基于Haar分类器和AAM算法的人脸基准点定位

程培培 陈典典 马军山

文章编号： 1005-5630（2018）06-0048-06

摘要： 人脸基准点定位可应用于人脸识别、疲劳检测等领域。针对人脸基准点定位中常用的主动表观模型（AAM）的局限性，提出了Haar分类器和AAM算法相结合的人脸基准点定位方法。先是计算图像积分

图，然后采用基于 Haar特征的 AdaBoost级联检测器快速定位出人脸区域，最后将检测到的位置和图像信息传递给AAM进行人脸基准点定位。该方法在抽取的AFLW（annotated facial landmarks in the wild）人脸测试集上表现出良好的性能。实验结果表明，采用该方法能准确、快速定位出人脸基准点。

关键词： Haar分类器; 人脸检测; AAM 算法; 人脸基准点定位

中图分类号： TP 391文献标志码： Adoi： 10.3969/j.issn.1005-5630.2018.06.008

引言

一般的人脸识别系统是先进行面部特征定位与提取，然后进行特征对比与分类，其中面部特征点的定位也叫人脸对齐，特征点亦称作基准点[1]。人脸基准点定位是人脸识别系统中的重要环节，可应用于计算机视觉方面的研究，例如人脸确认[2]、表情识别[3]、疲劳检测，姿态估计和凝视方向分析以及三维人脸动画制作[4] 等。

人脸基准点是能够描述人脸信息的点，如明显的角、边缘之间的“T”连接，人脸基准点一般分三类：标记人脸上的器官，比如眼角、嘴角等;某个方向上的最高点或曲率极值点，比如鼻尖;上述两类点的插值点，比如脸颊轮廓点等。由于不同的姿态、表情、光照以及遮挡等因素的影响，如何准确地定位出各个关键特征点成为了研究热点[5]。计算机视觉领域的研究人员提出了许多解决方法，其中较为经典的是Cootes等提出的活动形状模型（active shape model，ASM）和主动表观模型（active appearance model，AAM）[6]，其中AAM方法是对ASM方法在纹理信息上的扩充，采取形状和纹理相融合的统计约束，更加适用于复杂图像的人脸特征点定位。但是AAM模型参数的更新仅使用一个线性预测模型，即根据当前模型和输入模式之间的差别来预测和更新模型参数，具有较大的局限性，在初始位置距离目标位置较大时，则不容易收敛到准确位置[7]，因此，在使用AAM算法进行人脸基准点定位时可考虑先进行人脸粗定位。Haar分类器方法利用AdaBoost算法训练强分类器，然后将强分类器进行级联，并且在底层的特征提取中采用了高效率的Haar特征和积分图方法，在人脸检测中可以快速定位出人脸位置。

针对AAM算法在人脸搜索过程中的局限性，本文采用Haar分类器进行人脸区域快速定位，使AAM可以快速拟合正确的初始形状，最终加快收敛速度和提高定位准确度。

1主动表观模型（AAM）

AAM算法主要分为模型建立和模型匹配两个阶段，其中：模型建立阶段包括了对训练样本分别建立形状模型（shape model）和纹理模型（texture model），然后将两者进行结合，形成混合外观模型;模型匹配阶段是指在已建立好AAM模型的当前帧图像中寻找最匹配目标的过程。

2人脸检测

2.1Haar分类算法要点

采用Haar分类器进行快速人脸检测，能获得较好的检测率，其算法要点有：1） 使用Haar特征做检测;2） 提出了积分图，利用它可以快速计算Haar特征值;3） 通过AdaBoost的机器学习算法训练用于判断是否为人脸的强分类器;4） 使用筛选式级联把强分类器级联到一起用于检测人脸，能很快地排除背景，提高检测速度，有利于实时应用[8]。

2.2Haar特征与积分图

Haar特征，又称为矩形特征，图2是四种基本Haar特征模板，由黑白矩形组成，可分为三类特征：边缘特征、线性特征、特定方向特征。用Haar特征描述人脸区域时，眼睛区域的颜色比脸颊区域更暗，鼻梁的两侧比鼻梁更深等。使用矩形特征来计算速度是非常快，比单纯使用像素更好。虽然Haar特征比较粗糙，但速度非常快，耗时较少，可用于AdaBoost算法。

图2中模板特征值定义为白色矩形像素和與黑色矩形像素和的差值。为了便于快速计算特征值，引入积分图。积分图的基本思想是对图像中任意点左上角所构成的矩形区域，计算出该区域所有像素的灰度值之和，然后保存该值，该值即为像素点（x，y）的积分值。

3人脸基准点定位

采用本文方法进行人脸基准点定位大致可分为训练和检测两个过程，首先利用AAM算法训练样本集，得到平均形状模型。当要对一张没有标记的人脸图像进行基准点定位时，需要结合Haar分类器检测面部信息，利用AAM自动训练的模型来匹配新的图像，在模板的基础上生成一个初始形状估计，进而不断拟合，得到人脸基准点准确位置。

Haar分类器方法进行人脸检测时，首先构造图像的积分图进行特征值快速计算，然后基于分级分类器策略，由AdaBoost算法根据Haar特征构建人脸级联检测器，通过遍历图像所有位置将人脸区域检测出来。将检测到的人脸区域和图像信息传递给AAM，确定初始形状模型，进行迭代拟合（搜索）直至迭代收敛，最后通过描述符模型[11]得到相应的人脸基准点，人脸基准点定位过程如图5所示。

4实验结果与分析

本实验在MUCT人脸库（3755面，76地标）中随机选择500幅人脸图片（选不同性别、年龄、表情、姿态等）作为训练数据，在AFLW人脸库中随机抽取300幅图片作为测试数据集，实验程序在VS 2013环境下结合Open CV编写。为了便于观察确认，我们将测试图片按序编号并平均分到三个文件夹下，采用C++编程进行批量处理，实验在一台 2.5 GHz，4G RAM的PC上进行。

实验结果：本次实验处理一张AFLW图片（150×150）平均用时约20 ms，定位速度较快;共有298张图片定位出人脸基准点，仅2张图片定位出错（显示没有定位到人脸），定位成功率高达99%。

观察定位成功的输出图片可得：

1） 有小部分不同角度或遮挡的人脸图像中脸颊轮廓定位有一定的偏差，考虑是由于图像预处理不佳造成的，可以进一步对图像进行图像增强等操作，以优化试验效果;

2） 输出图片中人眼、鼻尖、嘴、下巴定位准确，总体来看人脸基准点定位具有较好的准确度。图6展示了部分图像的最终定位结果。

5结束语

本文采取Haar分类器进行快速人脸区域检测，结合AAM 算法实现了人脸稠密基准点（68个标定点）的快速定位。在300张取自AFLW不同光照和不同姿态的人脸图像测试中，取得了约99%的定位成功率，且速度快、准确度高。本文提出的人脸基准点定位方法可以应用于计算机视觉中针对人脸的特征定位，实现自动定位的同时可大幅提高定位准确度。

参考文献：

[1]蔡超.基于面部基准点对齐的人脸识别方法研究[D].武汉：华中科技大学，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]张少华.基于深度卷积神经网络的人脸基准点定位研究[D].武汉：华中科技大学，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.人脸识别中若干关键问题的研究[D].北京：中国科学院研究生院（计算技术研究所），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，李伟生.一种基于改进样本选取的快速人脸检测方法[J].计算机应用与软件，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，庞彦伟，等.结合提升自举FLD投影的特征提取算法[J].小型微型计算机系统，2009，30（4）：690694.

（编辑：刘铁英）