基于改進(jìn)多塊局部二進(jìn)制模式的人眼定位算法

鹿艷晶++方加娟

摘 要： 人眼定位是人臉識(shí)別系統(tǒng)中必須解決的問題，為了提高人眼定位的精確度和速度，提出一種基于改進(jìn)多塊局部二進(jìn)制模式的眼睛中心定位算法。該算法構(gòu)建了所有可能的弱分類器作為多分支的樹枝，然后通過三個(gè)強(qiáng)分類器和迭代計(jì)算確認(rèn)眼睛中心點(diǎn)。基于標(biāo)準(zhǔn)BioID和FERET圖像數(shù)據(jù)庫(kù)，將提出算法與其他兩種方法進(jìn)行比較，實(shí)驗(yàn)結(jié)果顯示提出方法的精確度更高。失真圖像的測(cè)試結(jié)果表明，對(duì)噪聲失真而言，提出的算法足夠穩(wěn)健。

關(guān)鍵詞： 人臉識(shí)別； 人眼中心定位； 局部二進(jìn)制模式； 分類器

中圖分類號(hào)： TN911.73?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）11?0058?03

Human eye positioning algorithm based on improved multi?block local binary pattern

LU Yanjing1， FANG Jiajuan1， 2

（1. Department of Software Engineering， Zhengzhou Technical College， Zhengzhou 450121， China；

2. College of Computer Science and Engineering， Nanjing University of Science and Technology， Nanjing 210094， China）

Abstract： The human eye positioning is a problem which must be solved for the human face recognition system. In order to improve the accuracy and speed of human eye localization， a human eye center positioning algorithm based on improved multi?block local binary pattern is proposed. All possible weak classifiers were constructed as the branchy branches with the algorithm. The center point of the human eye is confirmed by means of three strong classifiers and iterative computation. On the basis of standard BioID and FERET image database， the proposed algorithm is compared with other two methods. The experimental results show that the proposed algorithm has higher accuracy. The test results of the distorted image show that the algorithm is robust enough for noise distortion.

Keywords： human face recognition； human eye center positioning； local binary pattern； classifier

0 引 言

作為人臉最富有表現(xiàn)力和特征的一部分，眼睛是臉部分析非常重要的信息來源。眼睛中心定位是人臉識(shí)別系統(tǒng)中至關(guān)重要的一步，諸如凝視估計(jì)、姿態(tài)估計(jì)、表達(dá)分析、臉部追蹤、臉部識(shí)別、臉部表情識(shí)別、以及人機(jī)界面等[1]。然而，由于眼睛的外觀變化程度高，比如大小、形狀、顏色、紋理和各種外界環(huán)境的變化，眼睛中心的精確定位問題具有較大的挑戰(zhàn)性。

在參考文獻(xiàn)[2?4]中，研究人員發(fā)現(xiàn)眼睛定位的準(zhǔn)確性對(duì)人臉識(shí)別的精確度有很大的影響，這就有必要在現(xiàn)實(shí)生活的場(chǎng)景中實(shí)現(xiàn)穩(wěn)健又準(zhǔn)確的眼睛定位。文獻(xiàn)[5]提出基于多塊局部二值模式特征的 adaboost算法和模板匹配的人眼定位方法。文獻(xiàn)[6]提出基于圖像梯度的算法。上述兩種方法的精確度較高，但是實(shí)現(xiàn)步驟較復(fù)雜。文獻(xiàn)[7]提出一種貝葉斯方法，但是在處理低質(zhì)量圖片時(shí)精確度不高。

因此，本文提出一種簡(jiǎn)單的基于改進(jìn)局部二進(jìn)制模式的迭代眼睛中心定位算法。該算法構(gòu)建了所有可能的弱分類器作為多分支的樹枝，然后通過三個(gè)強(qiáng)分類器和迭代計(jì)算來確認(rèn)眼睛中心點(diǎn)。基于標(biāo)準(zhǔn)的BioID和FERET圖像數(shù)據(jù)庫(kù)將提出的眼睛中心定位算法與其他先進(jìn)的方法相比較，測(cè)試結(jié)果證明了提出算法的先進(jìn)性和穩(wěn)健性。

1 提出的眼睛中心定位方法

近年來，有許多基于多塊局部二進(jìn)制模式（Multi?block Local Binary Patterns，MB?LBP）的方法得到了圖像處理研究領(lǐng)域越來越多的關(guān)注[8?10]。MB?LBP理論上簡(jiǎn)單，但是在處理圖像的矩形區(qū)域方面卻是高效的運(yùn)算方法。為了對(duì)矩形進(jìn)行編碼，通過比較中央矩形與其相鄰矩形的平均強(qiáng)度，對(duì)MB?LBP運(yùn)算公式進(jìn)行了定義[9]：

（1）

其中的定義如下：

（2）

式中：表示中心矩形的平均強(qiáng)度；表示其相鄰矩形的強(qiáng)度。

圖像表示為特征向量其中為MB?LBP所有可能的數(shù)值。數(shù)量由圖像大小進(jìn)行定義。

本文提出將所需訓(xùn)練集合表示為成對(duì)的數(shù)值，其中表示例子的等級(jí)標(biāo)簽。強(qiáng)分類器由弱分類器疊加構(gòu)成：

（3）

在每個(gè)步驟中，構(gòu)建所有可能的弱分類器作為多分支的樹枝。多分支的樹枝總共有256個(gè)樹枝，而且每個(gè)樹枝對(duì)應(yīng)MB?LBP特征的特定離散數(shù)值。在步驟中，為了最小化加權(quán)平方誤差，選擇弱分類器：

（4）

在此之后，作為訓(xùn)練例子的權(quán)重根據(jù)式（5）和式（6）進(jìn)行更新：

（5）

（6）

對(duì)于三個(gè)比例的眼孔圖樣而言，構(gòu)建三個(gè)強(qiáng)分類器和。

本文提出算法的流程如圖1所示。對(duì)最初檢測(cè)到的臉進(jìn)行轉(zhuǎn)換，構(gòu)造出積分圖像。之后，在搜索窗口發(fā)現(xiàn)個(gè)點(diǎn)，具備粗分類器的最大輸出值。如果這個(gè)點(diǎn)值的總和小于閾值或臉的寬度最小值那么具備最大值的點(diǎn)就被認(rèn)為是眼睛的中心，否則將臉部圖像轉(zhuǎn)換為規(guī)模較小的圖像，并且重復(fù)相同的過程。三個(gè)比例的眼孔圖樣分別對(duì)應(yīng)三個(gè)強(qiáng)分類器，如圖2所示。

對(duì)于低分辨率的臉部圖像，僅僅使用粗分類器。同樣，更多數(shù)量的分類器可以應(yīng)用構(gòu)造高分辨率的圖像。

2 評(píng)估指標(biāo)

為了驗(yàn)證提出算法的性能，選擇普通和失真的圖像進(jìn)行實(shí)驗(yàn)。對(duì)左右眼睛中心進(jìn)行定位測(cè)試。選擇兩種較先進(jìn)的方法（簡(jiǎn)單的貝葉斯方法[7]和基于圖像梯度的算法[6]），與提出算法進(jìn)行比較。

2.1 標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)

在試驗(yàn)的第一部分中，從BioID數(shù)據(jù)庫(kù)[6]和FERET數(shù)據(jù)庫(kù)[7]提取圖像進(jìn)行試驗(yàn)。

FERET圖像都是在室內(nèi)拍攝，有良好的分辨率，優(yōu)質(zhì)的圖像質(zhì)量以及有限的照明變化。在這些圖像中，臉部姿態(tài)通常非常接近前額。在實(shí)驗(yàn)中，把選自FERET的3 363張圖片分成兩個(gè)部分：一部分圖像用于訓(xùn)練；另一部分圖像用于測(cè)試。MB?LBP和貝葉斯算法都是從3 363張圖片中選擇1 000張進(jìn)行訓(xùn)練，不需要對(duì)梯度探測(cè)器進(jìn)行培訓(xùn)。在其余的2 363張前額圖像中，人臉檢測(cè)器能夠準(zhǔn)確檢測(cè)到臉部的有2 350張圖片，這些圖片被保留用于測(cè)試。

BioID數(shù)據(jù)庫(kù)包含23個(gè)不同測(cè)試者的1 521張灰度級(jí)圖像，在不同的位置，在白天不同的時(shí)段拍攝這些圖像，產(chǎn)生可變的光照條件，可與戶外場(chǎng)景相媲美。在1 521張圖像中，人臉檢測(cè)器正確檢測(cè)到臉部的有1 469張圖片，將這些圖片作為所有算法的測(cè)試集。

2.2 圖像失真

噪聲成像條件引起圖像的非線性失真，并且對(duì)圖像質(zhì)量有重大的影響。因此眼睛定位系統(tǒng)的噪聲失真應(yīng)該具有穩(wěn)健性。

選擇FERET數(shù)據(jù)庫(kù)進(jìn)行圖像失真實(shí)驗(yàn)。噪聲失真均應(yīng)用來自FERET數(shù)據(jù)庫(kù)的圖像：加性高斯白噪聲（AWGN）。

2.3 誤差測(cè)量

歸一化誤差[10]用于評(píng)估眼睛的定位位置和地面實(shí)際位置之間的誤差：

（7）

其中和分別為左右眼睛的地面實(shí)際位置；和是該算法定位的眼睛位置。

3 實(shí)驗(yàn)結(jié)果

在本節(jié)中，簡(jiǎn)單的貝葉斯方法、本文方法以及基于圖像梯度的算法，三種方法的實(shí)驗(yàn)結(jié)果如圖3所示。圖3顯示了普通圖像在FERET數(shù)據(jù)庫(kù)和BioID數(shù)據(jù)庫(kù)的歸一化誤差曲線。曲線顯示圖像的歸一化數(shù)量，圖像的歸一化誤差率等于或者小于橫坐標(biāo)軸上對(duì)應(yīng)的數(shù)值。

從BioID數(shù)據(jù)庫(kù)的試驗(yàn)結(jié)果可以看出，改進(jìn)MB?LBP在大誤差范圍內(nèi)的準(zhǔn)確度更高，但是在小誤差范圍內(nèi)的準(zhǔn)確度較低。改進(jìn)MB?LBP定位眼睛中心，圖像以100%的比例顯示，誤差率等于或者小于0.25。90%以上的圖像誤差率還可以等于或者小于0.1，而使用其他方法來處理相同數(shù)量的圖像，它們的誤差率更高。

處理更高品質(zhì)的圖像，基于改進(jìn)MB?LBP的算法得出的實(shí)驗(yàn)結(jié)果勝過基于圖像梯度的算法得出的實(shí)驗(yàn)結(jié)果，類似于貝葉斯方法得出的實(shí)驗(yàn)結(jié)果，具備加性高斯白噪聲的圖像產(chǎn)生的峰值信噪比（PSNR）>27 dB。同樣，當(dāng)處理品質(zhì)較差的圖像（如失真圖像）時(shí)，改進(jìn)MB?LBP要比其他方法更勝一籌。實(shí)驗(yàn)結(jié)果見圖4。

三種不同的方法實(shí)現(xiàn)眼睛中心定位的時(shí)間結(jié)果如表1所示，可以看出提出算法的速度明顯優(yōu)于其他兩種方法。

圖5為從FERET數(shù)據(jù)庫(kù)提取的人臉識(shí)別的結(jié)果。表示人臉識(shí)別率，err表示眼睛中心定位誤差。可以看到，眼睛定位的精確度對(duì)人臉識(shí)別率有很大的影響。正確定位眼睛中心的人臉識(shí)別率等于98%，定位誤差小于50%，誤差> 0.15。

圖5 人臉識(shí)別率

4 結(jié) 論

本文提出一種新的基于MB?LBP的眼睛中心定位算法。測(cè)試結(jié)果表明，在誤差范圍比較大的情況下，尤其是應(yīng)用BioID數(shù)據(jù)庫(kù)時(shí)，相比基于圖像梯度計(jì)算和簡(jiǎn)單的貝葉斯方法，提出的算法精確度更高。失真圖像的測(cè)試結(jié)果表明，對(duì)噪聲失真而言，提出的新算法足夠穩(wěn)健，而且可以提高人臉識(shí)別率。

參考文獻(xiàn)

[1] 劉淑琴，彭進(jìn)業(yè).基于人眼視覺的航空?qǐng)D像檢索仿真[J].計(jì)算機(jī)仿真，2013，30（12）：395?398.

[2] 張波，王文軍，張偉，等.駕駛?cè)搜劬植繀^(qū)域定位算法[J].清華大學(xué)學(xué)報(bào)（自然科學(xué)版），2014（6）：756?762.

[3] 郝明剛，董秀成，黃亞勤.一種精確的人眼瞳孔定位算法[J].計(jì)算機(jī)工程，2012，38（8）：141?143.

[4] 王燦進(jìn)， 孫濤，王銳，等.基于彩色二進(jìn)制局部不變特征的圖像配準(zhǔn)[J].中國(guó)激光，2015（1）：260?268.

[5] 王小玉，張亞洲，陳德運(yùn).基于多塊局部二值模式特征和人眼定位的人臉檢測(cè)[J].儀器儀表學(xué)報(bào)，2014（12）：2739?2745.

[6] TIMM F， BARTH E. Accurate eye centre localization by means of gradients [C]// Proceedings of the Sixth International Conference on Computer Vision Theory and Applications. [S.l.]： IEEE， 2011： 125?130.

[7] 譚臺(tái)哲，葉青.基于形態(tài)學(xué)商模板的人眼定位方法[J].計(jì)算機(jī)應(yīng)用與軟件，2015，32（1）：194?198.

[8] 鄧亮，張新曼，許學(xué)斌，等.一種結(jié)合分離濾波器與局部二進(jìn)模式的快速人眼定位方法[J].微電子學(xué)與計(jì)算機(jī)，2011，28（6）：36?40.

[9] 劉麗，謝毓湘，魏迎梅，等.局部二進(jìn)制模式方法綜述[J].中國(guó)圖象圖形學(xué)報(bào)，2014，19（12）：1696?1720.

[10] 符志鵬，侯海燕，胡志剛.基于局部對(duì)稱性及灰度統(tǒng)計(jì)特征的人眼定位方法[J].遼寧工程技術(shù)大學(xué)學(xué)報(bào)（自然科學(xué)版），2011，30（4）：619?622.