基于模板匹配和遗传算法的人眼定位

基于模板匹配和遗传算法的人眼定位

余甜甜，唐普英（电子科技大学光电信息学院，四川成都6l0054）

摘要：文中提出了一种利用模板匹配与遗传算法相结合的人眼定位算法。根据人脸几何特征将人脸分为几个特征区域（ 眼睛、鼻子、嘴巴），在找到人眼区域后根据人眼几何特征，建立人眼特征模板及其能量函数，通过改变模型参数用遗传算法实现能量函数的全局最小化，使能量函数最小的模型参数即可描述人眼的特征，从而实现人脸特征的有效定位。同时还讨论了不同的能量函数在人眼定位过程中的地位和作用。可避免在能量函数寻优过程中的局部最小化的出现，较准确较快捷的确定人脸主要特征的位置。

关键词：特征提取；模板匹配；遗传算法
中图分类号：TP39l 文献标识码：A

An Eye Orientation Approach Based on Deformable Templateand Genetic Algorithms

YU Tian - tian，TANG Pu - ying
（Coiiege of Photoeiectricity Information，University of Eiectronic Science andTechnoiogy of China，Chengdu Sichuan 6l0054，China）
ABSTRACT：A method of extracting eye features from faciai images using deformabie tempiates and genetic aigorithms is described in this articie. Using this method the orientation of eye features can be compieted.According to faciai geometricai structure the faciai images are divided into severai areas and each area inciudes one feature of faciai images. After finding the eye areas the eye features tempiate and its energy function are constructed. By aitering its parameter vaiues to minimize the energy function，the best fit can describe the eye features. In this process the genetic aigorithms are used to reaiize minimum of energy function. At the same time the effects of different energy functions on eye orientation are aiso discussed. This method can avoid the appearance of iocai minimum in energy function matching course and effectiveiy compiete the orientation of faciai features .

KEYWORDS：Feature extracting；Deformabie tempiate；Genetic aigorithms

1 引言

从人体形态学我们知道人的脸部、眼睛、鼻子和嘴都可以看作是分布在一个矩形区域，由人脸特征的灰度分布，利用区域增长［3］的方法确定出人脸特征分布的矩形区作为人脸轮廓。在获得人脸轮廓的基础上，将人脸划分为含有人脸不同特征的四个区域，将人脸主要特征的模板在各自相应区域移动，利用遗传算法找到能量函数的全局最优解即是人脸主要特征的位置。根据人眼的形状确定出人眼的近似模板，模板参数的变化即可引起模板在人眼区域的移动，模板通过与图像数据的交互动态地调整尺寸、位置以及方向使能量函数达到最小，即是模板与图像的最佳匹配结果。而传统的模板匹配法直接将人眼模板在整个人脸区域移动，由于人脸其它特征如嘴巴，鼻子以及眉毛的影响，遗传算法很容易陷于局部极小而出现定位困难。我们提出的首先找到人眼的大致区域，避免了寻优过程中局部最小化的出现，从而提高了定位的速度和准确度。

2 人脸区域的确定

为了提取人眼特征，首先需要确定图像中人脸的轮廓，这里我们利用区域增长的方法［3］ 确定人脸区域。一般人脸图像中脸部是居中的如图l（a）所示，因此我们从图像的中央选取导航点，进行区域的增长。如果碰巧遇到鼻孔等灰度值较暗的位置，则根据增长区域的大小加以判断。如区域过小则另选起始位置，直至区域大小较为合适为止。而有时由于光照、头发等因素的影响，区域增长的结果可能会出现欠分（ 少某些部分，如额头、脸部轮廓）和过分（包含了脖子、耳朵等）情况，对于欠分我们采用积分投影进行判断，并按照人脸的一般比例关系加以修复。对于过分我们首先用垂直积分投影去掉耳朵，再用人脸的平均长宽比例限制脖子区域。最终我们得到的见图l（c）。

3 人眼模板建立
通过对眼睛形状的分析，建立的眼睛模板的参数［l］ 如下图2 所示。

边缘是两条抛物线，眼中间的圆是瞳孔。由（Xe，r）表示瞳孔圆圆心坐标和半径。上下两条抛物线由（Xc，a，b，c，fine） 表示，Xc表示眼睛模板的中心坐标，a 表示上抛物线的最大高度，6 表示模板长度的一半，c 表示下抛物线的最大高度，! 表示模板与水平方向的夹角。模板与输入图像及其波谷、波峰和边缘域进行交互。波谷、波峰和边缘分别对应着眼睛的黑色区域、白色区域和眼睛的轮廓。依据这个模板建立的能量函数需要考虑实际图像中眼睛的特征以及各参数间的先验关系。而本文提出的方法将各参数间的约束关系隐含在遗传算法的编码空间中，建立的能量函数只考虑实际图像的能量。能量函数［4］每项的定义如下：

l）波谷能量

该项是衡量眼睛模板与图像波谷接近程度的测度，将使圆收缩到瞳孔最黑的区域，其中bx valley 是二值化的波谷域上点的值，求和计算在眼睛模板的圆区域内进行。

2）边缘能量

该项用于将模板匹配到瞳孔和上下眼睑的边缘，其中bi edge是二值化边缘上的点的值，求和计算在眼睛模板的圆边界和抛物线上进行。

3）波峰能量

该项用来给出关于眼睛模板正确方向的一个测度，其中b j peak是二值化波峰域上的点的值，window i表示以左右眼白中心为中心的两个小窗口，求和计算在窗口内进行。

4）方向能量

该项也是用来给出关于眼睛模板正确方向的一个测度，其中b j valley是二值化波谷域上的点的值，window j表示以左右眼角点为中心的两个小窗口，求和计算在窗口内进行。

5）瞳孔圆内亮度信息能量

瞳孔圆内像素点的灰度值应较低，其中gi是圆内像素点的灰度值，k2是归一化系数，根据眼睛区域像素灰度的均值和方差确定，求和计算在圆内进行。

6）眼白区域亮度信息的能量

眼白区域像素点的灰度值应较亮，其中gi是眼白区域像素点的灰度值，k2是归一化系数，同kl一样根据眼睛区域像素灰度的均值和方差确定，求和计算在眼白区域内进行。

7）上下眼睑灰度信息的能量

上下抛物线上的点的灰度值应较低，其中gi是眼白区域像素点的灰度值，k3是归一化系数，根据眼睛区域像素灰度的均值和方差确定，求和计算沿着上下两条抛物线进行，该项的引入可以帮助我们正确定模板的方向，使两条抛物线的定位更加准确。

这样，我们定义了用于眼睛特征提取的眼睛变形模板及其能量函数，通过计算模板参数构成的参数空间中各点的能量函数，当最小的能量函数出现时，眼睛的特征即被提取出来了。

4 能量函数的最小化
在上一节，我们定义了眼睛变形模板的能量函数，在这一节将研究基于遗传算法的能量函数最小化过程，能量函数的形式为

（ Ei被归一化到0 ~ l 之间）。遗传算法［2］利用简单的编码技术和繁殖机制来表现复杂的现象，从而解决非常困难的问题，并可得到全局最优解。对输入图像进行预处理，定位眼睛的大致位置之后，利用遗传算法寻找能量函数的最优解，人脸图像中的眼睛特征就被精确的提取出来了。在此我们将能量函数分别在区域Ra和RJ （ 如图1c所示）移动，直到能量函数出现最小为止，此时对应的即是左右两眼的位置。

5 实验结果
本文用自建的人脸库进行眼睛定位实验，在实验之前我们首先将图片进行大小和灰度归一. 在PC 机上用matiab 对实验进行仿真，对于遗传算法的几个参数，群体规模N、杂交率pc、变异率pm、代间隙G、比例窗W，分别为30、0. 55、0. 01、1. 0、1，演化代数设置为20 代，得到的人眼定位情况如图3 所示。

从实验中我们看到，在整个仿真过程中E1 （ 即ELalle）波谷能量对眼睛定位起决定性作用，其它的几个参数只有在确定了眼睛的大致位置之后对眼睛位置进行调整，E2如能够调整圆使其匹配到虹膜上面，E3调整模板的角度，图4 反映了只有波谷能量时人眼定位的情况。

若将以上参数稍做改变分别改为30、0. 50、0. 005、1.0、1 并将演化代数设置为16 代，得到的结果几乎相同，处理速度比最初的参数设置的稍快。若不进行人眼区域的确定，直接将能量在整个人脸区域移动来寻找最优解的话，至少要演化50 代才可以得到较为满意的结果。由此可以看出首先将人脸区域分割出来再进行能量函数的最小化过程将提高
机器的处理速度以及准确度。

6 结束语
本文提出了一种有效的人眼定位的方法，实验结果证实了该方法的有效性，在本文的基础上，进一步的工作就是能否找到一种更加简单的人眼模型或者其它更加优化的算法来进一步的提高机器的处理速度和识别的准确度。

参考文献：
［1］ A L Yuiiie ，P W Haiiinan，D S Cohen. Feature extraction from faces using defo rmabie temp iates［J］. Internationai JournaiComputer V ision，1989. 99 - 111.
［2］ 刘勇，康立山，陈毓屏. 非数值并行算法——— 遗传算法［M］.北京：科学出版社，1998.
［3］ Chun - Hung Lin，Ja - Ling Wu. Automatic Faciai Feature Extraction by Genetic Aigorithms［J］. IEEE Transactions on Image Processing，JUNE 1999，8（6）.
［4］ 朱俊青，王林泉，葛元. 基于模板匹配的快速人脸定位［J］.Computer Engineering，Sep. 2002 ，28（9）.
［5］ 李华胜，杨桦，袁保宗. 人脸识别系统中的特征提取［C］. 北方交通大学学报，Apr. 2001，25（2）.
［6］ 杨建刚. 人工神经网络实用教程［M］. 浙江：浙江大学出版社，2001.

［作者简介］
余甜甜（1980. 8 -），女（汉族），湖北人，现为电子科技大学在读硕士研究生，主要研究智能信号及其应用。

唐普英（1965. 3 -），男（汉族），广西人，现为电子科技大学教授，主要从事数据库和智能信号处理方面的研究。

陆治国（1964 -），男（ 汉族），四川省遂宁人，博士后，副教授，主要研究方向为电力电子与电力传动。
翟 阳（1979 -），男（汉族），河北唐山人，重庆大学电气工程学院2003 级硕士研究生，主要从事功率因数校正方面的研究。