岭南特色人脸美学分析及其系统实现.docVIP

岭南特色人脸美学分析及其系统实现 岭南特色人脸美学分析及其系统实现 一、引言 　　在21世纪信息科技快速发展的今天，智能图像处理的功能不断进步，人类社会对生物特征识别技术、人脸美化技术以及人脸美学分析技术的需要日益迫切，国内外技术研究者对图像算法技术的研发日益增强。如人脸识别监测系统、人脸识别考勤机、美图秀秀、美颜相机、可牛等新型技术产品的图像识别技术与图像美容技术的出现为人类社会带来许多便利。本次研究人脸检测技术、人脸特征点检测技术、平均脸合成以及数据化妆等相关算法，为了实现虚拟数字化妆、人脸美学分析等功能为目的。 　　二、内容 　　1、人脸检测之Haar分类器 　　将目标图像被白色区域覆盖的像素值之和减去被黑色区域覆盖的像素值之和，将得到的结果称为人脸特征值。利用积分图法计算矩形内特征值公式： 　　AdaBoost算法是一种自适应增强的算法，每一个样本数据在当前分类器的权重大小将会受到上一个分类器的结果影响，每一轮将加入将的弱分类器，直到预计错误率足够小或达到算法最大的迭代次数。 　　实际应用过程中，仅仅通过一个强分类器仍然难以保证识别的准确率，但如果可以组合训练多个强分类器，达到“强强联手”的目的，可以形成正确率高于单个强分类器的级联分类器，也就是最终形成的Haar分类器。 　　2、基于点分布模型的ASM算法 　　首要考虑的问题是选取合适的目标识别特征点： 　　假定现在需要得到一组最优参数，包括平移量、缩放量以及旋转量，匹配一个图像特征模型实例X到一组新的图像特征点集合Y，通常采取欧式距离公式进行计算，若能使得计算结果尽量小的一组参数，则视为最优参数，运算公式如下所示： 　　在模型特征点附近的纹理信息进行计算，并采样搜索，对输入待测图像与模型训练集合中的纹理进行对比分析，通过马氏距离计算纹理最为接近的点则视为特征点。为了提升特征点匹配计算的效率，多分辨率匹配计算待测图像附近的纹理信息，对于粗糙的尺度，扩大匹配计算的范围，对于相对细致的图像尺度，对于待测图片进行细致的搜索。 　　3、三角剖分与仿射变换算法 　　三角剖分算法的实质是将三角形三个内角中的最小角的角度最大化，使该三角形更规则化。仿射变换算法代表着两幅图像之间的映射关系，一个任意的仿射变换算法都可以用线性变换、平移操作相结合表示，更为详细的仿射变换算法的实现过程可分为以下三个步骤：首先进行旋转操作，然后进行平移操作，最后进行缩放操作。 　　4、数字化妆相关算法 　　针对数字化妆技术而言，皮肤识别的作用更多地是为了还原不必要被处理的区域，因为这种不必要处理的区域是绝对的，因此可以允许非皮肤区域被误识别为皮肤区域。因此，此处采用了简单的肤色识别过滤公式： 　　人脸快速美化算法使用的是局部均方差滤波算法，算法的思想是计算人脸图像的每一个像素在执行子窗口中的方差值，根据这个计算方差的值设置滤波处理的权值大小进行滤波处理。 　　5、人脸美学处理技术的实现 　　平均脸，指从一定数量的普通人脸提取面部特征，根据测量数据求平均值，再利用计算机技术得到一张合成脸，就变成了一张具有吸引力的脸。 　　将人脸图像特征数据通过算法处理进行映射，对人脸模板以及人脸数据的初始化处理，开始逐渐将174个三角型进行迭代操作，经过仿射变换的处理，将处理完成的人脸图像特征数据映射至人脸模型模版中。 　　由于加权算法的合成，设置加权算法，如下所示： 　　此处需要采用动态计算合成人脸数据、新增数据的权值大小，公式如下所示： 　　对于图像处理过程中权值计算的数据类型的精准度的要求是相对较高的，数以万计的人脸图像数据，权值即使只有十分微小的偏差，对于最终平均脸的结果而言也会产生十分巨大的影响，因此人脸图像数据的权值计算是举足轻重的。同时在运算过程中，通过设计线程池与缓存机制进行运算加速以及数据缓存，既能防止数据加载量大导致内存溢出，也能提升算法的运算性能。 　　使用人脸识别、人脸特征点landmarks识别进行数据初始化的操作，然后运用人脸平均合成算法对指定输入的人脸数据集合进行平均脸计算合成操作，最终完成了一次生成平均脸的计算并生成平均脸结果。 　　三、总结与展望 　　人脸美学分析算法、数字化妆算法处理需要人脸检测技术的支持，本次研究利用Haar-like特征点、积分图加速、Adaboost分类器以及强分类器级联的策略方案，组合成一种Haar分类器的人脸检测算法，达到了可观的识别效率，为后续的美学计算以及数字化妆计算建立了基础。将改进后的ASM特征点识别算法通过Neon技术进行算法的硬件加速，能够更为快速地检测出人脸特征点，组合三角剖分与仿射变换算法可实现平均脸的计算合成并开发出相应的平均脸移动平台软件应用。人脸美学是人类社会永恒追求的研究主题