基于人脸图片边缘信息的眼镜检测

基于人脸图片边缘信息的眼镜检测

作者：任明罡 陈岳林 蔡晓东 杨超 来源：《软件导刊》2014年第07期

摘要：人脸戴眼镜的识别是人脸识别领域的一个部分，对其进行研究有着重要意义。在人脸检测的基础上，针对没有眼镜的鼻梁区域轮廓干扰信号相对少的特点，通过准确的鼻梁区域定位和提取，利用拉普拉斯算子对边缘轮廓信息比较敏感，而且对周围的像素灰度差值不受影响的特点，对图片中人脸是否戴眼镜进行有效的检测和识别。实验结果表明，该算法具有识别效果佳、实时性好、检测速度快等优点，能够快速检测出人脸图片中的人脸是否戴有眼镜。 关键词：人脸识别；人脸分割；轮廓提取；眼镜识别 中图分类号：TP317.4文献标识码：A文章编号： 0引言

近年来，生物识别技术被广泛应用到各个领域，人脸识别是生物特征认证技术中最为活跃、最具挑战性的热点技术，也是21世纪最具发展潜力的技术之一。随着生物特征识别技术的快速发展，人脸识别已经成为身份认证领域所关注的焦点［1］。因此，人脸识别技术成为身份鉴别认证领域研究的热点问题。

随着科技的不断发展，戴眼镜群体增长率快速提高，眼镜成为判断一个人外貌的明显特征，如何快速将戴眼镜的人脸图片从人脸数据库中分离出来成为一个重要的研究课题。由于镜框显著的易检测性，最初的研究者［

］对于戴眼镜的人脸识别希望通过检测并移除镜框达

到处理戴眼镜问题的目的。这些方法的优点是比较简单，缺点是只考虑了镜框的影响，而没有考虑镜片的影响，所以导致整个眼镜周围的纹理过渡不均匀，仍留有镜框的痕迹。Wu等人［5］使用3D Hough变换立体面部图像找到眼镜架,判断是否戴眼镜。本文提出一种简单快速的眼镜检测方法，在人脸识别的基础上通过准确的鼻梁区域定位和提取，检测出人脸是否戴眼镜，本文的方法对光照反应较小，通过一些图像分割及处理手段，快速判断人脸是否戴有眼镜。

1基于边缘信息的眼镜检测 1.1算法过程

本文提出的算法大致分为4个步骤：人脸检测、获取鼻梁区域、轮廓提取、眼镜的判断。本实验运用canny算子做一个初始检测，对检测到戴有眼镜的图片再使用拉普拉斯变换进一步提取轮廓，并采用大律法计算自适应的阈值对拉普拉斯变换后的灰度图像进行二值化处理，通过列扫描二值图像，最后判断出人是否戴眼镜。整个检测过程如图1所示。

（2014）

龙源期刊网 http://www.qikan.com.cn

图1检测过程 1.2人脸检测 1.2.1人脸图像采集

通常人脸图像的来源有：通过扫描仪对图像文件的扫描、通过摄像设备对人脸的拍摄、网络上提供的数据库等。

人脸图像采集需要弱光源环境下无明显遮盖物的正脸人脸图片，人脸部表情不能太夸张，头发不能掩盖住或超过眉毛。本文所研究的人脸图像模版如图2所示。 图2人脸图像样本 1.2.2人脸检测实现

人脸识别方法有许多，本文首先检测图片中的人脸，并获得人脸的张数。检测人脸运用到了haar特征的级联表，通过构建boost分类器，检测人脸。Haar分类器［6］是一个监督分类器，进行人脸检测先对图像进行直方图均衡化并归一化到同样大小，然后标记图片里的人脸，如图3所示。直方图均衡化过程如下：

（1）灰度直方图的计算依据定义在离散性形式下的公式如式（1）所示。p(k)=nk n,k=0,1,…L－1（1）式中nk为图像中出现sk级灰度的像素数，n是像素总数，而nk n为频数。

（2）计算累积直方图如公式（2）所示。tk=∑k i=0ni n=∑k i=0p(i),k=0,1,…L－1（2）取整扩展：tk=int［(L－1)tk+0.5］（3）图3人脸检测结果实例 1.3鼻梁区域获取

纵观现今市场上的眼镜，鼻梁上的框架必不可少（眼镜除外），检测鼻梁上是否存在镜框具有普遍适用的特点。本文所选择的检测区域是位于鼻梁部分的区域，该区域位于人脸的正面以及偏中位置，该区域一般情况下不会被遮挡。而鼻子上的皱纹存在情况也较少，光照影响在鼻梁的居上部分比较稳定。

人脸检测出来后，经过测量，本文通过人脸检测到的区域的几何分布和鼻子区域的相对坐标准确定位到图片中每张人脸图片的鼻梁区域，如图4的矩形框所示。鼻梁区域计算公式如公式（4）、（5）所示。xROI=xnose－0.12×wface wROI=0.24×wfaxe （4）

龙源期刊网 http://www.qikan.com.cn

xROI=ynose+0.50×hface hROI=0.30×wface（5）式中wface、hface分别表示人脸区域的宽度和高度，xnose、ynose表示鼻尖的坐标，xROI、yROI表示鼻梁区域的左上角坐标，wROI、hROI表示鼻梁区域的宽度和高度。 1.4鼻梁区域特征提取

在得到感兴趣的横梁区域后，接下来对其进行轮廓提取。边缘是图像中局部灰度级别以简单（即单调）方式发生极快变化的小区域。边缘是指图像局部强度变化最显著的部分，主要存在于目标与目标、目标与背景、区域与区域(包括不同色彩)之间，是图像分割、纹理特征和形状特征等图像分析的重要基础。 1.4.1鼻梁区域处理

由于人脸上的一些皱纹等干扰信息会被误认为是镜框边缘轮廓，因此需要对边缘图像降噪以减小误差。本文先用高斯模糊处理图像降低噪声干扰，计算图像的大小后，本文用该区域宽度的一半作为边缘像素长度的阈值，大于阈值的边缘被视为有效边缘，小于阈值的边缘则视为噪声。

图4鼻梁区域提取

由于传入的检测区域图片为RGB图像，本文选择逐行扫描方法，直接使用传过来的RGB图像进行逐行扫描，因而光照的影响将会很明显。本文先对其进行灰度转换，将3通道的图像转换为1通道。经过灰度转换后，对其进行形态学腐蚀然后再进行膨胀处理，这样可以大大地减少其它某些因素或者某些噪声对图像像素点的影响。膨胀和腐蚀能够实现多种功能，例如消除噪声、分割出的图像元素以及在图像中连接相邻的元素。在RGB颜色空间，像素值计算公式如公式（6）所示。 值。

本文还对图像进行了高斯平滑处理，平滑处理也称为模糊处理，是一项简单且使用频率很高的图像处理方法。平滑处理的用途很多，但最常见的是用来减少图像上的噪声或者失真。特别是在降低图像分辨率时，平滑处理很重要［7］。

图像与高斯平滑滤波器卷积：h(x,y,σ)=1 2πσ2e－x2+y2 2σ2，g(x,y)为平滑后的图像，用h(x,y,σ)对图像f(x,y)平滑处理如公式（7）所示 1.4.2鼻梁区域边缘特征提取

对降噪后的图像使用canny边缘检测得到该区域的边缘图像（边缘用白色像素点表示）进行第一次分析。将其转换为二值图像，或对其进行边缘检测，得到的图像是有眼镜框区域为白

（7）其中表示卷积。

（6）R、G、B代表RGB颜色空间中的每个子空间

龙源期刊网 http://www.qikan.com.cn

色，其它区域全为黑色，接着只需要对处理后的图像进行白色像素点检测，而其它的光照影响将会变得很少。

对有戴眼镜的可能区域，需要通过更精确的信息来分析。由于拉普拉斯算子对边缘轮廓比较敏感，而且对周围的像素灰度差值不关心，本文最后采用拉普拉斯算子［6］，即对原图像进行拉普拉斯变换。拉普拉斯算子是最简单的各向同性微分算子，具有旋转不变性。一个二维图像函数的拉普拉斯变换是各向同性的二阶导数，定义如公式（8）所示。

（8）其中：

［x,y+1］－2f［x,y］+f［x,y－1］

可以用多种方式将其表示为数字形式。对于一个3*3的区域，被推荐最多的形式是： 定义数字形式的拉普拉斯要求系数之和必为0。通过图5可以知道，对其进行像素点扫描将可以判断出是否佩戴眼镜。

本文对二值化边缘特征再次进行横向列扫描，横向白色的像素为零时，判断结果为有，反之没有。如图5中处理后的图片显示：（a)戴眼镜；（b)没戴眼镜。 图5二值化鼻梁区域 2实验结果与分析

本文采用的人脸图片包含了各种表情和各种环境下的人脸，有戴眼镜的人脸和没戴眼镜的人脸，人脸样本如图2所示。通过对图片中人脸有无戴眼镜的两次判断，最终提高了判断准确度。检测效果如图6所示，图6（a)是正确检测的人脸图像示例；图6（b)是错误检测的人脸图像示例。检测正确率结果如表1所示。 图6检测实现结果 表1有无戴眼镜检测结果 人脸总

张数 检测到符合要

求人脸图片张数 戴眼镜的人脸图片张数正确张数 错误张数 正确率没戴眼镜的人脸图片张数正确张数 错误张数 正确率600 557 90 7 92.7%449 11 97.6%通过表1可以看出，本文实验样本总数是600张，有些图片由于人脸倾斜、侧脸、含有多张人脸图片导致不能实现正确的人脸检测。通过图6(b)中可以看出有些出现误检，由于头倾斜角度过大、低头等原因导致有些图片不能准确定位到鼻梁区域从而影响接下来对鼻梁区域的纹理特征提取和检测。有些图片虽然可以正确定位到鼻梁中间，但是由于皱眉头等原因导致鼻梁区域受到干扰，或提取的边缘信息受到影响等原因导致误判。

［x+1,y］－2s［x,y］+f［x－1,y］

龙源期刊网 http://www.qikan.com.cn

3结语

实验结果表明，利用一些有效的图像变换，可对人脸图片是否戴有眼镜进行高效检测，但是对于头倾斜过大、低头和皱眉头等人脸图片的检测还会出现误检测。可利用鼻梁区域边缘特征提取，鼻梁区域受干扰小，且该检测方法对外界干扰不敏感，检测速度理想，适合大规模图片分类及检索。本文主要针对正脸的人脸图片进行检测，而侧脸的、皱眉头的、低头的、一张图片含有几张脸的人脸图片检测还有待进一步研究。 参考文献：

\\[1\\]王军，高智勇，刘海华，等.基于KPCA和Gabor小波的特征融合人脸识别［J］.现代科学仪器，2010（3）

［2］A LANITIS, C J TAYLOR, T F COOTES.Automatic interpretation and coding of face images using flexible models［C］.IEEE Trans. Pattern Analysis and Machine Intelligence,1998,1

［3］Y SAITO,K KOTANI.Extraction and removal of eyeglasses for region segmentation of facial images using eyeglasses model［J］. Picture Coding Symposium

［4］Y SAITO,Y KENMOCHI,K KOTANI.Extraction and removal of eyeglasses frame region in facial images using parametric model of eyeglasses frame［R］.Technical Report of

［5］HAIYUAN WU,GENKI YOSHIKAWA.Glasses frame detection with 3D hough transform［D］.Kyoto:Kyoto Institute of Technology, 2006.

［6］陈传波,金先级.数字图像处理［M］.北京:机械工业出版社,2009.

［7］Gary Bradski，Adrian Kaehler.学习OpenCV［M］.于仕琪,刘瑞祯,译.北京：清华大学出版社,2009.

（责任编辑：孙娟）