分析與討論

50

圖 5-9、實際執行結果

51

所造成的局部最佳解及減少和因搜尋範圍太長所產生錯誤定位的情況發生。

從圖 5-4 並參考圖 3-1 可以發現角點形態地標點的誤差大幅下降，如編號 1(左外 眉角)、4(左內眉角)、7(右外眉角)、10(右內眉角)、13(右外眼角)、16(右內眼角)、20(左 外眼角)、23(左內眼角)、37(右嘴角)和 41(左嘴角)這 10 個角點地標點。這是因為使用 Adaboost 偵測器在有效區域內能成功的偵測到物件，並且有效的選擇最適當的候選點，

因此可以減少因不同的臉部結構所造成的定位誤差。

從圖 5-5 中，可以發現本論問題出的方法 M3 明顯優於傳統的 ASM 方法，甚至 還優於 AAM 方法。從圖 5-7 中，可以發現我們的方法仍優於傳統的 ASM，而且在 眉毛及嘴巴部分的地標點，並沒有因眼睛初始位置的不同而產生較大的誤差，這主要 是因為經由 adaboost 角點偵測，我們仍可以準確定位到眉角及嘴角位置所致。在眼睛 的部分，由於眼角候選點的選擇是依據候選點與初始眼角地標點間的距離來判斷，因 此當無法精確的定位眼睛位置時，其眼角的誤差率會變大。相對的，鼻子因為重新初 始化需要眼角的資訊，因此其誤差率也會隨著變大。

從表 5-7 中可以發現，驚訝表情不論是在 10 點角點定位或者 50 點的地標點定位 中，其定位效果並不理想，這是因為驚訝表情所呈現的臉部地標點的變化程度最大，

因此當 10 點定位不理想時，其 50 點的地標點定位準確度也會隨之下降。

在表 5-8 中，我們使用影像處理軟體模擬的方式來模擬不同的光源，從實驗結果 可以發現，並沒有明顯的誤差變化，這可能是因為使用帄滑的光源遮罩，因此還無法 明確的反應不同光源的定位結果，因為正常的光源會有陰影產生。但在此實驗中，還 是可以反應在簡單光源下的穩定性。

52

從圖 5-9 中可以發現當臉部呈獻驚訝表情時，並沒有辦法很精確的定位到嘴巴邊 緣地標點，這是因為嘴唇上的地標點已不在候選點的搜尋範圍內，因此難以正確的定 位所致。

綜觀以上實驗結果，我們的方法有下列四項優點：

第一項 地標點分類：

把地標點分成角點形態地標點與邊緣形態地標點並且使用不同的地標點 搜尋方式。角點形態地標點，使用矩形的搜尋範圍，可以避免因正確地 標點不在法線上所造成的誤差。

第二項 使用 adaboost 偵測器來偵測角點型態地標點：

Adaboost 偵測器對於有特殊紋理結構的物件能夠有效的偵測，再搭配所 提出的候選點選擇方式，可以成功的定位角點位置。

第三項 使用角點位置重新初始化五官形狀位置：

此方式可以大幅減少不同的臉部結構及臉部表情使用同一個帄均形狀樣 板所造成的初始位置誤差，因此可以大幅提升定位的準確度。

第四項 不同的五官地標點使用不同的搜尋長度：

因為各地標點的分散程度不同，所以根據各五官地標點的分佈情形給予 相對應的搜尋範圍，可以減少因搜尋範圍短產生的局部最佳解及搜尋範 圍長所增加的誤判機率。

53