基于Haar分類器和AAM算法的人臉基準點定位

程培培 陳典典 馬軍山

文章編號： 1005-5630（2018）06-0048-06

摘要： 人臉基準點定位可應用于人臉識別、疲勞檢測等領域。針對人臉基準點定位中常用的主動表觀模型（AAM）的局限性，提出了Haar分類器和AAM算法相結合的人臉基準點定位方法。先是計算圖像積分

圖，然后采用基于 Haar特征的 AdaBoost級聯檢測器快速定位出人臉區域，最后將檢測到的位置和圖像信息傳遞給AAM進行人臉基準點定位。該方法在抽取的AFLW（annotated facial landmarks in the wild）人臉測試集上表現出良好的性能。實驗結果表明，采用該方法能準確、快速定位出人臉基準點。

關鍵詞： Haar分類器; 人臉檢測; AAM 算法; 人臉基準點定位

中圖分類號： TP 391文獻標志碼： Adoi： 10.3969/j.issn.1005-5630.2018.06.008

引言

一般的人臉識別系統是先進行面部特征定位與提取，然后進行特征對比與分類，其中面部特征點的定位也叫人臉對齊，特征點亦稱作基準點[1]。人臉基準點定位是人臉識別系統中的重要環節，可應用于計算機視覺方面的研究，例如人臉確認[2]、表情識別[3]、疲勞檢測，姿態估計和凝視方向分析以及三維人臉動畫制作[4] 等。

人臉基準點是能夠描述人臉信息的點，如明顯的角、邊緣之間的“T”連接，人臉基準點一般分三類：標記人臉上的器官，比如眼角、嘴角等;某個方向上的最高點或曲率極值點，比如鼻尖;上述兩類點的插值點，比如臉頰輪廓點等。由于不同的姿態、表情、光照以及遮擋等因素的影響，如何準確地定位出各個關鍵特征點成為了研究熱點[5]。計算機視覺領域的研究人員提出了許多解決方法，其中較為經典的是Cootes等提出的活動形狀模型（active shape model，ASM）和主動表觀模型（active appearance model，AAM）[6]，其中AAM方法是對ASM方法在紋理信息上的擴充，采取形狀和紋理相融合的統計約束，更加適用于復雜圖像的人臉特征點定位。但是AAM模型參數的更新僅使用一個線性預測模型，即根據當前模型和輸入模式之間的差別來預測和更新模型參數，具有較大的局限性，在初始位置距離目標位置較大時，則不容易收斂到準確位置[7]，因此，在使用AAM算法進行人臉基準點定位時可考慮先進行人臉粗定位。Haar分類器方法利用AdaBoost算法訓練強分類器，然后將強分類器進行級聯，并且在底層的特征提取中采用了高效率的Haar特征和積分圖方法，在人臉檢測中可以快速定位出人臉位置。

針對AAM算法在人臉搜索過程中的局限性，本文采用Haar分類器進行人臉區域快速定位，使AAM可以快速擬合正確的初始形狀，最終加快收斂速度和提高定位準確度。

1主動表觀模型（AAM）

AAM算法主要分為模型建立和模型匹配兩個階段，其中：模型建立階段包括了對訓練樣本分別建立形狀模型（shape model）和紋理模型（texture model），然后將兩者進行結合，形成混合外觀模型;模型匹配階段是指在已建立好AAM模型的當前幀圖像中尋找最匹配目標的過程。

2人臉檢測

2.1Haar分類算法要點

采用Haar分類器進行快速人臉檢測，能獲得較好的檢測率，其算法要點有：1） 使用Haar特征做檢測;2） 提出了積分圖，利用它可以快速計算Haar特征值;3） 通過AdaBoost的機器學習算法訓練用于判斷是否為人臉的強分類器;4） 使用篩選式級聯把強分類器級聯到一起用于檢測人臉，能很快地排除背景，提高檢測速度，有利于實時應用[8]。

2.2Haar特征與積分圖

Haar特征，又稱為矩形特征，圖2是四種基本Haar特征模板，由黑白矩形組成，可分為三類特征：邊緣特征、線性特征、特定方向特征。用Haar特征描述人臉區域時，眼睛區域的顏色比臉頰區域更暗，鼻梁的兩側比鼻梁更深等。使用矩形特征來計算速度是非?？?，比單純使用像素更好。雖然Haar特征比較粗糙，但速度非?？?，耗時較少，可用于AdaBoost算法。

圖2中模板特征值定義為白色矩形像素和與黑色矩形像素和的差值。為了便于快速計算特征值，引入積分圖。積分圖的基本思想是對圖像中任意點左上角所構成的矩形區域，計算出該區域所有像素的灰度值之和，然后保存該值，該值即為像素點（x，y）的積分值。

3人臉基準點定位

采用本文方法進行人臉基準點定位大致可分為訓練和檢測兩個過程，首先利用AAM算法訓練樣本集，得到平均形狀模型。當要對一張沒有標記的人臉圖像進行基準點定位時，需要結合Haar分類器檢測面部信息，利用AAM自動訓練的模型來匹配新的圖像，在模板的基礎上生成一個初始形狀估計，進而不斷擬合，得到人臉基準點準確位置。

Haar分類器方法進行人臉檢測時，首先構造圖像的積分圖進行特征值快速計算，然后基于分級分類器策略，由AdaBoost算法根據Haar特征構建人臉級聯檢測器，通過遍歷圖像所有位置將人臉區域檢測出來。將檢測到的人臉區域和圖像信息傳遞給AAM，確定初始形狀模型，進行迭代擬合（搜索）直至迭代收斂，最后通過描述符模型[11]得到相應的人臉基準點，人臉基準點定位過程如圖5所示。

4實驗結果與分析

本實驗在MUCT人臉庫（3755面，76地標）中隨機選擇500幅人臉圖片（選不同性別、年齡、表情、姿態等）作為訓練數據，在AFLW人臉庫中隨機抽取300幅圖片作為測試數據集，實驗程序在VS 2013環境下結合Open CV編寫。為了便于觀察確認，我們將測試圖片按序編號并平均分到三個文件夾下，采用C++編程進行批量處理，實驗在一臺 2.5 GHz，4G RAM的PC上進行。

實驗結果：本次實驗處理一張AFLW圖片（150×150）平均用時約20 ms，定位速度較快;共有298張圖片定位出人臉基準點，僅2張圖片定位出錯（顯示沒有定位到人臉），定位成功率高達99%。

觀察定位成功的輸出圖片可得：

1） 有小部分不同角度或遮擋的人臉圖像中臉頰輪廓定位有一定的偏差，考慮是由于圖像預處理不佳造成的，可以進一步對圖像進行圖像增強等操作，以優化試驗效果;

2） 輸出圖片中人眼、鼻尖、嘴、下巴定位準確，總體來看人臉基準點定位具有較好的準確度。圖6展示了部分圖像的最終定位結果。

5結束語

本文采取Haar分類器進行快速人臉區域檢測，結合AAM 算法實現了人臉稠密基準點（68個標定點）的快速定位。在300張取自AFLW不同光照和不同姿態的人臉圖像測試中，取得了約99%的定位成功率，且速度快、準確度高。本文提出的人臉基準點定位方法可以應用于計算機視覺中針對人臉的特征定位，實現自動定位的同時可大幅提高定位準確度。

參考文獻：

[1]蔡超.基于面部基準點對齊的人臉識別方法研究[D].武漢：華中科技大學，2013.

[2]CHEN D，CAO X D，WEN F，et al.Blessing of dimensionality：high-dimensional feature and its efficient compression for face verification[C]∥Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition.Portland，USA：IEEE，2013：30253032.

[3]PANTIC M.Automatic analysis of facial expressions[C]∥Proceedings of the 2014 ACM/IEEE International Conference on Human-Robot Interaction.New York，USA：ACM，2014：390390.

[4]CAO C，WENG Y L，LIN S，et al.3D shape regression for real-time facial animation[J].ACM Transactions on Graphics，2013，32（4）：110.

[5]張少華.基于深度卷積神經網絡的人臉基準點定位研究[D].武漢：華中科技大學，2016.

[6]COOTES T F，EDWARDS G J，TAYLOR C J.Active appearance models[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2001，23（6）：681685.

[7]山世光.人臉識別中若干關鍵問題的研究[D].北京：中國科學院研究生院（計算技術研究所），2004.

[8]LIENHART R，MAYDT J.An extended set of Haar-like features for rapid object detection[C]∥Proceedings of 2002 International Conference on Image Processing.Rochester，USA：IEEE，2002：I900I903.

[9]李理，李偉生.一種基于改進樣本選取的快速人臉檢測方法[J].計算機應用與軟件，2010，27（7）：8386.

[10]MILBORROW S，BISHOP T E，NICOLLS F.Multiview active shape models with SIFT descriptors for the 300-W face landmark challenge[C]∥Proceedings of 2013 IEEE International Conference on Computer Vision Workshops.Sydney，Australia：IEEE，2014：378385.

[11]沈道義，俞能海，龐彥偉，等.結合提升自舉FLD投影的特征提取算法[J].小型微型計算機系統，2009，30（4）：690694.

（編輯：劉鐵英）