几何特征提取方法在面部识别中的应用

上面已经提到，人脸的几何特征既可以用来进行人脸识别，也能进行表情识别。参考文献[34]介绍了周激流等人在人脸识别系统中的人脸几何特征提取的工作。他们手动选取了人脸部图像上25个特征点，包括眉毛坐标、瞳孔中心位置等，如图6-2所示。根据这25个坐标值，计算出13个特征矢量、眉眼距离、眼鼻距等作为后续识别算法的输入值。6.1节已经提到了人脸识别和表情识别由于识别目的的不同，其特征提取方法也有差异，所以下面重点介绍表情识别中的几何特征提取方法，其基本思想是利用人脸的结构特征和先验知识，通过对人脸表情的显著特征，如眼睛、鼻子、眉毛、嘴等的形状和位置变化进行定位和测量，确定其大小、距离、形状和相互比例的特征关系，进行表情识别。

基于几何特征的识别方法，在特征的提取方式上，具体又可以分为以下三种。

图6-2 人脸的25个特征点位置

1.在手动的预先定义一组特征点的基础上，进行特征点运动的跟踪

剑桥大学的Philipp Michel采用的就是手工标点的方法，即在图像序列的第一帧中手动定义22个面部标定点（见图6-3）。对于每个表情，计算其平静和有表情帧之间的位移，作为特征进行分类器的训练。实验表明，手工标点提取的位置信息分类准确率较高，而且训练和分类的延时较小。

图6-3 图像序列中面部特征的手工定位与跟踪(www.xing528.com)

2.全自动提取特征点

这个问题与人脸识别研究中人脸的检测与定位问题有许多共同性。由于人脸的几何结构固定，所以全自动提取特征点通常要依赖于面部的部件分析，通过应用一些先验知识来初步确定表情区域的大概位置，然后再精确定位各个特征点（如瞳孔、嘴角）的位置。这里的表情区域定位通常使用的方法有积分投影方法。它简便易行，但有很大的局限性，一般只是针对简单的图像，要求正立、正面、光照均匀、无小胡子和眼镜等饰物。其他还有hough变换方法、susan角点检测方法，以及可变形模板方法、Snake方法、构造模型能量函数的匹配方法等，这些方法可适用于质量比较差的照片，缺点在于它们的模板的描述不够精确，更适合于变化比较大的面部器官，因此它们常用于提取眼睛、口的轮廓。微软公司亚洲研究院的Tian Yingli等人也采用几何特征提取与神经网络相结合的方法，对正面或接近正面的面部图像进行表情识别。其中，提取几何特征主要包括对于关键部件的定位特征和表情区的形状特征，如图6-4所示。

图6-4 用于表情识别的面部几何特征 a）定位特征 b）形状特征

3.基于面部轮廓特征的模板匹配

这是在手工标定特征点的基础上改进的，也是一种基于几何特征的方法。它首先将图像用大量的标记点来描述主要的特征，并通过对一系列的训练图像中的这些标记点的位置进行统计分析，从而得到一个可变型的模型来对人脸的形状及空间关系建模，用于表情识别。参考文献[35]给出了眉毛的活动轮廓模型、轮廓模型相对特征点的几何方法。它是一种连续的形状描述，是几何特征的向量表达，简言之，活动轮廓就是能量最小化的曲线，也就是对人脸以及五官的轮廓进行曲线拟合，根据计算获得一个最优的拟合，这条曲线的参数即为特征。

以上提到的几何特征提取法中，手工标点的方法在实验阶段比较常用，但不适合实时的全自动的表情识别的要求；全自动提取特征点的方法对先验特征有比较强的依赖性，并且在提取特征时常受到饰物、胡须、复杂背景以及光照的影响。总的来说，提取几何特征进行表情识别的优点是：直观，符合人眼进行表情识别的规律，并且在很大程度上减少了输入特征，压缩了数据信息；但是用有限的特征点来代表人脸图像，一些细微的表情变化特征就会丢失，而且实验表明，几何特征提取的精确程度不容乐观。