以人頭特徵為基礎的人臉偵測定位

以人頭特徵為基礎的人臉偵測定位

王敬文 邱惠琪

國立高雄應用科技大學光電與通訊工程研究所

摘 要

在本論文中，我們利用空間領域下人臉前景與景物背景能量差異之特性及 頭部輪廓特徵，提出了一個新穎、有效且快速的頭部輪廓偵測法 (Head Corner Detection, HCD)。於 BioID、VISIONICS 及 DCL (自行拍攝) 的三種資料庫測 試結果，人臉定位正確率分別為 97.96%、92.92%及 93.59%，基於影像大小差 異，平均定位偵測需時小於 2 秒。由實驗結果得知，本方法確實可以有效的克 服未經控制的環境所造成的偵測困難度，以應用於複雜背景下之單一人臉偵測 定位。 關鍵詞：人臉偵測，頭部角偵測，人體測量學。

FACE LOCALIZATION BASED ON HEAD CORNER DETECTION

Jing-Wein Wang Huei-Chi Chiu

Institute of Photonics and Communications National Kaohsiung University of Applied Sciences

Kaohsiung, Taiwan 807, R.O.C.

Key Words: face detection, head corner detection (HCD), anthropometric

measure.

ABSTRACT

This paper proposes a novel two-step approach for face detection in

complex scenes. As image capturing is strictly related to reflection of

lighting, it has been observed that a face in the foreground is more

vulnerable to lightness than environment in the background. The

framework of the proposed method resolves mainly around the gap based

on energy variation between the face and the scene. To speed up the

process, this approach adopts energy analysis to face localization strategy.

We present energy image analysis to remove most noise-like regions so as

to enhance face localization performance, and then devise the head corner

detection (HCD) approach to search for the best combinations of facial

sides and head corners with anthropometric measures, and thereafter the

facial interest region is located. The experimental results demonstrate that

the performance of our proposed method has significant improvement on

three head-and-shoulder databases, when compared with related work.

一、前 言

在國內的學術領域，應用於人臉偵測與辨識的方法主 要有政治大學資科系的近紅外影像之人臉偵測[1]、臺灣科 技大學資工系的應用 HSV 色彩空間來選取膚色區塊[2]、 中國醫學大學與台中技術學院的膚色應用於人臉偵測[3]、 技術學刊 第二十四卷 第三期 民國九十八年 197

198 技術學刊 第二十四卷 第三期 民國九十八年

Input Energy analysis

Binary thresholding Face detection Output Image I/O 圖1 頭部輪廓偵測 (HCD) 系統流程圖 工研院的形態學 (morphology) [4]、中研院資訊科學研究所 (形態學) [5]及中央大學資工系的膚色分群[6]等。而在國外 的學術界則有樣板比對 (template-based approaches) [7]、特 徵 萃 取 (feature-invariant approaches) [8] 、 外 觀 範 例

(appearance-based approaches) [8]及 小 波 分 析 (wavelet analysis approaches) [9]等數種方法，綜合介紹可參考[10]。 從以上文獻我們知道，人臉偵測之主流皆以膚色為線索， 再進一步發展出各自之演算法以用於偵測。然而，眾所周 知膚色對於光線變化非常敏感，於實用場景性能表現起伏 頗大且易受影響。由於灰階影像對於光線變化較彩色影像 來得小，且目前在複雜背景下，單一人臉的特徵定位偵測 技術仍然缺乏一個快速又有效的方法。因此，我們利用在 空間領域下人臉前景與景物背景之影像特性差異及頭部輪 廓特徵，提出了一個新穎、有效且快速的頭部輪廓偵測法， 在單一人臉的複雜背景下，可有效的克服複雜背景所造成 的偵測困難度。本論文結構主要可分為四大節，第一節為 研究背景、動機及文獻回顧。第二節為研究方法，包括影 像前處理及頭部輪廓偵測之演算法。第三節的內容為實驗 的結果與討論。結論與未來方向詳見第四節。

二、研究方法

經由三種不同來源的人臉資料庫之能量分析，我們發 現單一人臉影像其在空間領域呈現之能量分佈與複雜背景 之特性有著明顯之差異。據此，本研究提出如圖 1 之頭部 輪廓偵測 (HCD) 演算法來自動排除背景干擾以正確地偵 測出人臉臉部區塊。此系統之流程主要可分成三大部份： 能量分析、二值化處理及人臉偵測定位。 1. 能量分析 因設I為輸入之灰階影像，如圖 2，則 I (x, y) 為像素 (x, y) 的灰階值 (gray level)。使用如圖 3 大小為3×3的罩 子 (mask)，配合方程式(1)及(2)計算出每一個像素之局部 能量 (local energy) E(x, y)。

1 [ (I x 1,y 1) I x y( , 1) I x( 1,y 1) N μ= − − + − + + − 圖2 輸入影像 I (x − 1, y − 1) I (x, y − 1) I (x + 1, y − 1) I (x − 1, y) I (x, y) I (x + 1, y) I (x − 1, y + 1) I (x, y + 1) I (x + 1, y + 1) 圖3 3 × 3罩子 MOE = 60 14000 11200 8400 5600 2800 0 100 200 300 400 7600 Energy Number of occurrence 圖4 以圖2繪出影像之能量分佈圖 ( 1, ) ( , ) ( 1, ) ( 1, 1) I x y I x y I x y I x y + − + + + + − + ( , 1) ( 1, 1)] I x y I x y + + + + + (1) 1 1 ₂ 1 1 1 ( , ) ( ( , ) ) i j E x y I x i y j N =− =− μ = ∑ ∑ + + − (2) 其中，μ 為罩子的平均灰階值，N 為罩子的像素數， I(x, y) 為像素 (x, y) 的灰階值，E(x, y) 為像素 (x, y) 的局 部能量。 計算出每一個像素之局部能量後，我們再利用方程式 (3)算出整張影像區域能量的全體平均值 (mean of energy, MOE)，並畫出圖 2 其整張影像之能量分佈圖 (histogram)， 如圖 4。 1 1 0 0 1 ( , ) W H x y MOE E x y W H − − = = = ∑ ∑ × (3) 其中，W 為影像的寬度，H 為影像的高度。

王敬文和邱惠琪：以人頭特徵為基礎的人臉偵測定位 203 (a) (b) (c) (d) (e) (f) 圖11 VISIONICS資料庫影像的實驗結果 (a) (b) (c) (d) (e) 圖12 DCL資料庫影像的實驗結果

四、結 論

在本論文研究中，我們利用空間領域下人臉前景與景 物背景能量差異之特性及頭部輪廓特徵，提出了一個新 穎、有效且快速的頭部輪廓偵測法。由實驗結果得知，本 方法確實可以有效的克服未經控制的環境所造成的偵測困 難度，以應用於複雜背景下之單一人臉偵測定位。在計算 效能較弱的裝置，如手機應用於人臉偵測辨識登入時，其 首要條件即是及時、精確的人臉定位且使用者容易上手不 需大量樣本訓練。實驗結果證明我們的方法已達到了以上 的要求，因此本研究之成果值得進一步推廣。

參考文獻

1. Li, D. -Y. and Liao, W. -H., “Facial Feature Detection in Near-Infrared Images,” CVPRIP2003, Cary, NC, USA (2003).

2. 賴惠英，「基於人臉五官特徵定位技術的即時多人臉追

蹤系統」，碩士論文，國立臺灣科技大學，台北 (2008)。

3. Ho, I. J., Chen, T. S., and Cheug, C. Y., “An Efficient Face Detection Method Using Skin-Color Discovering and Chain Code,” Machine Graphics & Vision International

Journal, Vol. 11, No. 2/3, pp. 241-256 (2002).

4. http://www.itri.org.tw/index.jsp

5. Han, C. -C., Liao, H. -Y. M., Yu, G. -J., and Chen, L. -H., “Fast Face Detection Via Morphology-Based Pre-Process- ing,” Lecture Notes in Computer Science, Vol. 1311, pp. 469-476 (1997).

6. 林群雄，「基於三角幾何學及顏色特徵作人臉偵測、人

臉角度分類與人臉辨識」，博士論文，國立中央大學，

桃園 (2001)。

7. Wu, J. and Zhou, Z. -H., “Efficient Face Candidates Selector for Face Detection,” Pattern Recognition, Vol. 36, No. 5, pp. 1175-1186 (2003).

8. Zhang, J., Yan, Y., and Lades, M., “Face Recognition: Eigenface, Elastic Matching, and Neural Nets,” Procee-

ding of the IEEE, Vol. 85, No. 9, pp. 1423-1435 (1997).

9. Garcia, C., Zikos, G., and Tziritas, G., “Wavelet Packet Analysis for Face Recognition,” Image and Vision Com-

puting, Vol. 18, No. 4, pp. 289-297 (2000).

10. Yang, M. H., Kriegman, D. J., and Ahuja, N., “Detecting Faces in Images: A Survey,” IEEE Transactions on Pat-

tern Analysis and Machine Intelligence, Vol. 24, No. 1, pp.

34-58 (2002).

11. Gonzalez, R. C. and Woods, R. E., Digital Image

Processing 2nd ed, Prentice-Hall, USA (2002).

12. http://www.humanscan.de/support/downloads/facedb.php 13. http:/ /www.identix.com/

14. http://140.127.115.192/

15. Garcia, C. and Delakis, M., “Convolutional Face Finder: A Neural Architecture for Fast and Robust Face Detection,” IEEE Transactions on Pattern Analysis and

Machine Intelligence, Vol. 26, No. 11, pp. 1408-1423

(2004).

16. Lienhart, R., Kuranov, A., and Pisarevsky, V., “Empirical Analysis of Detection Cascades of Boosted Classifiers for Rapid Object Detection,” 25th Pattern Recognition Symposium (DAGM'03), Madgeburg, Germany, pp. 297-304 (2003).

204 技術學刊 第二十四卷 第三期 民國九十八年

Detection,” International Journal of Computer Vision

(IJCV), Vol. 57, No. 2, pp. 137-154 (2004).

18. Kirchberg, K. J., Jesorsky, O., and Frischholz, R. W., “Genetic Model Optimization for Hausdorff Distance- Based Face Localization,” ECCV 2002 Workshop on Biometric Authentication, Copenhagen, Denmark, Vol. LNCS-2359, pp. 103-111 (2002).

19. Tan, H. and Zhang, Y. -J., “A Novel Weighted Hausdorff Distance for Face Localization,” Image and Vision Com-

puting, Vol. 24, No. 7, pp. 656-662 (2006).

2009年 02 月 05 日 收稿 2009年 02 月 13 日 初審 2009年 03 月 18 日 複審 2009年 04 月 03 日 接受