嘴角定位

http://www.cnblogs.com/ImageVision/archive/2012/03/21/2408506.html

人臉五官中，關於嘴角定位的文獻相對眼睛定位來講要少很多，定位的方法也很不相同。作者結合工作中遇到的問題，在此按照定位過程，簡要闡述如下：

嘴角定位一般分為，胡子區域去除，嘴巴區域獲取，嘴角定位

1. 胡子區域去除

　　胡子的干擾，是嘴角定位最大的難題，特別是中東一些國家，留胡子人極多。而目前很多文獻中，並沒有提出此問題的解決方法。王罡的《基於單張正面人臉照片的三維人臉自動建模方法研究》中提到用BR加權G色對比法，來去掉胡須部分。具體來講，是根據「B分量（藍色）和G分量（綠色）在唇色中的分布比較相近，但在膚色中，G分量的分布則明顯大於B分量；在膚色和唇色中，R分量（紅色）和B分量分布相對穩定，G分量是造成色度分布差異的主要元素」。

                

Fig1 原始圖像            Fig2 胡子去除後

      實際定位中，我們只需要對人臉圖像的下半部分進行檢測即可。

 

2.嘴巴區域獲取

 （1）嘴巴特征增強

       想通過嘴巴的灰度和膚色的差異，來獲取嘴巴的區域還是比較困難的。因為實際情況下，受光照和個體的差異，並不是每個人的唇色和膚色都有明顯差異。因此需要突出嘴巴區域的特征，增加對比度。作者采用的是Fisher變換的方法，分別采集兩組樣本（膚色和嘴唇），相當於求類間距離最大的原理，來尋找膚色和純色的最有分類矩陣。

                                   

          Fig3 Fisher增強                                           Fig4 Fisher增強

       上排圖像是原始圖像，下排是嘴巴增強的效果。       

（2）消除光照影響

       由於光照條件不固定，會給嘴巴區域的獲取，以及後續嘴角精確定位帶來很大的影響。作者采用Gabor的方法來處理，效果良好。

 Fig5 Gabor變換

（3）嘴巴區域二值化

       作者嘗試采用過一些圖像二值化方法來對嘴巴區域提取，包括OTSU以及基於邊緣特征信息的二值化方法，但是經過測試都不穩定。最終采用的是類似於「眼睛定位」文章中提到的方法，效果穩定而且效果很好。

                      Fig 6 OTSU二值化結果

Fig 7 基於邊緣信息保留的圖像二值化

       圖7中的效果明顯優於OTSU算法，但是它容易受嘴巴姿態等的影響，造成二值化區域較大，這給後續角點的篩選帶來不便。

Fig8 基於Gabor的嘴巴區域二值化

3.嘴角定位

       獲得一個盡量「好」的嘴巴區域，會給嘴角定位准確性帶來很大方便。作者在嘴巴區域內，采用角點檢測和嘴巴模板相結合的方法，來精確定位嘴角位置。

       角點檢測有很多現成的方法，比如Susan和Harris角點檢測。作者選擇的後者，但是檢點檢測後有很多候選點，如何准確篩選呢？我們可以嘴巴的形狀，加入邊緣信息進來判斷。因為從真正的嘴角位置出發，同事沿著邊緣往右或往左，得到的邊緣點數應該最多。

4.定位結果