人臉偵測與人臉正規化

圖 4.2 為使用人臉偵測的結果，其包含了重複偵測的人臉，我們使用第二章 所介紹過的方法，將重疊的人臉邊界參數取平均合併，用以消除重複偵測的現象。

於偵測出人臉影像之後，我們將篩選適合辨識的人臉，並且將其進行人臉正 規化。如圖 4.3 所示，首先我們偵測鼻尖與嘴唇用綠色矩形表示，並依照鼻尖與 嘴唇所偵測出的位置中心將其連成一線，以藍色線表示，此線即可反應出人臉傾 斜的程度。如圖 4.4 所示，我們透過膚色偵測找出人臉膚色之左右邊界，並依照 此左右邊界將膚色區域之寬度分為五個等分，當嘴唇與鼻尖的位置皆位於中間的 位置時，則判定為未旋轉之人臉。圖 4.4(a)、(c)為未旋轉之人臉之人臉影像與膚 色影像，(b)、(d)為旋轉之人臉。透過上述方法，我們可以濾除不適合進行人臉

圖 4.2. 人臉偵測圖，(a)人臉重複偵測的結果，(b)消除人臉重複偵測的結果。

(a) (b)

34

辨識之人臉影像，以確保人臉辨識能夠正確。

4.2.2 人臉辨識模型建立

建立人臉辨識模型之影像使用我們實驗室所建立之人臉影像資料庫，其中包 含八個人物，為期四個月所蒐集之人臉影像。我們以每個人分別選取 100 張在不 同日期所拍攝之人臉影像使用特徵空間轉換以及標準空間轉換進行人臉辨識模

圖 4.4. 人臉旋轉的判定，(a)-(b)為鼻尖與嘴唇偵測位置圖，(c)-(d) 為鼻尖與嘴唇於人臉膚色邊界位置關係。

(a) (b)

(c) (d)

圖 4.3. 鼻尖與嘴唇的偵測，圖中綠色矩形為被鼻尖與嘴唇中間位 置，藍色線為鼻尖與嘴唇的連線，白線為水平線。(a)未傾斜的 人臉，(b)傾斜的人臉。

(a) (b)

型之建立，圖 4.5、4.6 為人臉影像以及特徵臉，透過特徵臉可以展延出一個特徵 空間使得每張人臉影像可投影至此空間，且滿足彼此間最大的變異程度。各個特 徵向量之能量分佈及其累積分佈如圖 4.7、4.8 所示，我們可看出當選取之特徵向 量數為 50 個時所包含的能量已達 90%。而人臉於特徵空間之分佈如圖 4.9 所示，

我們以相同顏色代表同個人物的各張人臉影像，在特徵空間中除了咖啡色以及黑 色所代表之群體以外，其他群體彼此之間分佈情形相當接近，這將不利於人臉辨 識，這也是需要進行標準空間轉換的原因。圖 4.10 為人臉於標準空間之分佈，

透過標準空間轉換能同時增大類別間的分散度與同類間聚集度，進而增強分類器 表現。

圖 4.6. 前八個特徵臉 圖 4.5. 人臉資料庫影像範例

36

我們將單獨使用特徵空間轉換以及使用特徵空間轉換加標準空間轉換兩種 方法以資料庫內影像，每個人物取 100 張(共 800 張)人臉影像進行 leave-one-out 驗證，其正確率分別為 97.5%、98.1%，如表 4.1 所示，由於標準空間轉換具備 增大類別間的分散度與同類間聚集度之特性，使辨識率較僅使用特徵空間轉換為 佳。

圖 4.8. 特徵向量之累積能量分佈

Number of Eigenvectors

Cum ulati ve Ca ptured V ariat io n

圖 4.7. 特徵向量之能量分佈

Index of Eigenvectors

Ca ptu re d V aria ti on

表 4.1. 比較 EST 以及 EST+CST 之辨識效果

使用方法 辨識率 類別間分離效果

EST 97.5% 較為重疊

EST+CST 98.1% 較為分離

圖 4.10. 人臉影像於標準空間之分佈 圖 4.9. 人臉影像於特徵空間之分佈

38