利用測(cè)地距離的三維人臉定位算法

林璇璣 林克正 孫一迪 魏穎

摘?要：針對(duì)傳統(tǒng)的二維人臉定位，無(wú)法克服旋轉(zhuǎn)、表情、姿態(tài)等因素帶來(lái)的問(wèn)題，同時(shí)傳統(tǒng)定位算法的準(zhǔn)確率較低，算法在三維人臉模型的基礎(chǔ)上，加入測(cè)地距離，提出利用測(cè)地距離的三維人臉定位算法。首先輸入待檢測(cè)的三維人臉圖像，對(duì)其進(jìn)行維納濾波預(yù)處理，在預(yù)處理后的圖像中進(jìn)行鼻尖點(diǎn)定位，進(jìn)而找到人臉的位置，在待檢測(cè)圖像中標(biāo)記所得到的人臉區(qū)域。算法在三維人臉庫(kù)FRGC和BU-3DFE上進(jìn)行實(shí)驗(yàn)，利用深度信息定位方法和SPIDER特征點(diǎn)定位方法進(jìn)行對(duì)比，實(shí)驗(yàn)結(jié)果表明本算法的定位準(zhǔn)確率更高，魯棒性更強(qiáng)。

關(guān)鍵詞：人臉定位;測(cè)地距離;維納濾波;鼻尖點(diǎn)定位

DOI：10.15938/j.jhust.2018.06.020

中圖分類(lèi)號(hào)： TP391.?4

文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： 1007-2683（2018）06-0110-06

Abstract：The traditional two-dimensionnal face positoning unable ?overcome the rotation?expression?posture?and own a low accuracy in the location.?We join the geodesic distance on the 3D face modle ?and proposed the algorithm of three-dimension location using geodesic distance.?We use wiener filtering to preprocess the 3-dimentional face datas for the detecting image and confirm the location of the face by finding the location of nose point in the preprocessing image called nose tip location.?Then we unify the human faces to the same coordinate frame.?Finally?and mark the face region to be detected in the resulting image.?The algorithm makes the experiment on FRGC face database and BU-3DFE face database?uses the depth information positioning method and spiders feature point positioning methods for comparing.?The experimental results show that our algorithm of positioning accuracy is higher?stronger and has good robustness.

Keywords：face location; geodesic distance; wiener filtering; nose tip location

0?引?言

每個(gè)個(gè)體都有唯一的可以測(cè)量或可自動(dòng)識(shí)別和驗(yàn)證的生理特性或行為方式，即生物特征。它可劃分為生理特征（如指紋、人臉、虹膜、掌紋等）和行為特征（如步態(tài)、聲音、筆跡等）。生物識(shí)別就是依據(jù)每個(gè)個(gè)體之間獨(dú)一無(wú)二的生物特征對(duì)其進(jìn)行識(shí)別與身份的認(rèn)證[1-2]。生理特征是人體所固有的、不可復(fù)制的、唯一的，人臉作為人體的標(biāo)志性生物特征，近年來(lái)被廣泛應(yīng)用于金融、司法、軍隊(duì)、公安、邊檢、政府、教育等領(lǐng)域，人臉識(shí)別技術(shù)已經(jīng)融入到我們的生活，人臉支付、人臉考勤、人臉安全門(mén)、人臉安檢等，人臉識(shí)別技術(shù)被越來(lái)越多人所熟知，同時(shí)也將應(yīng)用于更多的領(lǐng)域，由于環(huán)境背景的變化，人臉自身表情、濃妝等變化都會(huì)對(duì)人臉識(shí)別產(chǎn)生一定的影響，因此，人臉識(shí)別技術(shù)還有研究的意義[3-4]。

2D人臉識(shí)別技術(shù)在過(guò)去的30余年里取得了顯著的進(jìn)步，但是2D人臉識(shí)別在人臉檢測(cè)、定位、識(shí)別等過(guò)程受限于光照、姿態(tài)、表情和年齡的變化[5-6]，目前3D成像設(shè)備和3D圖像采集設(shè)備發(fā)展迅猛，研究者們將目光逐漸從二維轉(zhuǎn)向三維相比于2D人臉識(shí)別，其能夠更加有效地克服在現(xiàn)有的2D人臉識(shí)別中存在的姿態(tài)和光照等困難，因此，研究3D人臉識(shí)別已經(jīng)是大勢(shì)所趨[7-8]。

與2D人臉數(shù)據(jù)一樣，3D人臉數(shù)據(jù)信息中也常常含有諸多噪聲，例如頭發(fā)、飾品、衣服和脖頸等等，這些混合在數(shù)據(jù)中的噪聲對(duì)人臉識(shí)別中的特征提取和分類(lèi)識(shí)別都有不同程度的影響，所以，要對(duì)3D人臉圖像進(jìn)行預(yù)處理，以便清除或減少圖像模糊以及幾何失真，進(jìn)而提高其清晰度，因而它是3D人臉識(shí)別過(guò)程中至關(guān)重要的一部分[9-10]。但是目前，在3D人臉識(shí)別的研究中，大多數(shù)的研究都是通過(guò)手動(dòng)的方式來(lái)進(jìn)行除噪聲或分割人臉區(qū)域塊并進(jìn)行提取[11-13]。然而，高效并且簡(jiǎn)便的人臉檢測(cè)和人臉定位是迅速執(zhí)行人臉識(shí)別的必要條件，本文提出利用測(cè)地距離的三維人臉定位算法，對(duì)3D人臉數(shù)據(jù)進(jìn)行處理，分塊提取和校正。

1?人臉數(shù)據(jù)去噪

通過(guò)采集而得到的3D人臉的原始點(diǎn)云數(shù)據(jù)模型中往往含有最直接的數(shù)據(jù)信息，除反映了相應(yīng)點(diǎn)的幾何信息，還反映了其紋理信息以及掃描儀器收集回波來(lái)獲取的數(shù)據(jù)的強(qiáng)度信息，因此，本文主要以3D人臉點(diǎn)云數(shù)據(jù)模型為基礎(chǔ)來(lái)進(jìn)行研究，并且使用到的3D人臉數(shù)據(jù)庫(kù)以及涉及到的點(diǎn)云數(shù)據(jù)的坐標(biāo)均是以毫米為單位，即在三維坐標(biāo)系中，每個(gè)點(diǎn)坐標(biāo)分別有x，y，z 3個(gè)數(shù)據(jù)，且x，y，z 3個(gè)數(shù)據(jù)的單位為mm，它們就是該三維空間中的尺度坐標(biāo)。將3D人臉點(diǎn)云模型投影于所對(duì)應(yīng)的的二維空間，則在每一個(gè)二維空間上都有一張2D人臉圖像，這些人臉點(diǎn)云數(shù)據(jù)模型中包含了一些噪聲點(diǎn)或者錯(cuò)誤點(diǎn)，例如，空洞和尖點(diǎn)就很可能存在于數(shù)據(jù)信息當(dāng)中，它們通常是在采集信息的過(guò)程中，出現(xiàn)了數(shù)據(jù)缺失甚至是錯(cuò)誤的情況而產(chǎn)生的，這些空洞或是尖點(diǎn)看似微乎其微，然而，它們的存在影響了人臉圖像的質(zhì)量和后續(xù)工作的進(jìn)行，因而在人臉定位之前，必須采取高效的方法施加于原始點(diǎn)云數(shù)據(jù)模型之上，以便后續(xù)工作的進(jìn)行。為了讀者理解起來(lái)更加方便，將原始的人臉圖像分別在XY平面、XZ平面和YZ平面進(jìn)行投影，原始的人臉圖像和投影后的人臉圖像如圖1所示，其中圖像（a）是XY平面投影圖像，相當(dāng)于人臉的正面投影;圖像（b）和（c）分別是XZ平面和YZ平面的投影圖像，相當(dāng)于人臉的側(cè)面投影，圖像（d）表示的是原始的人臉圖像。

在實(shí)驗(yàn)過(guò)程中，我們往往將彩色圖像轉(zhuǎn)化成灰度圖像或者從含有灰度圖像的人臉數(shù)據(jù)庫(kù)中選取圖像，但仍然掩蓋不了由于某些不確定的因素所造成的噪聲在圖像上留下的痕跡，更有甚者，會(huì)讓人們無(wú)法辨認(rèn)出圖像中的關(guān)鍵部位，此時(shí)，就需要把某些已經(jīng)含有噪聲的檢測(cè)圖像在噪聲的去除與圖像特征的保留上進(jìn)行折中，經(jīng)過(guò)處理后，獲得近似原始圖像的檢測(cè)圖像，所以選擇一種有效的去噪方法尤為重要。然而，圖像處理中存在很多種去噪聲的方法，例如，中值濾波、平均濾波等，但是并不能夠說(shuō)出某種方法的去除噪聲的效果是最好的，因?yàn)樗鼈兪歉饔兴L(zhǎng)的，只能說(shuō)它們?yōu)V除噪聲的時(shí)候所針對(duì)的噪聲對(duì)象是不同的，以及使用者想得到的結(jié)果也是不相同的，因而，不同的去除噪聲的方法所發(fā)揮的效果自然各有不同。本文選擇改進(jìn)的維納（Wiener）濾波方法對(duì)人臉圖像來(lái)進(jìn)行去噪，該方法不但能夠高效地去除干擾噪聲和盡量地保持原圖像的邊緣信息，而且可以在面部主要特征的周?chē)@得更好的清晰度，例如眼睛，鼻子還有嘴。

Wiener濾波方法歸屬于一種低通濾波方法，它也是一種最小均方誤差的濾波方法。在這里，我們選擇使用Wiener濾波對(duì)z分量進(jìn)行去噪。在使用Wiener濾波處理的過(guò)程中，對(duì)于被處理的圖像上的每一個(gè)像素點(diǎn)，均是在從像素的局部領(lǐng)域估計(jì)的統(tǒng)計(jì)信息上使用了自適應(yīng)Wiener濾波方法。為了更好地去應(yīng)用此種濾波方式，在XY平面上，我們使用一個(gè)以當(dāng)前點(diǎn)為中心且尺寸為4mm×4mm的窗口。讓?duì)毯挺?分別表示位于當(dāng)前窗口內(nèi)的z分量，那么就有式（1）和式（2）。

此外，我們還嘗試使用了其他的低通濾波方法，例如，中值濾波和平均濾波等方法，它們所得到的效果均不相同，如圖2所示，即為不同濾波方法處理人臉噪聲圖像所得到的效果圖。

對(duì)于維納濾波、中值濾波和平均濾波這三種濾波，為避免實(shí)驗(yàn)用具等外因產(chǎn)生對(duì)此比較實(shí)驗(yàn)的干擾，我們選取同樣一張人臉圖像如圖2中的（a）所示，經(jīng)過(guò)簡(jiǎn)單的轉(zhuǎn)換后，得到（b），在圖像中加入相同量的高斯噪聲，如圖2中的（c）所示，然后分別采用上述3種濾波方法對(duì)其進(jìn)行濾波，得出不同的效果圖，分別如圖2中的（e）、（f）、（g）所示。顯而易見(jiàn)，維納濾波的效果要好于另外兩種濾波方法，經(jīng)比較，最終得出結(jié)論，Wiener濾波可以在面部特征周?chē)@得更好的清晰度（即眼睛，鼻子和嘴）。

2?利用測(cè)地距離的三維人臉定位算法

2.1?鼻尖點(diǎn)定位

在人臉圖像上，鼻尖部位通常深度最小，很容易通過(guò)檢測(cè)得到，常用于定位人臉。然而，在一些人臉圖像中，由于頭部的出平面旋轉(zhuǎn)或者是在臉部存在頭發(fā)等外物時(shí)，將會(huì)導(dǎo)致具有最小深度的點(diǎn)不會(huì)與鼻尖點(diǎn)對(duì)應(yīng)。為了驗(yàn)證這個(gè)點(diǎn)是否是真正的鼻尖點(diǎn)，在這里，我們采用PCA技術(shù)進(jìn)行描述。在該方法中，先用一組訓(xùn)練鼻間區(qū)域構(gòu)造一個(gè)PCA空間，然后，如果該區(qū)域與它映射到該空間的投影的距離小于一個(gè)閾值，就證實(shí)了它是一個(gè)鼻區(qū)域。

在實(shí)驗(yàn)中，首先，我們直觀地驗(yàn)證了位于一些圖像上的鼻尖點(diǎn)，即40張人臉主體上的鼻尖點(diǎn);然后，我們進(jìn)行下一步裁剪，以驗(yàn)證的鼻尖點(diǎn)為中心，半徑為60mm的球形里的3D人臉上的點(diǎn);此后，裁剪后的點(diǎn)的z值在一個(gè)均勻矩形網(wǎng)格上重采樣，且這些網(wǎng)格在一個(gè)分辨率為1mm的XY平面上，其中，矩形網(wǎng)格是以鼻尖點(diǎn)為中心的，它們的x軸的范圍是從-30～30mm，y軸的范圍是從-20～50mm;最終，鼻尖區(qū)域的圖像如圖3所示，最終得到的這些圖像也構(gòu)成了一組鼻間區(qū)域的訓(xùn)練圖像。

在鼻間區(qū)域的訓(xùn)練圖像上，應(yīng)用PCA來(lái)構(gòu)建一個(gè)PCA空間，因?yàn)檫@個(gè)區(qū)域代表了鼻間區(qū)域的空間，因此，我們稱它為特征鼻間空間。為了使用PCA，采用深度值的列連接，構(gòu)成了用于每個(gè)鼻間區(qū)域的訓(xùn)練圖像的向量表示。特征鼻間空間是由平均鼻間空間表示的，即訓(xùn)練鼻間向量的集合和協(xié)方差矩陣的一組主要特征向量的均值。

為驗(yàn)證一個(gè)點(diǎn)是否是真正的鼻尖點(diǎn)，我們先來(lái)裁剪和重采樣如上所述的點(diǎn)及其周?chē)膮^(qū)域。然后，我們將候選區(qū)域的向量映射在特征鼻間空間上，進(jìn)而獲得了候選向量x在特征鼻間空間的投影，其中，u1…k是對(duì)應(yīng)于 k個(gè)協(xié)方差矩陣的最大特征值的歸一化特征向量，且其中n指的是鼻子。如果候選向量及其投影之間的重建誤差小于某個(gè)閾值，經(jīng)過(guò)多次試驗(yàn)，這里我選取數(shù)100作為這個(gè)閾值，我們就可以確定它為鼻尖點(diǎn)，如若不然，那么下一個(gè)具有最小深度的點(diǎn)就會(huì)被挑選出來(lái)并且對(duì)其進(jìn)行測(cè)試，此后會(huì)一直重復(fù)這個(gè)過(guò)程，直到檢測(cè)出鼻尖點(diǎn)Ntop。

2.2?人臉?lè)指?/p>

分割圖像就是由廣義圖像通過(guò)將其元素聚集成可能與圖像中有意義物體相聯(lián)的集合而得到的。上一小節(jié)已經(jīng)找到了鼻尖點(diǎn)的位置，這里要通過(guò)已經(jīng)找到的鼻尖點(diǎn)位置來(lái)判斷出人臉?biāo)诘膮^(qū)域，然后對(duì)原始的圖像進(jìn)行分割。以便經(jīng)過(guò)該處理過(guò)程之后，使后續(xù)研究所使用的人臉圖像是不存在過(guò)多冗余數(shù)據(jù)信息的人臉?lè)秶鷧^(qū)域。通過(guò)參考大量的文獻(xiàn)和實(shí)際分析知道，人臉不是一類(lèi)具有純剛性的物體，所謂剛性，即堅(jiān)硬且不容易發(fā)生形變，而眾所周知的是人臉的形變是隨著面部表情的變化而產(chǎn)生的。有一些研究者把由表情變化產(chǎn)生的人臉形變當(dāng)作一種等距變換，認(rèn)為這種類(lèi)型的變換不會(huì)改變?nèi)四樀那€，提出了使用歐式距離作為進(jìn)行相關(guān)研究的度量，降低了最終結(jié)果的準(zhǔn)確率，因?yàn)闅W氏距離表示的是點(diǎn)與點(diǎn)之間的直線距離，而形變的大小程度已經(jīng)改變?cè)械臍W式距離的長(zhǎng)度，與原有測(cè)得的歐式距離偏差較大。

有些專家學(xué)者對(duì)一些數(shù)學(xué)描述進(jìn)行研究，試圖找到一種數(shù)學(xué)描述并使得其與人臉表情變化沒(méi)有關(guān)聯(lián)，首先，這些研究者人工地在人的面部上標(biāo)記133個(gè)Mark點(diǎn)，并實(shí)測(cè)人臉的表情變化與點(diǎn)之間距離變化的關(guān)系，跟蹤并記錄，統(tǒng)計(jì)的結(jié)果表明，人臉表情發(fā)生變化，其測(cè)地距離變化量甚至不到歐氏距離變化量的二分之一，所得到的結(jié)果肯定了測(cè)地距離應(yīng)用于人臉曲面上是具有優(yōu)越性的，因此，這里采用測(cè)地距離來(lái)進(jìn)行人臉?lè)指睢?/p>

測(cè)地距離的定義為：令網(wǎng)格M相接近于人臉S，那么在網(wǎng)格M上，任意的ni與nj兩個(gè)頂點(diǎn)之間的測(cè)地距離d（ni?nj）表示成式（4）的形式。

2.3?人臉姿態(tài)歸一

想要方便后續(xù)的人臉識(shí)別實(shí)驗(yàn)，就需要我們把人臉模型放到同樣的坐標(biāo)系里面，在這個(gè)坐標(biāo)系中，鼻尖點(diǎn)Ntop與這個(gè)坐標(biāo)系的原點(diǎn)重合，人臉模型的上下走向與Y軸方向是一致的，人臉的法向方向與Z軸方向是一致的，X軸的方向與右手定則確定的方向是一致的。

首先，平移坐標(biāo)系的框架，令坐標(biāo)系的原點(diǎn)與人臉上的鼻尖點(diǎn)Ntop重合;然后通過(guò)旋轉(zhuǎn)，令Z軸的方向與人臉的法向方向一致，再令Y軸方向與人臉上下走向一致，且其是在鼻梁對(duì)稱面上的，最后利用坐標(biāo)系右手定則就確定了X軸的方向。

綜合上面幾個(gè)小節(jié)所述，改進(jìn)的人臉定位過(guò)程如圖4所示。

3?實(shí)驗(yàn)結(jié)果與分析

本文在三維人臉庫(kù)FRGC V1.0和BU-3DFE，利用本文算法與傳統(tǒng)定位算法進(jìn)行比對(duì)，從而驗(yàn)證本文算法的有效性。

3.1?濾波效果分析

本文采用維納濾波方法分別對(duì)三個(gè)不同的人臉數(shù)據(jù)模型進(jìn)行去噪，圖像被去噪后的效果圖如圖5所示。（a）表示的是不同的原始圖像，（b）表示的是與每個(gè)原始圖像所對(duì)應(yīng)的經(jīng)過(guò)維納濾波后的圖像。

從圖5中的（a）和（b）兩組圖像中可以看出，在眼睛，鼻子和嘴部等區(qū)域的濾波效果明顯，由此可以得出，Wiener濾波可以在面部特征周?chē)@得更好的清晰度。

3.2?人臉定位結(jié)果分析

本文選擇在FRGCv1.0和BU-3DFE這兩個(gè)三維人臉庫(kù)上進(jìn)行實(shí)驗(yàn)。首先在人臉數(shù)據(jù)上施加初步預(yù)處理，然后采用不同的人臉定位算法對(duì)人臉進(jìn)行定位，使用本文提出的方法和傳統(tǒng)的定位方法進(jìn)行多次實(shí)驗(yàn)，記錄實(shí)驗(yàn)結(jié)果并進(jìn)行比對(duì)分析。

首先在FRGC的3D人臉數(shù)據(jù)庫(kù)上進(jìn)行實(shí)驗(yàn)，但是FRGC數(shù)據(jù)庫(kù)的版本分為ver1.0和ver.2.0兩種版本，本文選擇在FRGC v1.0數(shù)據(jù)庫(kù)上來(lái)進(jìn)行實(shí)驗(yàn)。FRGCv1.0中包含276人，他們屬于不同的種族，且他們的年齡和性別也都不相同，并且擁有不同的膚色和表情，展現(xiàn)了形態(tài)各異的人臉圖像，為研究者研究人臉識(shí)別提供了相對(duì)全面的人臉數(shù)據(jù)信息，給后續(xù)應(yīng)用算法和分析算法提供了平臺(tái)和便利。

在FRGCv1.0數(shù)據(jù)庫(kù)上實(shí)施實(shí)驗(yàn)，隨機(jī)無(wú)規(guī)則地選擇出數(shù)目不相同的三維人臉來(lái)參與實(shí)驗(yàn)，通過(guò)實(shí)驗(yàn)，測(cè)試了人臉定位準(zhǔn)確率隨著測(cè)試樣本數(shù)據(jù)量變化而發(fā)生的變化。

FRGC v1.0里一共包含了900多張人臉圖像，考慮到記錄的便利性，這里隨機(jī)地選取整數(shù)個(gè)數(shù)的人臉進(jìn)行實(shí)驗(yàn)，分別是用200、400、600和800張人臉作測(cè)試樣本來(lái)操作實(shí)驗(yàn)。為驗(yàn)證所提出人臉定位方法的有效性，把本文方法同傳統(tǒng)的方法進(jìn)行比較，即與深度信息定位方法和SPIDER特征點(diǎn)定位方法來(lái)進(jìn)行比對(duì)，對(duì)比結(jié)果圖如圖6所示，每組測(cè)試樣本結(jié)果的詳細(xì)信息見(jiàn)表1。方法一表示深度定位信息方法，方法二表示SPIDER特征點(diǎn)定位方法。本文方法表示基于測(cè)地距離的三維人臉定位方法。

由于實(shí)驗(yàn)中選取多組不同的樣本數(shù)量來(lái)做實(shí)驗(yàn)，其得出的結(jié)果較多，在表1中就不依次列出，僅列出樣本數(shù)為整數(shù)的實(shí)驗(yàn)結(jié)果數(shù)據(jù)。

跟隨測(cè)試樣本的數(shù)量增加，各種干擾信息也會(huì)增多，從圖6中三條曲線的高低，可以明顯看出，深度信息定位算法的人臉定位準(zhǔn)確率是要低于另外兩種方法，并且人臉定位準(zhǔn)確率隨測(cè)試樣本數(shù)目增加而呈現(xiàn)不穩(wěn)定的變化，甚至準(zhǔn)確率會(huì)有所下降;結(jié)合表1中的數(shù)據(jù)，使得結(jié)果更加清晰明了，可以得出，SPIDER定位方法比深度信息定位方法的魯棒性好，但是從整體上看，準(zhǔn)確率仍低于本文方法，因此，相比于深度信息定位和SPIDER方法，本文方法在測(cè)試樣本數(shù)量增加的情況下，魯棒性更強(qiáng)，人臉定位準(zhǔn)確率更高。

為驗(yàn)證該算法的適用性，在BU-3DFE人臉庫(kù)上使用上述的方法再次進(jìn)行實(shí)驗(yàn)。BU-3DFE數(shù)據(jù)庫(kù)里有男有女，總共包含了100個(gè)人的人臉圖像，這些被采集的人同樣是來(lái)自不同的種族，膚色各異，且每個(gè)人又對(duì)應(yīng)著25張帶有不同表情的人臉，為實(shí)驗(yàn)提供了大量的研究數(shù)據(jù)。為充分地且簡(jiǎn)便地應(yīng)用數(shù)據(jù)信息，從2500張人臉圖像中選擇整數(shù)個(gè)數(shù)的人臉進(jìn)行實(shí)驗(yàn)，分別用500、1000、1500、2000張人臉作測(cè)試樣本，同樣地，把本文方法與另兩種方法作比較，詳細(xì)信息見(jiàn)表2。方法一表示深度定位信息方法，方法二表示SPIDER特征點(diǎn)定位方法，本文方法表示基于測(cè)地距離的三維人臉定位方法。由于實(shí)驗(yàn)中選取多組不同的樣本數(shù)量來(lái)做實(shí)驗(yàn)，其得出的結(jié)果較多，在表2中就不依次列出，僅列出樣本數(shù)為整數(shù)的實(shí)驗(yàn)結(jié)果數(shù)據(jù)，對(duì)比結(jié)果如圖7所示。

跟隨測(cè)試樣本的數(shù)量增加，各種干擾信息的增多，人臉定位準(zhǔn)確率在不斷變化，從圖7中的曲線高低和走勢(shì)可以看出，深度信息定位算法的準(zhǔn)確率隨測(cè)試樣本數(shù)目增加呈現(xiàn)出不穩(wěn)定的變化，準(zhǔn)確率會(huì)出現(xiàn)下降的情況;結(jié)合表2中的數(shù)據(jù)，結(jié)論更加清晰可見(jiàn)，SPIDER定位方法相比于深度信息定位方法準(zhǔn)確率較高，從整體上看，本文方法在測(cè)試樣本數(shù)量增加的情況下優(yōu)于另外兩種方法。

表3中記錄了不同方法在兩個(gè)不同的人臉庫(kù)上的定位準(zhǔn)確率，將數(shù)據(jù)進(jìn)行了對(duì)比，進(jìn)一步驗(yàn)證基于測(cè)地距離的人臉定位方法的有效性。明顯地，如果樣本的數(shù)量增多，數(shù)據(jù)信息就必然會(huì)增多，這就會(huì)給定位帶來(lái)相應(yīng)的影響，從表中3可以看出，不同的方法在兩個(gè)不同的人臉庫(kù)上，隨樣本數(shù)量的不同，定位的準(zhǔn)確率也有所變化。但從總體上，與另外兩種方法相比，基于測(cè)地距離的人臉定位方法能更好地排除更多信息帶來(lái)的干擾，定位準(zhǔn)確率也相對(duì)較高，并且有較好的穩(wěn)定性。

本文利用3種方法在兩個(gè)人臉數(shù)據(jù)庫(kù)實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，無(wú)論在哪個(gè)人臉庫(kù)上操作實(shí)驗(yàn)，本文方法都要比另外兩種方法更優(yōu)，更能克服信息增多，表情增多等影響因素，也更穩(wěn)定，定位更準(zhǔn)確。

4?結(jié)?語(yǔ)

對(duì)于人臉識(shí)別過(guò)程中的輸入圖像，一般有噪聲、表情、姿態(tài)等影響，因此，本文首先對(duì)輸入人臉進(jìn)行去噪處理，從而解決噪聲問(wèn)題。其次，二維人臉識(shí)別的輸入圖像是三維的人臉在二維的空間上的簡(jiǎn)約投影，產(chǎn)生的二維圖像對(duì)姿態(tài)及表情十分敏感，本文利用臉部曲面的顯式三維表達(dá)做輸入圖像，得到更豐富的人臉信息，同時(shí)對(duì)人臉區(qū)域進(jìn)行歸一化處理，從而準(zhǔn)確的找到人臉中的鼻尖點(diǎn)。再利用測(cè)地距離提取到鼻尖點(diǎn)相同距離的點(diǎn)組成的區(qū)域，對(duì)采樣點(diǎn)進(jìn)行局部描述，與人臉庫(kù)中的數(shù)據(jù)進(jìn)行比較，準(zhǔn)確找到人臉的位置。實(shí)驗(yàn)結(jié)果表明本算法能克服表情增多等影響因素，實(shí)現(xiàn)了更高的人臉準(zhǔn)確定位并具有較好的魯棒性。

參 考 文 獻(xiàn)：

[1]?穆新亮.?基于混合核函數(shù)的快速KPCA人臉識(shí)別算法[J]. 電子科技?2015?28（2）： 46-50.

[2]?林克正?王浩?辛晨.?SIFT算法的相似性度量?jī)?yōu)化[J].哈爾濱理工大學(xué)學(xué)報(bào)?2012?17（3）： 78-82

[3]?張石請(qǐng)?趙小明?樓宋江.?一種局部敏感的核稀疏表示分類(lèi)算法[J]. 光電子激光?2014?25（9）： 1812-1817.

[4]?梁禮明?鐘震?陳召陽(yáng).?支持向量機(jī)核函數(shù)選擇研究與仿真[J]. 計(jì)算機(jī)工程與科學(xué)?2015?37（6）： 1135-1141.

[5]?馬小虎?譚延琪.?基于鑒別稀疏保持嵌入的人臉識(shí)別算法[J]. 自動(dòng)化學(xué)報(bào)?2014?40（1）：73-82.

[6]?陳幼芬?宋海生.?一種魯棒性強(qiáng)的光照人臉預(yù)處理算法[J]. 科技通報(bào)?2014?30（11）： 168-172.

[7]?陸焱?惠巧娟.?改進(jìn)的統(tǒng)計(jì)模型三維人臉特征點(diǎn)標(biāo)定算法框架[J]. 計(jì)算機(jī)工程與應(yīng)用?2016，52（24）：166-170.

[8]?趙泉華?高郡?李玉.?基于區(qū)域劃分的多特征紋理圖像分割[J]. 儀器儀表學(xué)報(bào)?2015?36（11）：2519-2530.

[9]?SUN Y?WANG X?TANG X.?Deeply Learned Face Representations are Sparse?Selective?and Robust[J]. Computer Science?2015：2892-2900.

[10]WU T?TURAGA P?CHELLAPPA R.?Age Estimation and Face Verification Across Aging Using Landmarks[J]. IEEE Transactions on Information Forensics & Security?2012?7（6）：1780-1788.

[11]LENC L?KRAL P.?Automatic Face Recognition System Based on The SIFT Features[J]. Computers and Electrical Engineering?2015?456： 256-272.

[12]HAN T L?LIU G W?CAI H?et al.?The Face Detection and Location System Based on Zynq[C]// the 2014 10th international conference on natural computation.?2014：835-839.

[13]PEREIRA C J?TEATINI E O?SARCINELLI M.?Face Tracking in Unconstrained Color Videos with the Recovery of the Location of Lost Faces[J]. IEEE Latin America Transactions?2015?13（1）：307-314.

（編輯：溫澤宇）