基于人臉形狀特征的精確定位解析方案

5.3 檢測與識別結果

本文利用BioID 人臉庫中的100幅靜止灰度圖片(BioID_0000.pgm- BioID_0099.pgm)作為素材進行了實驗。實驗結果如表1所示。

表1 檢測與識別結果

檢測與定位方法正確率(%)參數(shù)改變時的適應性主要錯檢原因

膚色分割初步定位21較好背景復雜、光照影響

橢圓模板定位43較差邊緣提取后,背景復雜

橢圓模板的適應性不足

加入眼、眉和嘴特征87較好傾斜、附屬物干擾等

5.4 結果分析

在上述3種方法中,參數(shù)橢圓模板結合眼睛、眉毛和嘴巴特征的定位方法顯示出較好的性能。

在采用基于膚色進行圖像分割,進而定位人臉的方法時,由于膚色受環(huán)境光照、背景中近似膚色物體的存在的影響,導致定位結果較差。在改變閾值大小時, 對判斷的結果影響不大,這表明:第一,膚色與背景色混雜,以及強烈的光照的影響,是造成誤判的主要因素;第二,在一種上述問題不太嚴重的比較“理想”的狀態(tài)下,膚色模型也的確能有效地發(fā)揮作用,以抵消來自于外形姿態(tài)等方面的影響。對膚色模型的改進應該集中在對于光照的處理和與背景的分離上,利用模板進行檢測與定位即是有效分離背景干擾的一種方法。

在單純采用橢圓模板進行檢測與定位時,檢測的正確率得到了一定的提高,但總的來說還是很難令人滿意的。在通過改變橢圓的參數(shù)試驗其性能時,其對參數(shù)變化的適應性把高。經分析,可以認為是復雜的背景直接影響了橢圓模板的有效性。而對參數(shù)變化的適應性差,主要是因為圖像庫中的人臉外形多為長橢圓形,表現(xiàn)在參數(shù)上差別不大。因而,僅僅通過橢圓模板進行人臉的檢測與定位,其效果是難以令人滿意的。

在參數(shù)橢圓模板的基礎上,加入對眼睛、眉毛和嘴巴特征的參數(shù)描述,進而利用改進的模板進行檢測與定位,取得了較好的結果。并且,在通過調節(jié)參數(shù)區(qū)分目標人物時,也有較好的表現(xiàn)。經分析,檢測與定位成功率的提高得益于對臉部器官外形參數(shù)的有效地描述,使其過濾了大多數(shù)的背景中的干擾,取得了較好的效果。在調節(jié)面部器官的外形參數(shù)時,模型取得了較好的區(qū)分效果,這可以認為是各目標人物的個人特征的真實反應。其中仍然存在的問題是,在人臉傾斜,或有眼鏡、大片頭發(fā)遮蓋等情況發(fā)生時,將對檢測與定位的效果產生嚴重的影響。

6 結論

人臉檢測與識別研究的趨勢是利用多種線索(頭發(fā)、膚色、器官、輪廓、模板等),綜合多種分類方法(混合高斯模型、概率模型、神經網(wǎng)與支持向量機等),啟發(fā)式信息與統(tǒng)計學習方法相結合?？傊?由于人臉對象的非剛體性,以及姿態(tài)、光照、遮擋等各種變化因素的影響和實時性要求,高性能的人臉檢測仍是一個困難的問題。

7本文作者創(chuàng)新點:

1采用基于參數(shù)化的橢圓型人臉模板與基于眼睛及嘴巴幾何特征相結合的人臉定位方法,根據(jù)其眼睛、鼻部及嘴部的幾何特征參數(shù),對實驗人臉庫進行監(jiān)督下的分類。

2提出了結合人臉模板和人臉特征進行人臉檢測的方法,并對現(xiàn)有的人臉檢測與定位的方法提出了改進,進而提取臉部特征,并在此基礎上實現(xiàn)了一個智能識別系統(tǒng),經檢驗,模型取得了較好的區(qū)分效果。

3.本項目為作者所在學院智能機器人研究課題之子課題,該課題目前已初步實用化,產生經濟效益累計達110萬元。本項目實驗數(shù)據(jù),如FERET’97及FRVT 2000,以及BioID人臉庫等,均為互聯(lián)網(wǎng)上公開資料,所采用的研究方法為實驗法。