关闭

嘴角定位

227人阅读 评论(0) 收藏 举报
分类:
人脸五官中,关于嘴角定位的文献相对眼睛定位来讲要少很多,定位的方法也很不相同。作者结合工作中遇到的问题,在此按照定位过程,简要阐述如下:

嘴角定位一般分为,胡子区域去除,嘴巴区域获取,嘴角定位

1. 胡子区域去除

  胡子的干扰,是嘴角定位最大的难题,特别是中东一些国家,留胡子人极多。而目前很多文献中,并没有提出此问题的解决方法。王罡的《基于单张正面人脸照片的三维人脸自动建模方法研究》中提到用BR加权G色对比法,来去掉胡须部分。具体来讲,是根据“B分量(蓝色)和G分量(绿色)在唇色中的分布比较相近,但在肤色中,G分量的分布则明显大于B分量;在肤色和唇色中,R分量(红色)和B分量分布相对稳定,G分量是造成色度分布差异的主要元素”。

                

Fig1 原始图像            Fig2 胡子去除后

      实际定位中,我们只需要对人脸图像的下半部分进行检测即可。

 

2.嘴巴区域获取

 (1)嘴巴特征增强

       想通过嘴巴的灰度和肤色的差异,来获取嘴巴的区域还是比较困难的。因为实际情况下,受光照和个体的差异,并不是每个人的唇色和肤色都有明显差异。因此需要突出嘴巴区域的特征,增加对比度。作者采用的是Fisher变换的方法,分别采集两组样本(肤色和嘴唇),相当于求类间距离最大的原理,来寻找肤色和纯色的最有分类矩阵。

                                   

          Fig3 Fisher增强                                           Fig4 Fisher增强

       上排图像是原始图像,下排是嘴巴增强的效果。       

(2)消除光照影响

       由于光照条件不固定,会给嘴巴区域的获取,以及后续嘴角精确定位带来很大的影响。作者采用Gabor的方法来处理,效果良好。

 Fig5 Gabor变换

(3)嘴巴区域二值化

       作者尝试采用过一些图像二值化方法来对嘴巴区域提取,包括OTSU以及基于边缘特征信息的二值化方法,但是经过测试都不稳定。最终采用的是类似于“眼睛定位”文章中提到的方法,效果稳定而且效果很好。

                      Fig 6 OTSU二值化结果

Fig 7 基于边缘信息保留的图像二值化

       图7中的效果明显优于OTSU算法,但是它容易受嘴巴姿态等的影响,造成二值化区域较大,这给后续角点的筛选带来不便。

Fig8 基于Gabor的嘴巴区域二值化

3.嘴角定位

       获得一个尽量“好”的嘴巴区域,会给嘴角定位准确性带来很大方便。作者在嘴巴区域内,采用角点检测和嘴巴模板相结合的方法,来精确定位嘴角位置。

       角点检测有很多现成的方法,比如Susan和Harris角点检测。作者选择的后者,但是检点检测后有很多候选点,如何准确筛选呢?我们可以嘴巴的形状,加入边缘信息进来判断。因为从真正的嘴角位置出发,同事沿着边缘往右或往左,得到的边缘点数应该最多。

4.定位结果

 

 

 

0
0

猜你在找
【直播】机器学习&数据挖掘7周实训--韦玮
【套餐】系统集成项目管理工程师顺利通关--徐朋
【直播】3小时掌握Docker最佳实战-徐西宁
【套餐】机器学习系列套餐(算法+实战)--唐宇迪
【直播】计算机视觉原理及实战--屈教授
【套餐】微信订阅号+服务号Java版 v2.0--翟东平
【直播】机器学习之矩阵--黄博士
【套餐】微信订阅号+服务号Java版 v2.0--翟东平
【直播】机器学习之凸优化--马博士
【套餐】Javascript 设计模式实战--曾亮
查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    文章分类
    文章存档