基于SUSAN算子的嘴部輪廓特征提取方法

戚銀城，苑 清，李 婷，楊秀芳

(華北電力大學電氣與電子工程學院，河北保定071003)

基于SUSAN算子的嘴部輪廓特征提取方法

戚銀城，苑 清，李 婷，楊秀芳

(華北電力大學電氣與電子工程學院，河北保定071003)

針對人臉識別中的嘴部定位部分輪廓缺失問題，提出了一種由粗到精的快速準確的嘴部輪廓特征提取方法。該方法是在人臉檢測的基礎上采用改進的SUSAN算子提取嘴部邊緣輪廓信息，通過幾何特征和搜索區域相結合的方法實現了嘴唇輪廓的精確定位。仿真結果表明，該定位方法快速有效，正確率較高。

輪廓提取;人臉檢測;SUSAN算子

嘴唇輪廓提取是采用圖像分割的方法將人體面部的嘴巴部分準確地分割出來，是進一步進行人臉狀態分析、唇讀識別和駕駛疲勞判別的基礎。為了提取嘴唇輪廓信息，學者們提出了很多方法，如通過在嘴唇涂抹口紅加大對比度［1］，利用提取紅色信息進行嘴唇的邊界提取。但是在實際圖像中嘴唇的紅色信息不是那么明顯，無法達到實際的提取效果。基于Snake模型的嘴唇輪廓提取［2-3］需要人工進行初始值的確定以及多參數優化的求解，而且是通過多次迭代計算外部能量函數，運算速度比較慢。基于圖像的方法就是將圖像看作一個二維矩陣，然后對矩陣中的數據進行某種變換將圖像矩陣從一個空間變換到另一個易于分割的空間的方法，包括尺度空間分析方法［4-5］、“特征嘴唇”方法。該方法的優點是信息損失量少，缺點是冗余度較高，計算量較大，而且對光照、旋轉、伸縮變化比較敏感。本文在嘴部特征提取中選擇一種融合嘴部的幾何特征和改進的邊緣角點檢測SUSAN算子進行嘴部輪廓提取的方法。

1 嘴唇邊緣特征提取原理介紹

1.1 SUSAN算子

SUSAN(Small Univalue Segment Assimilating Nucleus)是最小吸收核同值區的縮寫。該算子是一種基于灰度的特征點提取方法［6］。SUSAN算子的基本原理是:選取3× 3或者7×7的近似圓形模板，圓形模板在圖像上移動，將模板內像素點的灰度值與模板中心像素點的灰度值進行作差運算。設定門限值為t，假如差值小于t，則認為該點與模板具有相同的灰度值，最后統計模板內滿足上述條件的像素組成的區域，并稱此區域為吸收核同值區(簡寫為USAN)。由圖1中的a可以看到，當圓形模板完全處在目標區域時，USAN面積最大;當圓形模板逐漸向目標邊界滑動時，USAN面積逐漸變小，如圖1中c的USAN面積為模板面積的一半多;如圖1中d的USAN面積為模板面積的一半;當圓形模板向目標邊界角點移動的時候，USAN面積變為模板總面積的1/4，如圖1中的e;當繼續向背景區域移動時，USAN面積逐漸增大，直到最后完全處于背景區域，此時USAN面積再次達到最大，如圖1中的b所示。

由此可以看到，在圖像的邊緣或角點處的USAN面積最小，因此可以根據計算USAN的面積大小來實現圖像的邊緣檢測、角點檢測。而且，此方法簡單有效，計算速度快，可以有效地去除圖像中的部分噪聲點。

本文使用的是一個7×7的包含關于中心對稱的37個像素的圓形模板，半徑為3.5個像素，如圖2所示。

圖1 SUSAN特征檢測原理

圖2 SUSAN算法圓形模板

將模板中每個像素的灰度值與模板中心的灰度值進行差分與閾值t比較，當差分結果大于閾值t設置為0，當差分結果小于t設置為1，計算公式為

在實際應用中常采用式(2)計算

式中:r和r0分別表示模板中心點的值以及模板內其他坐標點的值，c(r，r0)代表的是計算結果，I(r)代表的是該點的灰度值，t為灰度閾值。

USAN區域的值最終由式(3)計算

最后，通過式(4)求得圖像的邊緣角點初始響應，其中g為幾何閾值

由式(4)得到的邊緣角點初始響應滿足了USAN面積越小，邊緣角點響應越大的原理。因此，可以通過以上計算對圖像中的角點信息進行增強，判別出邊緣角點所在位置。

1.2 改進的SUSAN角點提取算法

上面是對SUSAN算子原理的基本介紹，可以看出，在SUSAN算子中閾值的設置對邊緣信息的提取有著很大的影響，閾值取得太高，容易丟失邊緣信息，閾值取得太低，會增加部分背景信息，進行誤判別。

而閾值t的大小決定了SUSAN算子所能檢測出的邊緣角點信息的多少。t的值如果取得越小，則檢測到的角點就越少，邊緣信息越不明顯。t的值如果取得越大，則檢測到的角點就越多，邊緣信息越明顯，但此時就有可能把其他信息誤檢為邊緣信息。本文中采用的是改進的SUSAN算子進行閾值分割［7］，采用一種對t值自適應的方法，使SUSAN針對不同的圖像能夠自動根據圖像的整體灰度進行閾值設置，計算出最佳閾值。

把模板中每個點的灰度值I(r)與中心點的灰度值I(r0)作差值運算，然后取平均值作為迭代的初始值T0，即

根據確定的初始值計算下一個迭代值

式中:m為像素點的灰度值;Cmax為最大的灰度差值;Ti為第i次的迭代閾值;h(m)為一次迭代中灰度差值為m所對應的個數。每進行一次迭代后判斷︱Ti+1-Ti︱= 0是否成立，若成立則停止迭代，并把此次計算得到的Ti作為最終的SUSAN模板的灰度閾值。經過改進后的閾值可以很好地檢測到不同對比度下的圖像邊緣。

圖3a是一幅人臉下半區域圖像，圖3b是利用SUSAN算子對嘴唇圖像進行簡單閾值分割的圖像。

2 嘴唇輪廓的精確定位和提取

2.1 幾何約束

經SUSAN算子分割后的圖像只剩下嘴部邊緣、鼻孔邊緣、臉頰邊緣等信息。眾所周知，人的嘴部在臉部上的相對位置和大小都是固定不變的，處在人臉的下半部分的中間位置。為了精確地定位嘴部區域，排除非嘴部區域以及邊界區域，進行如下操作:

圖3 SUSAN算子閾值分割結果

1)經SUSAN算子分割后的臉龐邊界信息仍保留下來，根據嘴部的幾何位置，通過排除邊界連通區域剔除掉這些非嘴部信息。

2)剩下的區域主要有鼻孔邊界信息和若干臉部區域內的小的連通區域，通過設置1×1的結構元素進行腐蝕操作去除小的連通區域以及鼻子與嘴部周圍的連接區域。

3)對剩余的區域再進行3×3的膨脹處理，使嘴部的邊界非連通域連接起來，增大嘴部區域的面積。

當然，說成圣人下凡的基本上是女人居多。女人就是喜歡這些小枕頭啊小坐墊啊這類小恩小惠，男人嘛在開玩笑時還是要開的，尤其是在老樟樹下，葷段子還是要跑的。但大家心知肚明，感覺還是好的。

4)由于嘴部區域內像素總數大于人鼻孔的面積(鼻孔部分為2個較小的連通域)，根據最大連通域提取出嘴部區域，并進行標框顯示。

2.2 嘴部區域部分缺失下的輪廓提取

通過以上的檢測有時也會出現嘴部區域的部分缺失，針對此類問題，本文提出了一種通過橫向搜索左右鄰域的滿足特征的方法進行缺失區域的彌補方法。

首先，對檢測的區域進行判別:嘴部的左嘴角距離左臉頰的距離為m1，右嘴角距離右臉頰的距離為m2(如圖4)，TT=︱m1-m2︱，如果TT＞L×0.5，則判斷嘴部有可能存在部分缺失未檢測到，其中L代表檢測出的嘴部的寬度。

圖4 嘴部幾何形狀

接著，判斷m1和m2的大小，當m1＜m2時，說明嘴部右邊有可能存在缺失，接著搜索已經檢測到的嘴部的右邊區域，若存在滿足S(x)＞0.25S的區域(其中，S(x)為嘴部邊界滿足特征的區域面積，S為已經檢測到的嘴部區域面積)，則保留下來，并判別為缺失的嘴部區域;當m1＞m2時，方法類似。

最后，對檢測到的嘴部區域進行標框顯示。

圖5為經過SUSAN算法處理后存在嘴部丟失部分輪廓信息的圖像，圖6為通過本文方法的檢測結果。由圖可知，本文的方法彌補了由SUSAN算法檢測時出現的部分嘴部缺失下的不足，提高了檢測嘴部輪廓的正確率，有很好的魯棒性。

圖5 唇部定位缺失實驗圖

圖6 唇部精確定位實驗圖

3 實驗結果分析

圖7 唇部精確定位實驗結果(正面圖像，唇部閉合)

圖8 唇部精確定位實驗結果(正面圖像，唇部張開)

測試其檢測率和正確率，檢測率和正確率的計算為

圖9 唇部精確定位實驗結果(頭部旋轉，唇部閉合)

圖10 唇部精確定位實驗結果(頭部旋轉，唇部張開)

對本文算法與常用的唇色與膚色差異性的唇部檢測算法［1］進行了比較，結果見表1。

表1 本文算法與文獻［1］算法比較結果

由表1可知，在兩種人臉數據庫下本文方法對嘴部的定位正確率都能達到77%以上，表明了該算法在人嘴部張開和閉合以及頭部偏轉情況下都具有很好的檢測效果，算法計算簡單，準確率高。文獻［1］方法的定位正確率只有71%，原因是圖像中嘴角處的區域常出現丟失檢測以及當圖像中存在近紅色區域時定位不夠準確。對比試驗表明，本文提出的算法檢測精度更好，而且對于光線比較暗和頭部有一定傾斜的人臉圖像，具有一定的魯棒性。

4 結論

針對傳統的嘴唇輪廓提取易出現部分邊緣丟失的問題，本文提出了一種改進的嘴唇輪廓提取方法。首先采用改進的SUSAN算法進行嘴部輪廓的初步定位，然后通過幾何約束和搜索區域相結合的方法進行嘴唇輪廓部分缺失下的精確定位和輪廓提取。該方法計算簡單，準確率較高，適用于人嘴部張開和閉合以及頭部偏轉情況下嘴唇的精確定位和輪廓提取。

［1］張玲，蔡春花，何偉.唇色與膚色差異性的唇部檢測算法的研究［J］.計算機工程與應用，2012，48(30):182-186.

［2］余健儀，鄭勝林，潘保昌，等.基于改進的snake模型的嘴唇輪廓提取［J］.計算機技術與發展，2008，18(8):95-100.

［3］湯敏，王元全，夏德深.基于Snake模型的嘴部特征分割［J］.計算機工程，2005，30(21):7-9.

［4］王鵬偉，吳秀清，張名成.基于多尺度形態學融合的分水嶺圖像分割方法［J］.數據采集與處理，2007，21(4):398-402.

［5］高濤.基于小波域多尺度Retinex的復雜光照的人臉識別［J］.電視技術，2012，36(5):122-125.

［6］SMITH SM，BRADY JM.SUSAN—A new approach to low level image processing［J］.International Journal of Computer Vision，1997，23(1): 45-78.

［7］羅忠亮.基于改進SUSAN算子的圖像邊緣檢測算法［J］.重慶工學院學報:自然科學版，2009，23(5):102-106.

［8］PEER P.CVL face database［J］.International Journal of Computer Vision，1997，23(1):45-78.

對兩篇學術不端文章的處理聲明

近日本刊接到舉報，《電視技術》2014年第11期署名為李文琴等的文章《面向QoS的低復雜度寬帶混合頻譜接入算法》和2014年第13期署名為田亮等的文章《基于能效管理的認知車載網絡頻譜接入方案》存在嚴重抄襲問題，編輯部經過調查后認為:上述兩文抄襲情況屬實;本刊在審稿過程中嚴格執行了審稿程序，并借助科技期刊學術不端文獻檢測系統進行檢測，但該系統對比數據庫的文獻實際入庫時間滯后于文獻發表時間，因此在本刊審稿時未能檢測出抄襲問題，本刊審稿人也未能發現抄襲問題。本刊對被抄襲文獻作者以及廣大讀者表示歉意，我們將進一步加強審稿工作。另外，本刊堅決反對此類學術不端行為，為了進一步嚴肅學術與出版風氣，經本刊研究決定，對此次事件作出嚴肅處理，特將處理情況聲明如下:

1)撤銷本刊對上述兩篇學術不端文章的錄用，原錄用證明作廢。

2)五年內拒絕上述兩篇學術不端文章第一作者(李文琴、田亮)的投稿。

特此聲明。

《電視技術》編輯部

2014年11月

M outh Contour Feature Extraction Method Based on SUSAN Operator

QIYincheng，YUAN Qing，LITing，YANG Xiufang
(School of Electrical and Electronic Engineering，North China Electric Power University，Hebei Baoding 071003，China)

Formissing problem of partial contour ofmouth positioning in face recognition ，a rapid and exactmethod to extract themouth contour feature from coarse to fine is proposed.On the basis of face detection，mouth edge profile information is extracted by the improved SUSAN operator.Combining with geometric features and searching area，the positioning of themouth contour is accurately realized.Simulation results show that themouth contour positioningmethod is fast and valid，and it has a high accuracy.

contour extraction;face detection;SUSAN operator

TN911.73;TP391.41

A

戚銀城(1968—)，教授，碩士生導師，主要研究方向為電力信息分析與處理、語音與圖像處理;

苑 清(1988—)，碩士生，主要研究方向為圖像處理;

李 婷(1988—)，女，碩士生，主要研究方向為圖像處理;

楊秀芳(1987—)，女，碩士生，主要研究方向為圖像處理。

??健男

2014-02-17

【本文獻信息】戚銀城，苑清，李婷，等.基于SUSAN算子的嘴部輪廓特征提取方法［J］.電視技術，2014，38(23).

中央高校基本科研業務費專項資金項目(13XS27)