基于眼睛特征定位的人脸模板匹配算法研究

2022-09-12

基于模板匹配的方法是在图像灰度的层次上直接比较目标模板和候选图像区域之间的相似性, 对于人脸检测而言, 就是利用人脸的灰度模板在被检测图像中寻找最近似人脸的区域。与基于特征的方法等其它的人脸检测方法相比, 模板匹配方法具有简单、直观的特点, 适应性强, 对图像质量的依赖度较低, 鲁棒性强。

1 模板匹配的基本原理

模板匹配方法简单说就是计算一个固定的目标模式和一个未知图像块的相异程度, 用一个阈值决定输出。模板匹配可以用来确认一幅图中是否存在某种己知模板图像, 它广泛应用于图像处理、模式识别和计算机视觉等领域。指的是在一幅图中是否存在某种已有模板图像。

2 基于模板匹配的人脸验证

2.1 模板的生成

本文的人脸检测过程中一共使用了6个模板。首先选取50幅标准证件照作为样本图像, 所选的样本图像均为不带眼镜和胡须等干扰物的正面人脸。在各样本图像上用手工标定出人脸的区域作为人脸样本。由于各个样本的尺度大小和灰度分布各不相同, 因此要先对它们进行尺度和灰度分布标准化, 然后将所有样本取灰度平均并压缩到需要的尺度作为原始模板。拷贝原始模板的眼睛部分, 进行灰度分布标准化后作为双眼模板;对原始模板分别按照1∶0.9、1∶1、1∶1.1、1∶1.2和1∶1.3的宽长比变形, 最后经过灰度分布标准化后作为人脸模板。

2.2 候选人脸的归一化

本文利用人脸比例图, 根据构成眼睛对的两眼间的距离d, 以眼睛对为基准对待检的肤色区域进行剪裁, 确定出与该候选眼睛对相对应的待匹配人脸区域。由于需要检测的图像大小各异, 其中的人脸大小也很不一样, 因此最后需要对候选人脸区域进行图像的缩放处理, 保证了人脸大小的一致性。

2.3 人脸的匹配算法

人脸匹配算法的基本思想:首先根据得到的粗检测图像依次将待匹配的人脸区域提取出来, 将其转换为灰度图像, 并进行灰度分布标准化和旋转变换。然后选择合适的人脸模板进行匹配, 将满足一定条件并达到匹配度阈值的图像窗口作为人脸。该方法在粗检测的基础上, 利用平均脸模板匹配的方法对候选队列中的图像进行是否是人脸的判断, 充分利用了已有的检测结果, 在限定的范围内进行匹配。

假设人脸模板的灰度矩阵T[M][N], 灰度均值为µT, 均方差为σT, 输入图像区域灰度矩阵为R[M][N], 灰度均值为µR, 均方差为σR, 那么它们之间的相关系数r (T, R) 和对应像素灰度值的平均偏差d (T, R) 分别为:

r (T, R) 越大表示模板与输入的待检测图像区域的匹配程度越高;d (T, R) 而正好相反。将他们综合起来便可作为匹配程度的度量:

其中α为权重系数, 取经验值α=350.。

2.4 人脸器官边缘验证

在完成人脸的模板匹配后, 为了能够更准确的得到人脸区域, 需要进一步的进行验证, 排除一些误检区域。本文采用了边缘检测的方法, 通过人脸的器官特征边缘的分布规律来进行验证。

图像边缘提取的算子很多, 比较常用的有拉普拉斯算子、Robison算子、Prewitt算子和Sobel算子等。本文首先对待检测区域使用Sobel算子获得梯度图像, 然后进行灰度分布标准化, 最后利用自适应阈值方法 (LAT) 来获得边缘二值图像。

其中Sobel (x, y) 表示Sobel算子的输出, g (x, y) 表示输入图像的低通滤波器。

二值边缘图像:

根据人脸器官的分布特点, 将边缘图像划分为3×3个相同大小的块, 统计整个图像和每一个块边缘点所占的比例。

设3×3块中边缘点的比例为R[m, n] (其中0≤m≤2, 0≤n≤2) , 整个区域中的边缘点所占比例, 若该区域是人脸, 则其应满足如下关系:

(1) .020

(2) R[, 00]>0.7R且R[, 02]>.07R;

(3) R]1, 1[>0且R[2, 1]>0.4R。

3 结果分析

在实验中, 本文所提出的算法可以正确检测多种条件下, 如光照明暗, 具有一定角度, 人脸大小不同人脸。在测试图像集所包含的277个人脸中, 算法正确检测出的有239个。对于背景和肤色有较为明显差别的图像, 几乎都可以正确检测出人脸的位置与已往的方法相比, 该方法具有较强的鲁棒性, 对有角度的人脸图像也具有一定的适用性。

摘要：采用基于眼睛特征定位的人脸模板匹配方法, 利用不同长宽比的多个人脸模板对候选人脸进行匹配, 并利用人脸器官的边缘分布图进行分块验证。在图像增强的基础上, 利用自适应阈值的方法对图像进行二值化, 结合模板匹配的方法准确提取出双眼对, 有效的减轻后期人脸模板匹配的工作量, 提高了系统的执行效率。

关键词：模板匹配,边缘验证,双眼模板,人脸检测