基于图像关键特征增强处理的人脸特征点识别技术

摘要：常规的人脸特征点识别技术易受到图像分辨率降解作用影响，导致特征点的欧氏距离校准误差较高。为此，文章提出了基于图像关键特征增强处理的人脸特征点识别技术，在图像关键特征增强处理的基础上，完成了对人脸特征点的定位；设计了人脸特征点识别跟踪算法，结合定位与跟踪结果，实现了特征点识别。试验结果表明，应用新识别技术后，不同特征点的欧氏距离校准误差均较低，说明新技术具有有效性。

关键词：人脸图像；关键特征；图像增强；人脸特征

中图分类号：TP399 文献标志码：A

0 引言

人脸特征指的是人面部具备的独特的高辨识度特点［1-2］。人脸特征点识别对定位的鲁棒性要求较高，需要利用有效的识别算法提取各个重点区域的视觉特征。不同人脸的特征点分布形态不同［3-4］，在不同环境下也存在一定的位置形态差异，需要根据具体的识别任务确定稳态识别条件，保证识别的适应性。

孙强等［5］考虑多层次时空特征构建了多模态模型，进行自适应互补，提高了识别的实时性，但该方法易受语义信息变化影响，识别精度较低；雷燕等［6］基于深度学习特征建立卷积神经网络模型，完成多模态识别，该方法的计算复杂度较高，识别的难度较大。

为了满足人脸特征识别要求，本文基于图像关键特征增强处理设计了一种有效的人脸特征点识别技术。

1 人脸特征点识别

1.1 图像关键特征增强处理与定位

图像关键特征增强处理是一种有效的计算机视觉处理技术，可以有效抑制无关特征，提高识别对比度。因此，本文研究基于图像关键特征增强处理过程，能实现对人脸特征点的定位。

由于不同姿态下人脸特征点坐标位置不同［7］，本文利用回归器进行更新预测，再按照图像增强特征进行有效定位。在特征点定位初期，需要针对给出的数据集进行检测修正处理，获取图像关键特征增强结果。

特征增强训练过程可以形成闭环，能有效降低遮挡约束，实时更新特征点定位回归器。在人脸识别数据集中，可以将遮挡特征点标记为1，非遮挡标记为0，利用定位回归器更新的人脸形状St+1计算如下：

St+1=St×ft×wt（1）

式中，F代表更新遮挡权重，St代表人脸图像的迭代量，ft代表特征点索引特征，wt代表识别权重。

本文基于准确比例进行加权处理，引入正则化表达式增强图像关键特征［8］，处理式如下：

W=argmin（vi×St+1+μ（w））（2）

式中，vi代表回归器增强处理回归参数，R（s，f，w）代表预测的人脸识别特征点位置，μ（w）代表正则化项。利用上式进行处理后，可以有效预测不同区域特征点的识别状态，得到的特征点定位标准化权重pa如下：

pa=∑bjLa（3）

式中，bj代表识别区域的特征点数量，La代表定位预测特征点位置参量。

定位人脸特征点后，即可完成识别回归器优化改进，提高遮挡状态人脸特征点识别精度。

1.2 设计人脸特征点识别跟踪算法

人脸结构信息在一定程度上存在相似性，观察角度、外在环境等变化都会出现较高的视觉图像误差。因此，本文利用可形变模板进行了标定处理，设计了人脸特征点识别跟踪算法。即将待识别的人脸图像标记出若干个特征点位置，组成形状向量，基于搜索匹配拟合作用进行建模标记，待识别跟踪的特征量xi计算如下：

xi=（xik，yik）（4）

式中，xik代表识别特征点对应的横坐标，yik代表识别特征点对应的纵坐标。由于识别样本的绝对位置差异增加了形状建模的局限性，在识别跟踪的过程中需要进行归一化处理，完成归一化变换后，人脸特征量得到了有效收敛。在此基础上，建立人脸特征点识别跟踪过程计算如下：

G=p×T×eD=f（x）×g（x-b）×exi-x（5）

式中，G代表识别结果，p代表识别更新频率，T代表识别时间序列，e代表特征点时间窗口，D代表Procrustes Analysis计算识别叠加最小值，x代表变换完成后得到的平均人脸特征量。

上述过程可以基于特征点的主动表现关系进行搜索拟合改进，最大程度上满足了人脸特征点识别拟合性，降低了识别校准误差。

2 试验与分析

为了验证设计的基于图像关键特征增强处理的人脸特征点识别技术的识别效果，将其与双模态识别技术、基于深度学习特征的识别技术展开对比。

2.1 试验准备

本文选取Python 3.6语言开发Tensorflow＼＼Keras试验平台，并将WIDER FACE作为试验数据集，该数据集中包含25435张不同环境的人脸图片，涉及的识别姿态较多，满足不同场景下的识别要求，该数据集中的部分识别样本如图1所示。

本研究选取人脸特征点识别结果的欧氏距离校准误差作为试验指标，可以评估不同技术识别人脸特征点（眼睛、鼻子、嘴巴）时的位置准确性，即识别到的特征点位置与实际位置之间的“距离”。欧氏距离校准误差越低，则人脸特征点识别效果越好。

2.2 试验结果与讨论

应用3种方法后，在不同编号图像下的人脸各特 征点识别的欧氏距离校准误差如表1所示。

由表1可知，在不同人脸特征点识别图像下，本文设计的识别技术对于眼睛、鼻子、嘴巴3处特征点识别结果的欧氏距离校准误差始终低于另外2种技术，这说明本文设计的新技术的识别效果更好，特征点识别定位拟合度较高，满足人脸特征点识别可靠性要求。

3 结语

在人工智能与计算机视觉技术双重发展背景下，人脸识别技术的应用领域越来越广泛。受光照、角度、遮挡等问题影响，常规的人脸特征的识别方法的校准误差较高，因此，本文基于图像关联特征增强处理设计了人脸特征点识别技术，为推动不同应用场景的识别交互要求作出了贡献。

参考文献

［1］郑天悦，方水平，赵元苏.基于多任务学习的跨年龄人脸识别系统的设计与实现［J］.北京工业职业技术学院学报，2024（2）：24-28.

［2］王坤侠，余万成，胡玉霞.嵌入混合注意力机制的Swin Transformer人脸表情识别［J］.西北大学学报（自然科学版），2024（2）：168-176.

［3］安毅，张慧，陈思秀，等.基于注意力多尺度融合的人脸表情识别算法研究［J］.长春工程学院学报（自然科学版），2024（1）：59-63.

［4］陈经纬，熊继平，程汉权.融合MobileNet与Contextual Transformer的人脸识别研究［J］.智能计算机与应用，2024（3）：61-66.

［5］孙强，陈远.多层次时空特征自适应集成与特有-共享特征融合的双模态情感识别［J］.电子与信息学报，2024（2）：574-587.

［6］雷燕，李杰，董博，等.基于深度学习特征的多模态人脸快速识别研究［J］.电子设计工程，2024（3）：181-184，189.

［7］阎卫东，韩璐，张野，等.基于DCT的模糊面部超分辨率性别识别模型研究［J］.沈阳建筑大学学报（社会科学版），2023（6）：597-603.

［8］黄欣研，刘芳，鲍骞月，等.基于多任务学习和身份约束的生成对抗网络人脸校正识别方法［J］.电子学报，2023（10）：2936-2949.

（编辑 沈 强）

Facial feature point recognition technology based on image key feature enhancement processing

TAN Zhenhua1， WANG Long2

（1.School of Information Engincering， Jinzhong College of Information， Jinzhong 030600， China;

2.School of Data Science， Jinzhong College of Information， Jinzhong 030600， China）

Abstract： Conventional facial feature point recognition techniques are susceptible to image resolution degradation， leading to high calibration errors in the Euclidean distance of feature points. Therefore， the article proposes a facial feature point recognition technology based on image key feature enhancement processing， which completes the localization of facial feature points on the basis of image key feature enhancement processing; Designed a facial feature point recognition and tracking algorithm， combined with localization and tracking results， to achieve feature point recognition. The experimental results show that after applying the new recognition technology， the Euclidean distance calibration errors of different feature points are relatively low， indicating the effectiveness of the new technology.

Key words： face image; key features; image enhancement; face features