基于人脸识别技术的智能系统研究与开发

嘴巴轮廓的模型如图2所示。由两段四次曲线组成，曲线的参数有7个：嘴巴的中心（x0,y0）、连接两嘴角的直线倾角θ、上下半嘴的高度h1和h2、嘴角到嘴巴中心的距离w,以及上下半嘴的四次项系数q1和q2。

图2 嘴巴轮廓的模型

嘴巴的评价函数比较容易确定，可以通过唇色和肤色的分割将嘴巴区分出来。评价函数的表达式如式（2）所示。各符号的含义与眼睛模型相似。

（2）

5人脸检测与定位软件系统的实现

5.1 系统工作流程

本系统的工作流程如下：在图片输入后，首先进行图象预处理，再利用椭圆模板匹配初步定位人脸。在对人脸方向进行校正后，再基于外形特征寻找眼睛和嘴巴，并基于相关性进行人脸区域验证，最后输出检测与定位结果。

在人脸识别阶段，先对检测定位输出的图片进行特征提取，再在人工监督下进行特征值统计。然后根据模板参数与特征统计值构造判据。对输入的待识别图象，经检测、定位并计算模板参数和特征值，再由判据进行判别分类后输出识别结果。

5.2 脸部检测与定位结果

经边界检测，脸部检测与定位的结果如图3所示。

图3 同时考虑脸型、眼睛和嘴特征时的脸部定位结果

5.3 检测与识别结果

本文利用BioID 人脸库中的100幅静止灰度图片（BioID_0000.pgm- BioID_0099.pgm）作为素材进行了实验。实验结果如表1所示。

表1 检测与识别结果

5.4 结果分析

在上述3种方法中，参数椭圆模板结合眼睛、眉毛和嘴巴特征的定位方法显示出较好的性能。

在采用基于肤色进行图像分割，进而定位人脸的方法时，由于肤色受环境光照、背景中近似肤色物体的存在的影响，导致定位结果较差。在改变阈值大小时， 对判断的结果影响不大，这表明：第一，肤色与背景色混杂，以及强烈的光照的影响，是造成误判的主要因素；第二，在一种上述问题不太严重的比较“理想”的状态下，肤色模型也的确能有效地发挥作用，以抵消来自于外形姿态等方面的影响。对肤色模型的改进应该集中在对于光照的处理和与背景的分离上，利用模板进行检测与定位即是有效分离背景干扰的一种方法。

在单纯采用椭圆模板进行检测与定位时，检测的正确率得到了一定的提高，但总的来说还是很难令人满意的。在通过改变椭圆的参数试验其性能时，其对参数变化的适应性把高。经分析，可以认为是复杂的背景直接影响了椭圆模板的有效性。而对参数变化的适应性差，主要是因为图像库中的人脸外形多为长椭圆形，表现在参数上差别不大。因而，仅仅通过椭圆模板进行人脸的检测与定位，其效果是难以令人满意的。

在参数椭圆模板的基础上，加入对眼睛、眉毛和嘴巴特征的参数描述，进而利用改进的模板进行检测与定位，取得了较好的结果。并且，在通过调节参数区分目标人物时，也有较好的表现。经分析，检测与定位成功率的提高得益于对脸部器官外形参数的有效地描述，使其过滤了大多数的背景中的干扰，取得了较好的效果。在调节面部器官的外形参数时，模型取得了较好的区分效果，这可以认为是各目标人物的个人特征的真实反应。其中仍然存在的问题是，在人脸倾斜，或有眼镜、大片头发遮盖等情况发生时，将对检测与定位的效果产生严重的影响。

6 结论

人脸检测与识别研究的趋势是利用多种线索（头发、肤色、器官、轮廓、模板等），综合多种分类方法（混合高斯模型、概率模型、神经网与支持向量机等），启发式信息与统计学习方法相结合。总之，由于人脸对象的非刚体性，以及姿态、光照、遮挡等各种变化因素的影响和实时性要求，高性能的人脸检测仍是一个困难的问题。

7本文作者创新点：

1采用基于参数化的椭圆型人脸模板与基于眼睛及嘴巴几何特征相结合的人脸定位方法，根据其眼睛、鼻部及嘴部的几何特征参数，对实验人脸库进行监督下的分类。

2提出了结合人脸模板和人脸特征进行人脸检测的方法，并对现有的人脸检测与定位的方法提出了改进，进而提取脸部特征，并在此基础上实现了一个智能识别系统，经检验，模型取得了较好的区分效果。

3.本项目为作者所在学院智能机器人研究课题之子课题，该课题目前已初步实用化，产生经济效益累计达110万元。本项目实验数据，如FERET'97及FRVT 2000,以及BioID人脸库等，均为互联网上公开资料，所采用的研究方法为实验法。

参考文献

[1] 梁路宏，艾海舟。 人脸检测研究综述[J].计算机学报，Vol.25,No.5

[2] P. Jonathon Phillips, Alvin Martin C.L. Wilson, Mark Przybocki. An Introduction to Evaluating Biometric Systems.IEEE 2000

[3] DoD Counterdrug Technology Development Program Office. FRVT 2000 E