自动人脸修饰技术研究综述

时书剑

摘要：随着数码相机、手机等拍照设备的普及，自动人脸修饰技术成为计算机视觉、数字图像处理领域的一个研究热点。本文总结了国内外关于自动人脸修饰技术的算法框架和新进展，主要针对基于频域滤波的算法、基于几何表示的算法、基于年龄演化模型地算法进行了归纳，详细介绍了主要算法，并分析比较了各种算法的优势与不足。通过对国内外应用中实际问题进行研究，给出了自动人脸修饰技术仍然存在的挑战及不足。

关键词：人脸修饰；频域滤波；几何表示；演化模型

中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2015）22-0119-03

Abstract： With the popularity of digital cameras， mobile phones and other camera equipment， automatic face modification technology has become a research hotspot in the field of computer vision， digital image processing. In this paper， the framework and the new progress of automatic face modification technology are summarized. The algorithm based on frequency domain filtering， the algorithm based on geometric representation， and the algorithm based on age evolution model are summarized. The main algorithms are introduced and the advantages and disadvantages of various algorithms are also analyzed. Through the research on the practical problems in the domestic and international application， the challenge and the shortage of the automatic face modification technology are presented.

Key words： face modification； frequency domain filtering； geometric representation； evolution model

隨着图像信息处理技术的不断进步，以及拍照设备的普及，人们对照片的处理需求不断提高，尤其是针对面部图像的修饰技术已成为电脑软件和手机软件的一个开发热点，比如：美图秀秀、人人-美颜美图、光影魔术手等。这些软件不要求用户具有专业的图像处理技术，可以方便地实现美化照片的效果。

人脸自动修饰与渲染是计算摄影领域中新的研究热点。其主要关注人脸照片品质的提高，更关注对人脸的某些属性的处理，如：对人脸皱纹的去除、肤色的改善、光洁度的提高等。人们希望经自动修饰与渲染的照片，能够符合视觉感知习惯、更具吸引力，改变传统的摄影、图像处理工作需繁复的人工操作的现状。因此，在摄影、广告设计、电影制作、数字娱乐、专业研究领域都有着广泛的应用前景。

本文对自动人脸修饰技术的研究背景、研究现状进行了综述，列举了近几年自动人脸修饰技术的主要算法，以及算法的改进、对比，最后对自动人脸修饰技术发展趋势、存在的问题、下一步的研究方向进行了阐述。

1 人脸修饰技术研究进展

1.1 基于频域滤波的方法

该算法可以实现图像中高频率瑕疵（如：皱纹、斑点）的去除，进而完成人脸的修饰，使处理后图片看上去更白、更美观，但该算法当遇到大范围皱纹、斑点等瑕疵时的处理效果不理想。

1.2 基于几何表示的方法

此外还有一些修改人脸外形的算法，通过对面部轮廓和器官作适当变形，使其更加贴近最优脸型，达到优化人脸的目的。但该类算法容易造成修改后的人脸对标准人脸的依赖，调整过大时，容易造成人脸原来特征的丢失。

1.3 基于年龄演化模型的方法

基于年龄演化模型的算法通常基于FG-NET数据库、MORPH数据库开展实验。FG-NET数据库包含了82个人，年龄从0～69岁，共有1002张照片，为包含大的年龄跨度里面收集的照片直接采自被拍摄者的老照片，因此拍摄角度、环境、光照条件都不能一致，有的照片还有帽子、眼镜等遮挡，年代很早的照片都是黑白照片，而且早期的照片，受拍照摄备所限，画面不够清晰。但FG-NET仍然是现有的人脸年龄数据库中，唯一包含了0～18岁照片的数据库，而且照片反映的年龄跨度大、且密集。

MORPH数据库是最大的、已公开的纵向人脸数据库。该数据库包含超过13000人的55000幅图像，年龄跨度在16岁到77岁之间，并且该数据库还在不断扩种中。MORPH数据库除了包含人脸照片，还包含被拍照者的年龄、性别、种族、体重、身高等信息，可供面部分析、年龄分析、面部识别的研究使用。

现阶段年龄相关的人脸数据库还很不完善，人脸图像的采集需要经历相当长时间的跟踪拍摄，这需要相当长时间的积累，并且考虑包含不同种族、性别、地域的人脸照片。

在计算机视觉领域，年龄演化问题是一个研究热点。基于年龄演化模型的自动人脸修饰技术的关键是通过各年龄段的人脸照片构建合适的年龄演化模型。

早期的基于年龄演化模型的自动人脸算法中，结合了小波变换的内容，如：参考文献[3]中，Tidderman提出了通过小波变换建立特征向量，并针对不同年龄构建合成人脸。实验结果表明，当使用小区域边缘强度加权来保留边缘特征后，根据年龄进行人脸修饰的效果更明显。对这一算法进一步改进，通过MRF模型在小波变换后进行年龄演化过程中的人脸特征学习，可以实现人脸的年轻化修饰、以及性别修改。实验结果表明，MRF模型比单纯使用小波变换对人脸的修饰效果要好。

此外，还有根据生物学、遗传学等领域的研究来建立年龄演化模型的方法。如：参考文献[4]中，Ramanathan根据生物学中颅面骨的生长规律，对0-18岁期间的人脸建立基于年龄影响的模型，融入人体测量学的方法，即：人脸不同部位在不同年龄段会有不同的生长进度，来提取不同年龄段人脸的特征。图3显示了侧面人脸随年龄增长的模型，及对应不同年龄跨度，产生的特征参数k。通过最优化计算人脸成长参数k，来实现不同年龄人脸比例的转换，图4显示了参考文献[4] 的实验结果。

针对成年人的年龄演化模型，如：参考文献[5]中，Ramanathan考虑到人的衰老，主要体现在面部肌肉的弹性变差、皱纹的增加，提出了与年龄相关的形状、纹理变化的模型，可以用来修饰人脸产生老化特征，如：额头皱纹、眼角纹、嘴角纹等。实验通过将数据库人脸按年龄分组，年龄跨度在10岁，如：21-30岁一组，31-40岁一组等，搜集的实验数据可以很好的反映随年龄、性别、种族等变化而产生的形状、纹理特征。

综上，基于年龄演化模型的自動人脸修饰技术先要对人脸数据库按年龄分组，对不同分组提取特征，得到经年龄演化修饰后的图像。实验效果很大程度上依赖于人脸数据库，为了得到好的演化效果，需要使用年龄跨度大的人脸照片。

2 总结

本文总结了国内外关于自动人脸修饰技术的算法框架，主要针对基于频域滤波的算法、基于几何表示的算法、基于年龄演化模型地算法进行了归纳，这些算法仍存在很大的改善空间，下一步研究可以考虑如下问题：

1）自动人脸修饰技术最重要的是保留人脸的个性化特征，不能在修饰后面目全非，因此如何在特征提取过程中尽量保留原照片的个性化特征，仍然需要继续探讨。

2）现阶段的自动修饰技术，会使修饰的结果和方向趋于一致，如何使美化修饰过程具有一定的个性化是一个有待进一步研究的问题。

最后，为了使自动人脸修饰技术的应用更具有利用价值，在算法的改进中不能只局限于现有的数据模型、年龄演化模型，可以跨学科地尝试、引入新的模型方法，以期在更具有实用价值的指导下设计新的算法或改进。

参考文献：

[1] 韩静亮，赵曦，赵群飞，等.基于迭代多级中值滤波的人脸美化算法[J].计算机应用与软件，2010，27（5）： 227-229.

[2] Leyvand T， Cohen-Or D， Dror G， et al.， Data-driven enhancement of facial attractiveness， in ACM Transactions on Graphics（TOG）， 2008： 38.

[3] Tidderman B， Stirrat B， Perrett D I， Towards realism in facial image transformations： Results from a wavelet mrf method， Computer Graphics Forum，2005， vol. 24： 449-456.

[4] Ramanathan N， Chellappa R， Modeling age progression in young faces. IEEE Conference on Computer Vision and Pattern Recognition. 2006， vol. 1： 387-394.

[5] Ramanathan N， Chellappa R， Modelinng shape and textural variations in aging faces， Automatic Face & Gesture Recognition， 2008：1-8.