基于閾值分割的3D礦工圖像鼻尖點檢測方法

賀方圓，劉詩源，路銘，陳景霞

（北京聯(lián)合大學應用科技學院，北京 100012）

0 引言

3D圖像人臉識別技術(shù)中的鼻尖點、眼角點等關(guān)鍵點的精確檢測是特征描述及提取的重要組成部分[1]，而鼻尖點成為首要考慮的檢測對象。結(jié)合煤礦環(huán)境，煤礦出入井人員常佩戴安全帽、礦燈，以及部分礦工佩戴眼鏡的情況，本文依據(jù)兩個眼鏡片和礦燈燈面的框架結(jié)構(gòu)，提出一種基于閾值區(qū)域分割的3D礦工圖像鼻尖點檢測方法。

1 3D礦工人臉圖像鼻尖點檢測技術(shù)框架及流程

為保證煤礦工人的人身安全，礦井入井人員都必須佩戴礦燈和安全帽，礦燈佩戴位置主要有兩種情況，一種是固定在安全帽上，另外一種是安置在腰間皮帶上，本文只考慮安全帽上配置礦燈的情況，因此可以將3D礦工人臉圖像分為有礦燈和無礦燈兩種情況，然后分別在這兩種情況下各自分為有眼鏡和無眼鏡兩種情況。具體鼻尖點檢測流程如圖1。

圖1 3D 礦工圖像鼻尖點檢測流程圖

2 3D礦工人臉圖像鼻尖點檢測算法

2.1 眼鏡及礦燈檢測

在三維立體空間中，根據(jù)人臉表面、眼鏡、安全帽以及安全帽上配置的礦燈的幾何信息可以判斷，眼鏡片的框架幾乎位于同一平面上[2]，安全帽上的礦燈燈面框架也幾乎位于同一平面上，而人臉表面和安全帽則位于不同的曲面上。根據(jù)這一特性，可以通過尋找兩組位于兩個平面上的3D數(shù)據(jù)來檢測圖像是否存在眼鏡和礦燈。

2.2 人臉分割

根據(jù)擬合后的兩個眼鏡片和礦燈燈面框架公式，可以分別得到三維空間下眼鏡片和礦燈燈面框架數(shù)據(jù)下X軸坐標下的最大值、最小值和中間值，如圖2。

圖2 眼鏡片和礦燈X 軸坐標標記

礦工出入井是否佩戴眼鏡和礦燈分4種情況，情況①：佩戴礦燈和眼鏡；情況②：只佩戴礦燈；情況③：只佩戴眼鏡；情況④：不佩戴礦燈和眼鏡。具體的分割方法利用人臉幾何結(jié)構(gòu)設定的閾值函數(shù)進行判斷，閾值函數(shù)如式（2～3）：

其中，式（2）為戴眼鏡的條件下采用的閾值分割公式，式（3）為佩戴攜有礦燈的安全帽而沒有戴眼鏡的情況下采用的閾值分割公式。

2.3 鼻尖點檢測

本文使用局部特征和HK分類器檢測鼻尖點。因為人臉三角網(wǎng)格模型M=（V,E）是由很多網(wǎng)格頂點和邊組成的三角面片形式，整個人臉曲面不夠光滑，且在離散的網(wǎng)格頂點上計算曲率誤差會很大，所以首先對三角網(wǎng)格模型進行曲面擬合[3]，擬合后的曲面如式（4）：

3 實驗結(jié)果與分析

為了評估本文所提鼻尖點檢測算法的性能，設計了一組實測實驗。實驗測試的3D人臉數(shù)據(jù)來自實際拍攝的礦工人臉圖像。該組數(shù)據(jù)包含了30個對象三種遮擋（攜帶礦燈的安全帽和眼鏡，攜帶礦燈的安全帽，眼鏡）90張人臉圖像數(shù)據(jù)。本文實驗檢測到的鼻尖點位置和對應手工標定的鼻尖位置的歐氏距離作為實驗誤差，實驗誤差在范圍0～10mm內(nèi)，表明鼻尖點檢測成功，否則表明實驗失敗[5]。圖3所示為各樣本的實驗誤差值，從圖中可以看出大部分樣本的實驗誤差都在0～10mm內(nèi)。

圖3 礦工圖像鼻尖點檢測誤差

表2顯示了樣本的最大誤差、最小誤差、平均誤差和檢測成功率。從表中可以看出本文算法應用在3D礦工圖像鼻尖點檢測中的平均誤差為8.11mm，在誤差允許范圍10mm內(nèi)，檢測成功率為90%，證明本文算法能夠較為準確地檢測出3D礦工圖像鼻尖點位置。

表2 礦工圖像鼻尖點檢測結(jié)果

4 結(jié)語

本文分析了礦工人臉圖像的特點，將基于3D的人臉圖像識別技術(shù)應用在礦井出入井人員唯一性檢測方面，提出一種基于區(qū)域分割的3D礦工人臉圖像鼻尖點檢測方法。該方法根據(jù)礦工圖像的特點通過區(qū)域分割將安全帽、礦燈及眼鏡的遮擋去除，消除遮擋對HK分類器的影響，提高了檢測效率，且本文算法無需模型和訓練，方法較為簡單。