1研究背景

生物識別技術是目前最為方便與安全的識別系統。生物識別是依靠人體的身體特征來進行身份驗證的一種解決方案。由于與傳統的生物識別技術相比，人臉識別因具有更為簡便、準確、經濟及可擴展性良好等眾多優勢而普遍為人們所看好，被廣泛應用于安全驗證、監控、控制等各個方面。但到目前為止，能夠滿足人們需求的理想系統尚未出現。

根據FERET‘97 測試報告，目前的人臉識別算法對于不同的攝像機、不同的光照條件和年齡變化的適應能力非常差。FRVT’2000評測結果表明，人臉識別系統的性能與FERET‘97的測試相比有了一定的進步，但其識別性能對各種條件，如光照、老化、距離、姿態等，仍然離人們的期望值較遠。

2問題的提出

本文僅考慮單人正面靜態灰度圖像，著重考慮人臉圖像的檢測和定位，不考慮頭部的俯仰、旋轉以及穿戴、遮蔽的情況，而且頭部的傾斜不超過15°。

本文的研究工作主要是提出了結合人臉模板和人臉特征進行人臉檢測的方法，對現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，并在此基礎上實現了一個智能識別系統演示軟件。本文所采用的方法，主要是基于參數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，以及根據其眼睛、鼻部及嘴部的幾何特征參數，對實驗人臉庫進行監督下的分類和統計的人臉識別方法。所采用的人臉數據庫是BioID人臉庫。

3基于人臉識別技術的智能系統設計方案

人臉自動識別系統包括下列主要技術環節，首先是人臉檢測和定位，即從輸入圖像中找到人臉及人臉存在的位置，并將人臉從背景中分割出來，然后才是對歸一化的人臉圖像進行特征提取與識別。這兩個環節的研究獨立性很強。由于在很多特定情況下，人臉檢測與定位的工作比較簡單，因此“特征提取與識別”環節得到了更為廣泛和深入的研究；而近幾年來隨著人們越來越關心各種復雜情形下的人臉自動識別系統，人臉檢測與定位才得到了較多的重視。

評價一個人臉自動識別系統的標準，一個是誤識率即將某人錯識別為其他人，另一個是虛警率即將其他人識別為這個人。這二者之間是存在矛盾的，所以在實際問題中往往需要進行某種折衷。這一點同樣適用于特征提取與識別環節，但是對于人臉檢測與定位，我們一般則要求誤識率要盡可能低，因為這樣才可以保證所要識別的人不會在這一步就丟失。

常用的人臉識別實驗庫以美國軍方的FERET 庫最為權威。另外如MIT、ORL 等庫也可以用來驗證算法在某些方面的能力。目前尚沒有專門測試人臉檢測和定位算法的圖像庫。

4基于人臉形狀特征的精確定位方法

4.1 人臉特征的檢測

特征檢測是人臉識別智能系統中的關鍵環節，因為眼睛、鼻子和嘴巴等特征集中了人臉的人部分信息。對于人臉建模來說，不僅要檢測出這些特征，而且要準確地加以定位。

假設人臉的姿態比較正，那么人臉上的特征是水平邊緣集中的區域。我們可以在低分辨率下提取水平邊緣，然后找到人臉區域內富含這些邊緣的連通區，作為人臉特征的候選區域。這些區域的位置和大小并不準確，因為邊緣檢測本身容易出現位置偏移，連通區的大小也隨閾值而變化。所以還需要進一步修正上面的結果。對正面的人臉來說，眼睛、嘴巴等特征和整個人臉的尺寸之間存在先驗的約束關系，這就是人臉結構的恒常性，因此我們利用這些約束關系確定特征區域的大小。

4.2 雙眼和嘴巴的定位

可以充分利用先驗知識，把眼睛和嘴巴表示為分段多項式曲線，然后用變形模板得到準確的輪廓。眼睛輪廓的模型如圖1所示，由四段二次曲線組成，曲線的參數有8個：上半眼的中心（x0，y0）、連接內外眼角的直線的傾角θ、上下半眼的高度h1和h2、內眼角到上半眼中心的距離wl，外眼角到上半眼中心的距離w2，內眼角到下半眼中心的距離w3。

圖1 眼睛輪廓模型

評價函數的選擇是關鍵。眼睛本身不具有—致的顏色信息，而邊緣信息比較豐富。因此，先對圖像進行邊緣提取，然后作適當尺度的閉運算，就可以使眼睛內部形成單一的高亮度區。在處理過的圖像中，眼睛內部是高亮度區，外部是低亮度區。因此可以定義評價函數如式（1）所示。其中D表示眼睛區域， 表示眼睛輪廓之外的帶狀區域， 表示輪廓之內的帶狀區域。根據4段曲線表達式得到的眼睛區域可以初始化眼睛的輪廓，然后用最陡下降法迭代直至該輪廓收斂。

（1）

嘴巴輪廓的模型如圖2所示。由兩段四次曲線組成，曲線的參數有7個：嘴巴的中心（x0，y0）、連接兩嘴角的直線傾角θ、上下半嘴的高度h1和h2、嘴角到嘴巴中心的距離w，以及上下半嘴的四次項系數q1和q2。

圖2 嘴巴輪廓的模型

嘴巴的評價函數比較容易確定，可以通過唇色和膚色的分割將嘴巴區分出來。評價函數的表達式如式（2）所示。各符號的含義與眼睛模型相似。

（2）

5人臉檢測與定位軟件系統的實現

5.1 系統工作流程

本系統的工作流程如下：在圖片輸入后，首先進行圖象預處理，再利用橢圓模板匹配初步定位人臉。在對人臉方向進行校正后，再基于外形特征尋找眼睛和嘴巴，并基于相關性進行人臉區域驗證，最后輸出檢測與定位結果。

在人臉識別階段，先對檢測定位輸出的圖片進行特征提取，再在人工監督下進行特征值統計。然后根據模板參數與特征統計值構造判據。對輸入的待識別圖象，經檢測、定位并計算模板參數和特征值，再由判據進行判別分類后輸出識別結果。

5.2 臉部檢測與定位結果

經邊界檢測，臉部檢測與定位的結果如圖3所示。

圖3 同時考慮臉型、眼睛和嘴特征時的臉部定位結果

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

5.4 結果分析

在上述3種方法中，參數橢圓模板結合眼睛、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”的狀態下，膚色模型也的確能有效地發揮作用，以抵消來自于外形姿態等方面的影響。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試驗其性能時，其對參數變化的適應性把高。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，表現在參數上差別不大。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。

在參數橢圓模板的基礎上，加入對眼睛、眉毛和嘴巴特征的參數描述，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，在通過調節參數區分目標人物時，也有較好的表現。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的有效地描述，使其過濾了大多數的背景中的干擾，取得了較好的效果。在調節面部器官的外形參數時，模型取得了較好的區分效果，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、大片頭發遮蓋等情況發生時，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、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、神經網與支持向量機等），啟發式信息與統計學習方法相結合。總之，由于人臉對象的非剛體性，以及姿態、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。