第五章 實驗結果
5.3. 實驗設計
本實驗設計分成兩部分，第一部分為 10 點的角點類型地標點定位；第二部分為 50 點的地標點定位，其中包含角點類型與邊緣點類型的地標點。而每個地標點誤差 定義如下：
(5-1)
其中 ptij表示程式所偵測到第 i 張影像的第 j 個地標點的位置，ans_ptij表示手動定位 的第 i 張影像的第 j 個地標點的位置，而 disti表示第 i 張影像手動點選的兩眼間距離。
項目 資料庫
43
在第一階段 10 個角點的定位誤差率如表 5-3 所示，其中 index1 表示左外眉角、
index2 表示左內眉角、index3 表示右外眉角、index4 表示右內眉角、index5 表示右 外眼角、index6 表示右內眼角、index7 表示左外眼角、index8 表示左內眉角、index9 表示右嘴角、index10 表示左嘴角。
index 1 2 3 4 5 6 7 8 9 10
(%) 5.698 6.474 6.309 5.829 3.240 3.950 3.129 3.140 3.940 4.039
表 5-3、各角點類型地標點偵測定位誤差率
由表 5-3 可以發現，眉角的部分相對於眼角以及嘴角有較大的誤差率，這是因為 眉毛有比較明顯的深淺問題，因此較難正確的定位。下圖 5-2 為部分角點類型地標點 正確的定位結果，可以發現使用 Adaboost 偵測器的確可以正確且精準的找到角點類 型的地標點位置。圖 5-3 為部分角點錯誤定位的結果，第一欄是明顯眉毛定位錯誤，
第二欄是明顯眼睛定位錯誤，第三欄是明顯嘴巴定位錯誤。
44
圖 5-2、部分角點類型地標點正確定位結果
圖 5-3、部分角點類型地標點錯誤定位結果
為了證明角點型態地標點選擇方式的有效性，我們將實驗不同的角點選擇方式。
表 5-4 為不同的眉角候選點選擇方式所產生的結果，可以發現當結合三種不同的眉角
45
候選點選擇方式可以達到較好的定位效果。同樣的，我們也針對不同嘴角候選點的選 擇方式做相同的實驗，如表 5-5 所示，也可發現使用結合的方式可以得到較好的定位 效果。
方法 誤差率(%)
法法一(使用 adaboost 偵測分數) 5.945 方法二(使用能量強度) 6.0165
方法三(使用 HOG) 6.062 方法一&方法二 5.9275 方法一&方法三 5.9485 方法二&方法三 5.9425 方法一&方法二&方法三 5.926
表 5-4、不同眉角候選點選擇方式
方法 有無做二值化方法 誤差率(%)
方法一(使用 adaboost 偵測分數)
無
3.834
方法二(灰度值變異) 5.627
方法一&方法二 3.759
方法一(使用 adaboost 偵測分數)
有
3.605
方法二(灰度值變異) 5.625
方法一&方法二 3.594
表 5-5、不同嘴角選擇方式
為了驗證所提出改善方法的有效性，我們將所提出的方法分成三階段來測詴。
M1 表示使用第一階段的角點地標點定位，並使用角點位置重新初始化五官位置，但
46
不包含鼻子初始化的方式；M2 表示使用第一階段的角點地標點定位，並使用角點位 置重新初始化五官位置，且包含使用鼻子初始化的方式；而 M3 為本系統的完整方法。
第一個實驗使用手動點選的眼睛位置做為形狀樣版的初始位置，並與傳統的 ASM 演 算法做比較，如圖 5-4 所示，其中橫軸為地標點編號，縱軸為誤差率，其帄均誤差如 表 5-6 所示。圖 5-5 為地標點誤差分布圖，其中橫軸為誤差率，縱軸為出現頻率百分 比，而我們也和 AAM 做比較。部分實驗結果如圖 5-6 所示，上列為傳統 ASM 的處 理結果，下列為本研究提出的串皆式 ASM(M3)的處理結果。
圖 5-4、各地標點錯誤評估圖
方法 帄均誤差率(%)
傳統 ASM 7.93
M1 6.233
M2 5.88
M3 4.972
表 5-6、帄均誤差比較表
0 2 4 6 8 10 12 14 16
1 5 10 15 20 25 30 35 40 45 50
traditional ASM M1 M2 M3
眼睛
眉毛 鼻子 嘴巴
(%)
47
圖 5-5、地標點誤差分布圖
圖 5-6、實驗結果比較圖
本論文也實做了一套自動尋找眼睛的演算法，輸入影像先使用 AdaBoost 進行人 臉偵測來找出臉部區域位置，再以輻射型對稱性轉換(Radial Symmetry Transform) [24]
產生眼睛瞳孔候選點，最後從候選點當中，使用 SVM (Support Vector Machine)來過 濾出可能的眼睛位置。圖 5-7 為使用自動尋找眼睛演算法之臉部特徵點定位誤差比較 圖。
0 2 4 6 8 10 12 14 16 18
0 1 5 10 15 20 25 30 35 39
ASM AAM M3
Zhonglong Zheng et al.[15]
(%)
(%)
48
圖 5-7、使用眼睛偵測之誤差評估圖
為了檢測所提出的方法在不同表情上的差異，我們也根據不同的表情來做實驗，
如表 5-7 所示。
anger disgust fear happiness sadness surprise other 10 點(%) 4.57992 4.61901 4.54648 4.54584 4.62461 5.08955 4.28077 50 點(%) 4.83726 4.55582 4.50977 4.80946 4.97821 6.88294 4.42251
表 5-7、不同表情之定位誤差
為了檢測所提出的方法對於不同光源的影響，我們使用影像處理軟體模擬不同光 源的測詴資料，如圖 5-8 所示，我們增加了左邊光源及右上方光源，表 5-8 為不同光 源之實驗結果。圖 5-9 為實際執行結果。
0 5 10 15 20
1 5 10 15 20 25 30 35 40 45 50
traditional ASM M3
眉毛 眼睛 鼻子 嘴巴
(%)
49
原始測詴影像 加入左光源 加入右上方光源
圖 5-8、模擬不同光源之測詴資料
光源 帄均誤差率(%)
正常光源 4.972
左打光 4.949
右上打光 4.995
表 5-8、不同光源之誤差率
50
圖 5-9、實際執行結果