng)能力非常差。FRVT'2000評測[3]結(jié)果表明,人臉識別系統(tǒng)的性能與FERET'97的測試相比有了一定的進(jìn)步,但其識別性能對各種條件,如光照、老化、距離、姿態(tài)等,仍然離人們的期望值較遠(yuǎn)。
2問題的提出
本文僅考慮單人正面靜態(tài)灰度圖像,著重考慮人臉圖像的檢測和定位,不考慮頭部的俯仰、旋轉(zhuǎn)以及穿戴、遮蔽的情況,而且頭部的傾斜不超過15°。
本文的研究工作主要是提出了結(jié)合人臉模板和人臉特征進(jìn)行人臉檢測的方法,對現(xiàn)有的人臉檢測與定位的方法提出了改進(jìn),進(jìn)而提取臉部特征,并在此基礎(chǔ)上實現(xiàn)了一個智能識別系統(tǒng)演示軟件。本文所采用的方法,主要是基于參數(shù)化的橢圓型人臉模板與基于眼睛及嘴巴幾何特征相結(jié)合的人臉定位方法,以及根據(jù)其眼睛、鼻部及嘴部的幾何特征參數(shù),對實驗人臉庫進(jìn)行監(jiān)督下的分類和統(tǒng)計的人臉識別方法。所采用的人臉數(shù)據(jù)庫是BioID人臉庫。
3基于人臉識別技術(shù)的智能系統(tǒng)設(shè)計方案
人臉自動識別系統(tǒng)包括下列主要技術(shù)環(huán)節(jié)[4],首先是人臉檢測和定位,即從輸入圖像中找到人臉及人臉存在的位置,并將人臉從背景中分割出來,然后才是對歸一化的人臉圖像進(jìn)行特征提取與識別。這兩個環(huán)節(jié)的研究獨立性很強(qiáng)。由于在很多特定情況下,人臉檢測與定位的工作比較簡單,因此“特征提取與識別”環(huán)節(jié)得到了更為廣泛和深入的研究;而近幾年來隨著人們越來越關(guān)心各種復(fù)雜情形下的人臉自動識別系統(tǒng),人臉檢測與定位才得到了較多的重視。
評價一個人臉自動識別系統(tǒng)的標(biāo)準(zhǔn),一個是誤識率即將某人錯識別為其他人,另一個是虛警率即將其他人識別為這個人。這二者之間是存在矛盾的,所以在實際問題中往往需要進(jìn)行某種折衷。這一點同樣適用于特征提取與識別環(huán)節(jié),但是對于人臉檢測與定位,我們一般則要求誤識率要盡可能低,因為這樣才可以保證所要識別的人不會在這一步就丟失。
常用的人臉識別實驗庫以美國軍方的FERET 庫最為權(quán)威。另外如MIT、ORL 等庫也可以用來驗證算法在某些方面的能力。目前尚沒有專門測試人臉檢測和定位算法的圖像庫。
4基于人臉形狀特征的精確定位方法
4.1 人臉特征的檢測
特征檢測是人臉識別智能系統(tǒng)中的關(guān)鍵環(huán)節(jié),因為眼睛、鼻子和嘴巴等特征集中了人臉的人部分信息。對于人臉建模來說,不僅要檢測出這些特征,而且要準(zhǔn)確地加以定位。
假設(shè)人臉的姿態(tài)比較正,那么人臉上的特征是水平邊緣集中的區(qū)域。我們可以在低分辨率下提取水平邊緣,然后找到人臉區(qū)域內(nèi)富含這些邊緣的連通區(qū),作為人臉特征的候選區(qū)域。這些區(qū)域的位置和大小并不準(zhǔn)確,因為邊緣檢測本身容易出現(xiàn)位置偏移,連通區(qū)的大小也隨閾值而變化。所以還需要進(jìn)一步修正上面的結(jié)果。對正面的人臉來說,眼睛、嘴巴等特征和整個人臉的尺寸之間存在先驗的約束關(guān)系,這就是人臉結(jié)構(gòu)的恒常性,因此我們利用這些約束關(guān)系確定特征區(qū)域的大小。
4.2 雙眼和嘴巴的定位
可以充分利用先驗知識,把眼睛和嘴巴表示為分段多項式曲線,然后用變形模板得到準(zhǔn)確的輪廓。眼睛輪廓的模型如圖1所示,由四段二次曲線組成,曲線的參數(shù)有8個:上半眼的中心(x0,y0)、連接內(nèi)外眼角的直線的傾角θ、上下半眼的高度h1和h2、內(nèi)眼角到上半眼中心的距離wl,外眼角到上半眼中心的距離w2,內(nèi)眼角到下半眼中心的距離w3。
圖1 眼睛輪廓模型
評價函數(shù)的選擇是關(guān)鍵。眼睛本身不具有—致的顏色信息,而邊緣信息比較豐富。因此,先對圖像進(jìn)行邊緣提取,然后作適當(dāng)尺度的閉運算,就可以使眼睛內(nèi)部形成單一的高亮度區(qū)。在處理過的圖像中,眼睛內(nèi)部是高亮度區(qū),外部是低亮度區(qū)。因此可以定義評價函數(shù)如式(1)所示。其中D表示眼睛區(qū)域, 表示眼睛輪廓之外的帶狀區(qū)域, 表示輪廓之內(nèi)的帶狀區(qū)域。根據(jù)4段曲線表達(dá)式得到的眼睛區(qū)域可以初始化眼睛的輪廓,然后用最陡下降法迭代直至該輪廓收斂。
(1)
嘴巴輪廓的模型如圖2所示。由兩段四次曲線組成,曲線的參數(shù)有7個:嘴巴的中心(x0,y0)、連接兩嘴角的直線傾角θ、上下半嘴的高度h1和h2、嘴角到嘴巴中心的距離w,以及上下半嘴的四次項系數(shù)q1和q2。
圖2 嘴巴輪廓的模型
嘴巴的評價函數(shù)比較容易確定,可以通過唇色和膚色的分割將嘴巴區(qū)分出來。評價函數(shù)的表達(dá)式如式(2)所示。各符號的含義與眼睛模型相似。
(2)
5人臉檢測與定位軟件系統(tǒng)的實現(xiàn)
5.1 系統(tǒng)工作流程
本系統(tǒng)的工作流程如下:在圖片輸入后,首先進(jìn)行圖象預(yù)處理,再利用橢圓模板匹配初步定位人臉。在對人臉方向進(jìn)行校正后,再基于外形特征尋找眼睛和嘴巴,并基于相關(guān)性進(jìn)行人臉區(qū)域驗證,最后輸出檢測與定位結(jié)果。
在人臉識別階段,先對檢測定位輸出的圖片進(jìn)行特征提取,再在人工監(jiān)督下進(jìn)行特征值統(tǒng)計。然后根據(jù)模板參數(shù)與特征統(tǒng)計值構(gòu)造判據(jù)。對輸入的待識別圖象,經(jīng)檢測、定位并計算模板參數(shù)和特征值,再由判據(jù)進(jìn)行判別分類后輸出識別結(jié)果。
5.2 臉部檢測與定位結(jié)果
經(jīng)邊界檢測,臉部檢測與定位的結(jié)果如圖3所示。
圖3 同時考慮臉型、眼睛和嘴特征時的臉部定位結(jié)果
5.3 檢測與識別結(jié)果
本文利用BioID 人臉庫中的100幅靜止灰度圖片(BioID_0000.pgm- BioID_0099.pgm)作為素材進(jìn)行了實驗。實驗結(jié)果如表1所示。
表1 檢測與識別結(jié)果
5.4 結(jié)果分析
在上述3種方法中,參數(shù)橢圓模板結(jié)合眼睛、眉毛和嘴巴特征的定位方法顯示出較好的性能。
在采用基于膚色進(jìn)行圖像分割,進(jìn)而定位人臉的方法時,由于膚色受環(huán)境光照、背景中近似膚色物體的存在的影響,導(dǎo)致定位結(jié)果較差。在改變閾值大小時, 對判斷的結(jié)果影響不大,這表明:第一,膚色與背景色混雜,以及強(qiáng)烈的光照的影響,是造成誤判的主要因素;第二,在一種上述問題不太嚴(yán)重的比較“理想”的狀態(tài)下,膚色模型也的確能有效地發(fā)揮作用,以抵消來自于外形姿態(tài)等方面的影響。對膚色模型的改進(jìn)應(yīng)該集中在對于光照的處理和與背景的分離上,利用模板進(jìn)行檢測與定位即是有效分離背景干擾的一種方法。
在單純采用橢圓模板進(jìn)行檢測與定位時,檢測的正確率得到了一定的提高,但總的來說還是很難令人滿意的。在通過改變橢圓的參數(shù)試驗其性能時,其對參數(shù)變化的適應(yīng)性把高。經(jīng)分析,可以認(rèn)為是復(fù)雜的背景直接影響了橢圓模板的有效性。而對參數(shù)變化的適應(yīng)性差,主要是因為圖像庫中的人臉外形多為長橢圓形,表現(xiàn)在參數(shù)上差別不大。因而,僅僅通過橢圓模板進(jìn)行人臉的檢測與定位,其效果是難以令人滿意的。
在參數(shù)橢圓模板的基礎(chǔ)上,加入對眼睛、眉毛和嘴巴特征的參數(shù)描述,進(jìn)而利用改進(jìn)的模板進(jìn)行檢測與定位,取得了較好的結(jié)果。并且,在通過調(diào)節(jié)參數(shù)區(qū)分目標(biāo)人物時,也有較好的表現(xiàn)。經(jīng)分析,檢測與定位成功率的提高得益于對臉部器官外形參數(shù)的有效地描述,使其過濾了大多數(shù)的背景中的干擾,取得了較好的效果。在調(diào)節(jié)面部器官的外形參數(shù)時,模型取得了較好的區(qū)分效果,這可以認(rèn)為是各目標(biāo)人物的個人特征的真實反應(yīng)。其中仍然存在的問題是,在人臉傾斜,或有眼鏡、大片頭發(fā)遮蓋等情況發(fā)生時,將對檢測與定位的效果產(chǎn)生嚴(yán)重的影響。
6 結(jié)論
人臉檢測與識別研究的趨勢是利用多種線索(頭發(fā)、膚色、器官、輪廓、模板等),綜合多種分類方法(混合高斯模型、概率模型、神經(jīng)網(wǎng)與支持向量機(jī)等),啟發(fā)式信息與統(tǒng)計學(xué)習(xí)方法相結(jié)合??傊?,由于人臉對象的非剛體性,以及姿態(tài)、光照、遮擋等各種變化因素的影響和實時性要求,高性能的人臉檢測仍是一個困難的問題。
7本文作者創(chuàng)新點:
1采用基于參數(shù)化的橢圓型人臉模板與基于眼睛及嘴巴幾何特征相結(jié)合的人臉定位方法,根據(jù)其眼睛、鼻部及嘴部的幾何特征參數(shù),對實驗人臉庫進(jìn)行監(jiān)督下的分類。
2提出了結(jié)合人臉模板和人臉特征進(jìn)行人臉檢測的方法,并對現(xiàn)有的人臉檢測與定位的方法提出了改進(jìn),進(jìn)而提取臉部特征,并在此基礎(chǔ)上實現(xiàn)了一個智能識別系統(tǒng),經(jīng)檢驗,模型取得了較好的區(qū)分效果。
3.本項目為作者所在學(xué)院智能機(jī)器人研究課題之子課題,該課題目前已初步實用化,產(chǎn)生經(jīng)濟(jì)效益累計達(dá)110萬元。本項目實驗數(shù)據(jù),如FERET'97及FRVT 2000,以及BioID人臉庫等,均為互聯(lián)網(wǎng)上公開資料,所采用的研究方法為實驗法。
參考文獻(xiàn)
[1] 梁路宏,艾海舟。 人臉檢測研究綜述[J].計算機(jī)學(xué)報,Vol.25,No.5
[2] P. Jonathon Phillips, Alvin Martin C.L. Wilson, Mark Przybocki. An Introduction to Evaluating Biometric Systems.IEEE 2000
[3] DoD Counterdrug Technology Development Program Office. FRVT 2000 Evaluation Report. Feb. 16 2001
[4] 陳莉,劉智明, 周激流。 一種基于顏色和幾何特征的人臉檢測方法[J].計算機(jī)工程與應(yīng)用,2003.27
[5] 邢藏菊, 曲延鋒, 王守覺。 靜態(tài)灰度圖像中的人臉快速檢測[J].計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報。Vol.14,No.5,2002
[6] Kwok-Wai Wong,Kin-Man Lam,Wan-Chi Siu.An efficient algorithm for human face detection and facial feature extraction under different conditions.Pattern Recognition 34 (2001)
[7] 馮素玲。人臉識別常用方法研究[J].微計算機(jī)信息,2004,05: 45-47