CPEF：一種用于人臉識別的圖像擇優方法

王　迪， 陳岳林， 蔡曉東， 甘凱今

(桂林電子科技大學 機械工程學院，廣西 桂林 541004)

?

CPEF：一種用于人臉識別的圖像擇優方法

王迪， 陳岳林， 蔡曉東， 甘凱今

(桂林電子科技大學 機械工程學院，廣西 桂林 541004)

針對人臉識別的輸入圖像信息量高低不均的問題，提出了一種多參數圖像擇優的評分機制CPEF主要有三點貢獻：第一點是提出了一種新穎的基于主動形狀模型(ASM)定位的人臉水平旋轉程度評估方法；第二點是采用遞歸的方式計算權重；第三點是提出了一組參數定量地描述了圖像擇優方法。過程如下：首先，計算圖像質量；其次基于二分類器判斷人眼是否處于睜開狀態；然后以顏色直方圖信息判定人是否處于張嘴狀態；最后，綜合水平旋轉程度及其他參數，配合權重，給出評分。在FERET人臉庫上的實驗結果證明，CPEF有效地將人臉圖像按照人主觀感受做出排名，準確率高達92%。并且按得分高低排序采用Gabor配合SVM做人臉識別對比測試，對比實驗證明，經CPEF處理后的圖像在人臉識別中的準確率顯著提升。

ASM； CPEF； 旋轉； 遞歸

人臉識別是模式識別領域中活躍的研究方向之一，傳統流程是在一段大約10 s左右的視頻中，獲取單個人物的一組人臉圖像，將它們帶入后期的人臉識別階段。而人臉識別大量采用特征提取的方法，所以圖像的信息量高低會影響識別效果。目前該領域主要研究的是圖像自身質量，諸如客觀質量評價中的全參考型、部分參考型、無參考型等。這些只是作為圖像擇優的一部分，對于信息量以及是否便于特征提取沒有做考慮。

本文提出CPEF，它是在獲取圖像客觀參數的基礎上，采用遞歸給出權重，作出符合人主觀感受的評分。具體過程為：首先，基于ASM[1]定位計算人臉水平旋轉程度；其次，計算圖像的LS值[2]以及輪廓[3]數量評估圖像質量；然后使用haar[4]配合adaboost[5]定位人眼，基于HOG[6]配合SVM[7]訓練出的二分類器判斷人眼是否處于睜開狀態；接下來ASM定位人嘴，以顏色直方圖信息判定人是否處于張嘴狀態；最后，綜合以上參數，配上遞歸得到的權重，計算最終評分。CPEF的框架如圖1所示。

圖1　CPEF框架圖

1　一種新穎的人臉水平旋轉程度評估方法

人臉水平旋轉程度是圖像擇優的一個重要參數，旋轉程度過大，會丟失很多人臉上的有用信息，在之后的人臉識別階段，會有很多特征無法進行匹配。因此，旋轉程度的評定至關重要。本文提出一種新穎有效的基于ASM定位的人臉水平旋轉程度評估方法。

1.1ASM定位三處關鍵點

ASM要定位準確，后續工作都是建立在ASM定位到的三點上進行的。ASM是基于統計學習模型[8]的特征點提取方法。包括train和test兩部分，即形狀建模與形狀匹配，其中建模部分在本文研究前期已經完成，如圖2所示，一張人臉上標定了76個特征點。

圖2　ASM人臉形狀建模圖

本書需要定位圖2中第38點和第39點作為雙眼中心點，以及第52點作為鼻尖點，之后就是通過計算這三個點之間角度來衡量人臉水平旋轉程度。

1.2計算水平旋轉程度

通過定位到的雙眼中心點以及鼻尖點，三點連線后得到人臉上的一個倒三角形，如圖3所示。

圖3　人臉旋轉角度對比

2　基于實驗的遞歸式參數權重確定

判斷一張人臉圖像上可用信息量的多少，唯一的標準就是，該方法獲得的客觀質量評價結果與人的主觀感受是否一致。

2.1人主觀評定準則

本文在使用CPEF之前，首先明確人對于圖像的主觀評定準則，在此基礎上反復做遞歸測試獲得權重值。如圖4所示給出各參數重要性優先級。

圖4　參數優先級

人臉旋轉程度重要性要高于其他參數，一旦失效，其他特征無法準確提取，如圖5所示。

圖5　水平旋轉程度過大導致ASM定位不準

圖5中，同一個人目標人物，左圖中人臉較正，ASM定位準確，右圖中人臉旋轉大于20°，ASM可能會定位錯誤。

2.2遞歸實驗獲取權重

首先視各參數權重初始值相同{0.25，0.25，0.25，0.25}，每次實驗都將FERET數據庫中200組人按照當前權重值計算得分，測試結束后，用主觀感受去對實驗結果作出評價，獲得一個準確率。而評分失敗的人臉要給出兩個指標，即導致評分失敗的原因中，哪一項參數權重高出最多，哪一項參數權重低出最多。

樣本總數：total_num

失敗個數：fail_num

權重高的參數：high_max，對應的個數：high_num

權重低的參數：low_max，對應的個數：low_num

評分準確率：rate

遞歸流程如下所示：

While(rate>0.01)

帶入FERET做測試；

forj=0，…，total_num

對圖像評分，排序；

end；

統計fail_num；

計算rate，high_num，low_num；

end；

多次遞歸之后準確率趨于平穩，遞歸前后準確率相差1%以內。此時準確率高達92%。CPEF評分公式為

(1)

3　基于一組參數定量的描述圖像擇優的方法

3.1人臉圖像LS值與輪廓數量評估圖像質量

圖像擇優，首先就要考慮圖像質量，包括人臉上清晰程度以及輪廓數量的多少。

3.1.1計算LS值

本文采用了拉普拉斯算子計算LS值評估圖像的清晰度，計算公式為

(2)

一個M×N大小的圖像，其中，g(i，j)表示圖像在(i，j)點的像素值，LS值越大，說明圖像輪廓越清晰，圖像質量越好。

3.1.2輪廓數量

通過圖像具有的輪廓數量進行擇優，即輪廓越多的人臉，它所含的信息量越大。因此，本文使用cvContours獲取每張人臉圖像輪廓，輪廓數量越多，圖像質量越高。

3.2睜眼和閉嘴狀態的判定

人臉表情會影響人臉特征信息的提取，為人臉識別帶來一定困難，而表情的變化常常表現在人眼和人嘴的狀態上，本章采用訓練的方式判斷人是否處于睜眼閉嘴的狀態。

3.2.1人眼檢測和判定

采用haar配合adaboost檢測人眼，計算人眼的HOG特征，并帶入SVM訓練二分類器，判斷是睜眼還是閉眼狀態。

3.2.2人嘴檢測和判定

如圖6所示，左側是ASM定位到的76個特征點標號，本文取從第66點起，逆時針經第67、68、69、70點最終至第71點所圍成的近似矩形框。

圖6　ASM定位人嘴中心

圖6中，右側上圖為ASM檢測出的效果圖，右側下圖為定位到的人嘴位置，通過大量實驗可獲悉，水平旋轉20°范圍內的人臉都可以由ASM模板精準定位到人嘴位置。

把第66點至第71點所圍成區域圖像轉化為灰度圖，白色區域大于一定面積判定為露齒，即視為張嘴，如圖7所示。

圖7　張嘴閉嘴顏色直方圖信息對比

圖7中對比出張嘴狀態下的人嘴附近顏色直方圖在高灰度值區域分布較廣。這種直接的判定方法準確、簡單、有效。

本章是對人臉是否處于睜眼閉嘴狀態的判斷，映射了該人臉是否存在表情變化。下面給出實驗過程和結論。

4 實驗及結果分析

4.1實驗目標及過程

本文實驗分為兩個階段，第一階段是測試CPEF評

分準確率，第二階段是測試CPEF的評分效果提升人臉識別準確率的程度。

第一階段，實驗采用FERET數據庫，內涵200人，每個人有7張圖像。之所以采用FERET人臉庫做測試，原因如下：1)包括水平旋轉、睜眼閉眼、張嘴閉嘴、明暗對比等多種狀態下的人臉圖像，CPEF采用的各項參數在FERET數據庫中都有體現。2)圖像的清晰度滿足了人臉特征提取的要求。3)近似于實際環境下的人臉檢測效果，在室內實際環境下有可推廣性。本文提出的CPEF致力于應用在室內環境下，在反復遞歸測試之后，排序準確率趨于平穩，即遞歸前后準確率在1%之內，實驗停止。CPEF的計算流程如圖8所示。

圖8　CPEF計算流程圖

第二階段，是對CPEF評分后的人臉圖像做識別，目的是證明得分高的人臉圖像識別率高于得分低的人臉圖像。實驗采用FERET人臉庫做測試，共200人，每人有7張不同狀態圖像(圖9)，經過CPEF評分后，每個人的這7張圖像按得分由高到低排序，如圖8所示，得分越高，排名越靠前。FERET人臉重新組合，每個人排名序號相同的人臉組成一個集合，排名序號為i的人臉集合為fi，則FERET可由7個集合構成。F={f1,f2,f3,f4,f5,f6,f7}，fi=每個人排名第i的人臉共計200張。i越大，對應的集合中的人臉圖像得分越高，即得分排序為Scorefi>Scoref2>Scoref3>Scoref4>Scoref5>Scoref6>Scoref7，每次將一個集合作為識別輸入圖像。每張圖像提取Gabor特征[9]，其中Gabor濾波器有5個尺度8個方向，共計40個。將濾波后的圖像降采樣，像素值按序排成一個行向量帶入SVM訓練分類器，一個集合中有200張人臉即分為200類，輸入測試圖像，SVM中的predict函數會給出一個歸類標簽號，這個標簽號就對應了測試圖像識別到的樣本序號。測試圖像共計200張，作為每個集合的測試數據，序號和數量保持不變。每個集合最終會得到一個識別準確率，比較7個集合的準確率如圖10所示，其中CPEF處理后得分最高的人臉集合f1的識別準確率高達94%，而得分最低的集合f7識別準確率僅為62%。

圖9　FERET數據庫多組人臉圖像

圖10　不同得分級別的人臉圖像識別準確率對比圖

4.2實驗結論

經CPEF計算后的一組人臉圖像按評分由高到低排序如圖11所示。

圖11　評分效果圖

圖11中從左向右是同一個人檢測到的7張人臉經過CPEF得分從高到低排位的結果，符合人的主觀感受，其中水平旋轉程度低、睜眼、閉嘴、無顯著表情變化的人臉圖像得分最高，即左側第一張。

CPEF的評分準確率如圖12所示，實驗證明：CPEF可以有效地對人臉給出符合人主觀感受的評分，在FERET人臉庫中準確率高達92%。

圖12　CPEF在FERET數據庫上的準確率

CPEF評分后，按得分高低排序帶入做人臉識別，FERET人臉庫F={f1,f2,f3,f4,f5,f6,f7}，fi=每個人排名第i的人臉共計200張，識別準確率如圖10所示。

實驗證明：CPEF評分越高的人臉圖像識別準確率越高，FERET數據庫中的人臉圖像近似于室內環境下檢測到的人臉，識別率有如此高的提升，說明CPEF在室內環境下有實際可推廣性。

5　結束語

本文采用CPEF對檢測到的人臉進行評分供后期人臉識別使用，該方法：1)提出一個多參數模型，在FERET這個公共人臉庫中做遞歸測試，得到一組優化的參數，使這個模型對人臉圖像擇優準確率達到92%以上。2)提出一種新穎的基于ASM的評估人臉水平旋轉程度的算法，在水平旋轉20°范圍內有效。3)本文致力于在室內環境下對檢測到的人臉進行評分，對比識別準確率的實驗證明，CPEF在室內實際環境下具有可推廣性。未來進一步的改進方向是對ASM定位側臉準確性的提升，以及人臉表情多樣化的算法適應性。

[1]COOTES T，TAYLOR C，COOPER D，et al.Active shape models-their training and application[J].Computer vision and image understanding，1995，61(1)：38-59.

[2]楊露，蘇秀琴，陸陶，等.基于Controurlet變換和形態學的圖像去噪方法[J].光電子，2008，19(11)：1558-1560.

[3]王映輝. 人臉識別——原理、方法與技術[M].北京：科學出版社，2010.

[4]劉曉克. 基于新Haar-like特征的多角度人臉檢測[J]. 計算機工程， 2009， 35(19)： 195-197.

[5]GUO B F，LAM K M，LIN K H，et al.Human face recognition based on spatially weighted Hausdorff distance[J].Pattern recognition letters，2003，24(3)：499-507.

[6]王慶軍，張汝波.基于Log-Gabor和正交等度規映射的人臉識別[J].計算機科學，2011，38(2)：274-276.

[7]肖政宏，基于PCA和GMM的圖像分類算法[J].計算機工程與設計，2007，11(27)：1951-1952.

[8]王晶，蘇光大.確定區域的人臉彩色傳遞[J].光電子，2010(1)：116-119.

[9]梁路宏，艾海舟，肖習攀.基于模板匹配與支持矢量機的人臉檢測[J].計算機學報，2002，25(1)：22-29.

王迪(1988— )，碩士生，主研智能視頻分析與模式識別；

陳岳林(1968— )，碩士生導師，主要研究方向為機制、機電等；

蔡曉東(1971— )，碩士生導師，主要研究方向為并行化圖像和視頻處理、模式識別與智能系統、基于云構架的智能傳感器網絡；

甘凱今(1992— )，碩士生，主研智能視頻分析與模式識別。

責任編輯：閆雯雯

Evaluation method based on CPEF for face recognition

WANG Di，CHEN Yuelin，CAI Xiaodong，GAN Kaijin

(SchoolofInformationandCommunication，GuilinUniversityofElectronicTechnology，GuangxiGuilin541004，China)

A novel mechanism named CPEF(Composite Parameters for Evaluating Face images) for selecting an image to conduct the best result for face recognition applications from an image sequence is presented. Firstly， an method based on ASM positioning for the evaluationof image rotation is provided. Then a recursive scheme for parameters weighing is utilized. Finally， a composite parameter model is proposed to rate the appropriate degree of an image for face recognition. The experimental results show that the proposed method produces similar results to subjective evaluation and the accuracy is 92%. Furthermore，the effectiveness of this work is proved by face recognition applications using Gabor feature and SVM classifier.

ASM；CPEF；rotate；recursive function

TN911

ADOI：10.16280/j.videoe.2016.07.025

國家科技支撐計劃項目(2014BAK11B02)；2014年廣西科學研究與技術開發計劃項目(桂科攻14122007-5)

2015-09-10

文獻引用格式：王迪， 陳岳林， 蔡曉東，等. CPEF：一種用于人臉識別的圖像擇優方法[J].電視技術，2016，40(7)：113-117.

WANG D， CHEN Y L， CAI X D，et al. Evaluation method based on CPEF for face recognition [J].Video engineering，2016，40(7)：113-117.