影像校正演算法迭代結果

本實驗主要是將測試的人臉影像利用 Lucas-Kanade 影像校正演算法來做臉 部的特徵點定位，以擷取出人臉影像的紋理部分，判斷追蹤到的特徵點是否收歛 有兩種方式，一種為判斷每次迭代後的形狀增量係數Δ 是否小於一臨界值，但p 由於每張人臉影像的收斂次數不同，可能需要多次的迭代或是少數幾次的迭代來 讓追蹤到的特徵點收斂，但因為本系統所使用的平台為嵌入式即時影像系統，若 迭代次數太多，則會嚴重影響系統的運算速度，故我們採用固定迭代次數的方 式，其目的是為了要防止迭代次數過多的情形發生。當輸入影像進入到特徵擷取

階段時，會將影像正規化為120x100 的灰階影像，而就迭代次數而言，我們目前 設定的次數為16 次，其運算時間為 1 秒鐘左右。就實驗室內建的人臉影像而言，

每人各有45 張影像，且包含 9 種不同的姿態，故我們在每個人的每一種姿態取 一張影像來建立模型，用以計算出形狀模型與紋理模型，同時也當作資料庫的訓 練資料，圖5-3 所示為實驗室內建資料庫的人臉影像所得出的形狀模型與紋理模 型。而剩餘的影像(180 張)則當成是測試資料的部份。圖 5-4 所示為部份的測試 人臉資料經模型在9 種姿態下之迭代 16 次後的結果，其排列依序為正面、左邊 偏轉10 度、右邊偏轉 10 度、左邊偏轉 20 度、右邊偏轉 20 度、左邊偏轉 30 度、

圖5-3 實驗室人臉資料庫之 (a)形狀模型 (b)紋理模型

圖5-4 實驗室資料庫之多姿態人臉經影像校正演算法迭代 15 次後結果

右邊偏轉30 度、正面朝上 15 度以及正面朝下 20 度，可看出在左右偏轉 30 度角 時，其特徵點已經無法完全追蹤到定點上，但因為特徵點均還是落在人臉的輪廓 裡面，所以對於處理紋理資訊的影響並不大。圖5-5 所示為圖 5-4 中第一列人臉 影像經迭代後之RMS 差值收斂情形，橫軸代表迭代次數，縱軸為人臉影像的 RMS 差值，由圖中可證實此演算法確實可找出最匹配的人臉模型並做後續的辨識分 析。

就UMIST 資料庫而言，每人各任取 10 張影像來建立形狀模型與紋理模型，

如圖 5-6 所示，剩下的影像(55 張)則當成是測試資料的部份，圖 5-7 為 UMIST 資料庫之部份多姿態人臉經影像校正演算法迭代 15 次後的結果，再由圖 5-8 所 示的迭代圖5-7 第一列影像之 RMS 差值收斂情形可驗證本系統的特徵擷取演算 法能成功應用在其他的人臉資料庫上。

圖5-5 實驗室資料庫人臉影像經迭代後之 RMS 差值收斂情形

圖5-6 UMIST 人臉資料庫之 (a)形狀模型 (b)紋理模型

圖5-7 UMIST 資料庫之多姿態人臉經影像校正演算法迭代 15 次後結果

圖5-8 UMIST 資料庫人臉影像經迭代後之 RMS 差值收斂情形