基于二维图像的人脸面部特征点定位与提取

郭清宇，付志军

（中原工学院，郑州450007）

基于二维图像的人脸面部特征点定位与提取

郭清宇，付志军

（中原工学院，郑州450007）

提出了一种人脸面部特征点定位与提取的方法.利用该方法，在人脸预处理基础上，通过人脸分割、基于水平方向Prewitt算子模版的边缘检测和积分投影技术，可以快速有效地提取眼睛、鼻子和嘴巴等特征点信息.实验表明，该方法可以校正人脸倾斜并具有较高的准确率.

积分投影；人脸特征点；特征提取

人脸识别是利用计算机技术和数字图像处理理论辨认身份的一种生物特征识别技术，在安全验证系统、刑侦破案和人机交互等方面有着巨大的应用前景，一直是模式识别、人工智能和计算机视觉等研究领域的一个研究热点［1］.研究人员已提出了多种不同的人脸识别方法，这些方法一般都包括图像预处理、特征提取和人脸识别三个步骤.其中，人脸图像的分割、主要器官的定位以及特征点提取是人脸识别的基础.

目前，人脸特征提取的方法主要分为三类：基于几何特征的方法［2］、基于模板匹配的方法［3］和基于模型的方法［4］.本文采用了第一种人脸特征提取方法，通过边缘检测、二值化、水平和垂直积分投影技术，可以快速、有效地确定出人脸主要器官，眼睛、鼻子和嘴巴的位置.

1 人脸图像增强

由于待处理的人脸图像经常会存在光照不均匀和噪声干扰等问题，直接处理图片会影响到人脸图像的边缘检测，从而降低特征提取精度，因此必须对输入的图像进行相应的校正处理，以改善图像质量［5］.

对于整体图像偏暗、偏亮等情况，可采用直方图均衡化方法进行预处理，从而达到增强图像的目的.直方图均衡化的变换函数为：

其中：rk为输入图像的灰度级；Sk为输出图像的灰度级；n为总的像素个数；L为灰度级总数；nj为灰度级rj的像素个数.

对于局部光照不均匀的图像，可以采用传统空域方法，基于局部对比度特点进行校正.但这种方法未考虑图像频率特征，有一定局限性.实验表明，对于局部光照不均匀的人脸图像，采用同态滤波增强算法处理效果较好.

数字图像f （x，y）可表示为入射场i（x，y）和反射场r（x，y）之乘积，即：

其中，反射场r（x，y）包含了图像细节和特征，频谱主要集中于高端；入射场i（x，y）频谱主要集中于低端，反映了图像的成像条件.因此，如能压低低频段，提高高频段，就可有效减少光照不均匀对图像造成的影响.由于两个函数乘积的傅里叶变换不可分，故对式（2）两端取对数，得到：

将式（3）两端进行傅里叶变换，得到：

将式（4）用式（5）表示：

为了降低低频成分，使用高通滤波函数H（u，v）对其进行高通滤波，本文采用传统的Butterworth高通滤波器.滤波后得到：对滤波完成后的结果进行反傅里叶变换，再进行指数变换，就得到了处理后的图像.

实验证明，通过对原始图像进行上述处理后，图像的质量得到明显的改善，如图1所示.

图1 图像预处理

2 人脸分割

为了把人脸从整幅图像中分割出来，本文采用了区域生长方式.区域生长可以利用图像的梯度、方差等信息，对人脸图像的分割显示了良好的性能.把一幅人脸图像以大小相同的份额分成N个区域Rj，在Rj中选出一颗种子像素p（i，j），增长区域Tj的像素个数初始化为1，定义能反映该区域内成员隶属程度的梯度参数G，分别计算p（i，j）与它的8个相邻域像素的梯度值：

当G小于给定的门限值θ时，生长区域Tj的像素个数增加1，然后对增加的像素进行标记，这样依次迭代，就可以把图像分割成小于或等于2 N个区域.对于相邻的区域边界，采用腐蚀操作，消除弱边界，然后对分割出的人脸图像进行开运算和闭运算，平滑区域增长的人脸图像并消除噪声，最终确定出人脸的基本轮廓.

3 人脸主要特征点的粗略定位

3.1 边缘检测与二值化

在对人脸精确定位后，利用边缘检测的办法来确定人脸的大致轮廓.边缘检测对于灰度级间断的检测是最普通的检测方法.经实验验证，采用二阶的拉普拉斯算子进行边缘检测的效果比较好.本文采用3＊3的拉普拉斯算子，其模版为：

然后对边缘检测后的图像进行二值化.二值化可以保留有效信息，且简化了运算.本文采用类间方差分析法将灰度值分为0和255两类.选取阈值，使满足类间方差与各类方差的比值最大.这样的方法可以突出特征点、弱化噪声的影响，从而使后续的灰度投影结果更加准确，有利于特征点定位.边缘检测和二值化后的效果如图2所示.

图2 人脸精确定位后的图像及其对应的二值化图像

3.2 垂直积分投影和水平积分投影计算

由于特征点所在区域的灰度特征与人脸部其他部分有明显的不同［6］，因此可以采用积分投影的方法来确定特征点的位置.人脸部的特征点对应于积分投影曲线的某个波峰或波谷区域，由此可以粗略检测出人眼、鼻子和嘴巴的位置.所以在进行人脸定位后，用积分投影进行特征定位.

积分投影的方法是根据图像在某些方向上的投影分布特征来进行检测，这种方法本质上是一种统计方法，主要有水平积分投影和垂直积分投影：

式中：（x，y）表示像素所在的位置；I（x，y）表示该像素点的灰度值；x1、x2、y1、y2分别表示图像的左右上下像素边界；V（x）表示水平积分投影；H（y）表示垂直积分投影.

由式（5）可以看出，水平积分投影就是将一行的像素点灰度值进行累加后再显示，而垂直积分投影就是将一列像素点的灰度值进行累加后再显示.本实验积分投影图如图3所示.

图3 积分投影图

先计算图像的垂直积分投影，获取人脸的左右边界，然后对左右边界内的人脸图像进行水平积分投影.由图3c可以看出，垂直积分投影左右两侧各有一个较深的波谷，而波谷中间的部分恰好对应人脸部区域，由此可以预测出人脸部区域在水平方向的大致范围.然后，在确定出的人脸左右边界内进行水平积分投影.根据投影后结果可以快速地确定头顶点、下颚的边界.

实验表明，灰度投影上不同的波谷对应着不同的投影特征点的区域位置（见图3）.水平投影的几个较深的有效波谷正好对应眉毛、眼睛、鼻子、嘴巴在垂直方向的区域位置；垂直投影中，3个较深的有效波谷正好对应眼睛、嘴巴在水平方向的区域位置.由此可以确定出双眼、鼻子、嘴巴的区域位置.

4 人脸主要特征点的精确定位

4.1 人眼的精确定位

（1）眼角的定位.在粗略定位的基础上对人眼进行精确定位.首先用拉普拉斯算子对人眼区域边缘检测，提取出左右眼边缘图像，对提取出的边缘图像进行水平积分投影，确定左右眼的左右边界，再对左右边界内的边缘图像进行垂直积分投影，从垂直梯度图中可以判断出符合双眼投影的水平区域，从而确定左右眼眼角的位置.

（2）瞳孔的定位.为了精确定位出瞳孔的位置，采用眼睛模板来搜索瞳孔的边界.由于瞳孔位置的圆普遍比四周的灰度值高，因此，我们采用半径在3～5个像素的圆为眼睛模板，来搜索眼睛上下左右界限以内的眼睛区域.假定每只眼的左右眼角的中间位置分别是左右眼瞳孔的中心点，即圆的中心点，如果圆内的平均灰度值小于圆外的平均灰度值时，则圆的边缘点就被接受为可能的瞳孔边界点，否则就被忽略.由此，可以精确定位出人眼瞳孔的位置.

（3）倾斜角度矫正.眼睛的位置确定后，利用两个瞳孔之间连线的直线可以确定出人脸倾斜的角度，根据这个角度，可以计算出人脸的倾斜度指标，根据这个倾斜度对人脸进行适当的旋转调整.

4.2 鼻尖的精确定位

通常情况下，正面人脸图像受光照影响，鼻梁部位比较亮，鼻两侧比较暗，对于水平方向灰度投影比较敏感，因此采用水平方向的Prewitt算子对于鼻子区域进行边缘检测.对于提取出的边缘图像进行垂直积分投影，在积分投影的两侧有明显的高值点，这两个点即鼻子的左右两个鼻孔位置；对左右鼻孔的坐标取均值，得出的结果即是鼻尖的位置坐标.Prewitt算子的模板如下所示.

4.3 嘴角的精确定位

嘴巴的定位精确度取决于两个嘴角的定位准确度.嘴角的定位与鼻尖定位相似，先对嘴巴区域进行水平积分投影，确定嘴巴的上下边界，从而消除嘴巴下沿灰色区域对于定位的影响.由分析可知，嘴巴中间的阴影部分灰度特征对于水平方向敏感，因此同样采用水平方向的Prewitt算子进行边缘检测，然后对提取出的边缘图像进行垂直积分投影，在积分投影的两侧的高值点即是两个嘴角所在的位置.

实验结果如图4所示.

图4 人脸特征提取

5 结 语

在core i7PC机上进行实验，定位正确率达到90%，且比未进行直方图均衡化的正确率提高5%，比未消除光照等因素影响的正确率提高7%.结果表明，通过直方图均衡化、图像分割、边缘检测等手段，提高了定位准确率.在进行鼻尖以及嘴巴精确定位时采用水平方向Prewitt算子模板进行边缘检测，增强了定位的精确度，克服了传统方法中针对这两个受光照影响较大的部位定位不准确的缺陷，为准确进行人脸识别奠定了基础.

［1］ 徐全生，李美怡.人脸图像特征点的定位与提取方法的研究［J］.沈阳工业大学学报，2007，29（1）：90－94.

［2］ Hong Ziquan.Algebraic Feature Extraction of Image for Recognition［J］.Pattern Recognition，1991，24（3）：211－219.

［3］ Lee S Y，Ham Y K，Park R H.Recognition of Human Front Faces Using Knowledge－based Feature Extraction and Neuro－Fuzzy Alognrigthm［J］.Pattern Recogntion，1996，29（11）：1863－1876.

［4］ Chow G，Li X.Towards a System for／Automatic Facial Feature Detection［J］.Pattern Recognition，1993，26（12）：1739－1775.

［5］ 李华胜，杨桦，袁宝宗.人脸识别系统中的特征提取［J］.北方交通大学学报，2001，25（2）：18－21.

［6］ 宋宇，刘美丽，庞柏梅.一种人脸面部特征的提取方法［J］.长春工业大学学报，2009，30（6）：679－682.

The Location and Extraction for Features of Human Face Based on Images

GUO Qing－yu，FU Zhi－jun
（Zhongyuan University of Technology，Zhengzhou 450007，China）

An algorithm has been proposed in this paper，which is based on the horizontal Prewitt edge detection algorithm.It includes region growing and integral projection methods，which is proved can extract the face feature point such as eyes and mouth fast and efficiently and it is also proved that face incline can be calibrated and has high nicety rate.

integral projection；face feature point；the extraction of face feature

TP391.4

A

10.3969／j.issn.1671－6906.2011.05.015

1671－6906（2011）05－0057－04

2011－09－25

郭清宇（1956－），男，河南郑州人，教授.