人脸特征提取的快速算法实现

开篇：润墨网以专业的文秘视角，为您筛选了一篇人脸特征提取的快速算法实现范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

【摘要】近年来，随着计算机技术的发展，人脸识别研究引起了学术界越来越多的关注。而在众多研究方向中，研究最多的是关于人脸正面模式的研究，本文介绍根据人脸的肤色特征以及相应的边缘检测技术来实现一种提取人脸器官的算法，这种算法对于嵌入式系统中有关人脸相关的应用具有一定的价值。

【关键词】人脸识别；边缘检测；肤色特征；Prewitt算子

1.引言

最近几年来，随着计算机技术的发展，人脸识别研究引起了学术界越来越多的关注。而在众多研究方向中，研究最多的是关于人脸正面模式的研究，主要可以分为三个发展阶段：

第一阶段是对人脸识别所需要的面部特征进行研究。这个阶段主要是将一个简单命令语句与数据库中某一张脸联系在一起，并采用与指纹分析技术相结合的方法，由被测实验来看取得了较好的识别效果。但是为了提高脸部识别率，操作人员的操作贯穿于整个识别过程，而并未采用自动识别系统进行操作。

第二阶段是人机交互式识别阶段。科研人员在这一阶段对人脸正面图像主要采用几何特征参数来表示，并且将人脸面部特征采用特征矢量来表示，而且针对这种特征表示方法，设计了相应的识别系统。不过这个阶段仍然需要利用操作员的某些经验知识，还是需要工作人员的参与。

第三阶段是自动识别阶段，近几年的人脸模式识别方法，随着计算机计算速度的加快，有了较大的突破，几种全自动机器识别系统已经被应用。根据人脸表征方式的不同，可以分为三种人脸自动识别方法，即基于连接机制的识别方法、基于几何特征的识别方法和基于代数特征的识别方法。

本文将着重介绍一种算法，能够快速、简便的方式提识别出人脸的器官特征。

2.人脸特征及边缘检测技术

2.1 人脸特征

（1）肤色特征

肤色不依赖于面部的细节特征，它是人脸的重要信息，并且不会由于表情的变化而产生变化，具有相对的稳定性。所以人脸检测中通常采用肤色特征进行检验。一般情况下，主要由肤色特征来对肤色模型进行描述，而肤色模型的选择又需要依据色度空间变化。我们通常可以从色度空间中的“肤色”与“非肤色”区域重叠的多少、描述“肤色”区域的分布两个方面来选择色度空间。而混合高斯模型、高斯模型和直方图模型是我们通常采用的肤色模型。

（2）灰度特征

人脸模式的特征包括灰度特征和肤色特征。轮廓是人头部的重要特征，而人脸区域内的各个器官（如双眼、鼻子、嘴等）具有自己独特的灰度分布特征。我们可以将人脸区域的灰度本身作为特征模板，选取仅包含鼻子、双眼和嘴的面部中心区域的某些特性参数，作为人脸特征模板的共性特征，并且忽略头发、脸颊等会产生很大变化的部分。基于统计学习的人脸检测方法会经常用到这种方法。

2.2 边缘检测技术

边缘是图像最基本的特征，具有灰度值不连续的性质，存在于图像中的物体与背景、物体与物体之间，即不同灰度值的相邻区域之间，包含了目标物体边界的三个主要信息（边缘法线方向、边缘方向、边缘强度）。

边缘检测是基于图像中的目标或物体边界的，它通过对图像中的所有像素点计算一阶或二阶的数字导数来实现，图像中物体的边缘通常是像素灰度值急剧变化之处，这种变化可以抽象为阶跃信号。利用一阶导数的最大值能够检测出图像中边缘像素点。

边缘检测算子是通过对图像中每个像素点的领域的灰度值变化率的量化来提取边界的。它采用基于梯度的3×3卷积模板，将模板在图像中移动，并将图像中的每一个像素点与此模板进行卷积，得到每个像素点的响应R，用R来表征每个像素点的领域灰度值变化率，即灰度梯度值，从而可将灰度图像转化为梯度图像。模板系数wi（i=1，2，…，9）相加的总和必须为零，以确保在灰度级不变的区域中，模板的响应为零。

设图像f（x，y）在像素点（x，y）的梯度向量为：

3.算法思路

算法的思路大致分为两步，首先根据肤色和头发的特征确定脸部的大致区域，然后通过边缘检测算法检测出具体的五官位置。

研究表明人脸的肤色在三基色空间中具有如下要求：

为了这些算法的准确性，对于头发和脸部区域的确定采用统计的方式，即水平和垂直直方图方式来确定。

脸部和五官的轮廓则通过Prewitt边缘检测算子来实现边缘检测。同样对于边缘信息也采用直方图统计的方式来确定。

4.实验及分析

图1是对BMP图片进行肤色和头发特征算法处理后的结果。能够很清晰的提取出头发和脸部肤色的区域。然后通过水平和垂直直方图就能够大致确定出脸部的区域，如图2所示，蓝色部分为脸部肤色直方图，绿色为头发直方图。

图3是采用Prewitt边缘检测算子得到的梯度图像，能够清晰的得到物体的边缘信息，当然，在得到梯度图之前需要将原始的BMP图做灰度处理。只要结合上述确定的脸部区域，就能排除脸部以外的边缘信息的干扰。图4是眼睛、嘴巴以及鼻子边缘信息的直方图，我们可以根据这些直方图信息确定出这些器官的具置，从而就能够提取出人脸的基本特征。

5.结束语

上述算法能够高效的运行在基于Android系统的手机中，对于提取正面的脸部器官信息具有很好的精确度。可以使之推广应用于人脸相关的应用中去。该算法由于采用人脸肤色特征作为区域确定前提，因此，要求人脸图像的背景不能过于接近肤色，否则影响检测精确度。

参考文献

[1]侯鲲.人脸识别技术的现状和发展趋势[J].科协论坛（下半月），2010（11）.

[2]游福成.数字图像处理[M].电子工业出版社，2011.

[3]赵振勇.人脸图像的特征提取[J].计算机技术与发展，2007（05）.

[4]梁路宏.基于人脸检测的人脸跟踪算法[J].计算机工程与应用，2001.

[5]金忠.人脸图像的自动校准算法[J].数据采集与处，1999.

[6]王静儒.基于知识的人面器官边缘检测及特征抽取[J].模式识别与人工智能，1999.

[7]黄修武.图像隶属度及其在人脸识别中的应用[J].计算机研究与发展，1998.

[8]章高清.人脸的层次化描述模型及识别研究[J].计算机研究与发展，1999.

[9]周激流.人脸面部模式自动识别方法研究[J].四川大学学报，1993.

作者简介：

蒋开伟（1981—），男，硕士研究生，台州职业技术学院教师，主要研究方向：电子电气。

蒋玲玲（1986—），女，硕士研究生，台州职业技术学院教师，主要研究方向：电子电气。

孙凌杰（1983—），男，硕士研究生，台州职业技术学院教师，主要研究方向：电子电气。