[论文解读] Extraction of Facial Feature Points Using Cumulative Histogram

Sushil Kumar Paul, Mohammad Shorif Uddin+1 more|arXiv (Cornell University)|Mar 15, 2012

Face recognition and analysis参考文献 17被引用 15

一句话总结

本文提出一种自适应算法，通过累积直方图方法结合动态阈值，实现对正面人脸图像中眼、眉毛、鼻、口等关键特征点的自动提取。通过在基于区域的累积直方图生成的阈值化滤波图像上应用连通域分析与轮廓检测，该方法在不同光照和表情条件下于BioID数据库上实现了95.27%的平均成功率。

ABSTRACT

This paper proposes a novel adaptive algorithm to extract facial feature points automatically such as eyebrows corners, eyes corners, nostrils, nose tip, and mouth corners in frontal view faces, which is based on cumulative histogram approach by varying different threshold values. At first, the method adopts the Viola-Jones face detector to detect the location of face and also crops the face region in an image. From the concept of the human face structure, the six relevant regions such as right eyebrow, left eyebrow, right eye, left eye, nose, and mouth areas are cropped in a face image. Then the histogram of each cropped relevant region is computed and its cumulative histogram value is employed by varying different threshold values to create a new filtering image in an adaptive way. The connected component of interested area for each relevant filtering image is indicated our respective feature region. A simple linear search algorithm for eyebrows, eyes and mouth filtering images and contour algorithm for nose filtering image are applied to extract our desired corner points automatically. The method was tested on a large BioID frontal face database in different illuminations, expressions and lighting conditions and the experimental results have achieved average success rates of 95.27%.

研究动机与目标

• 开发一种自动、自适应的方法，用于提取正面人脸图像中的关键面部特征点。
• 提高对光照变化、面部表情及图像质量差异的鲁棒性。
• 利用累积直方图分析与可变阈值实现区域特定的滤波。
• 在定位眼睛、眉毛、鼻子和嘴巴的角点方面实现高精度。
• 为复杂关键点检测模型提供一种计算效率更高的替代方案。

提出的方法

• 使用Viola-Jones人脸检测器对输入图像中的面部区域进行定位与裁剪。
• 将面部划分为六个相关区域：右眼、左眼、右眉、左眉、鼻子和嘴巴。
• 针对每个区域，计算直方图并转换为累积直方图，随后采用自适应阈值处理生成滤波图像。
• 对眼睛、眉毛和嘴巴的滤波图像应用连通域分析，以识别特征区域。
• 对鼻子区域采用基于轮廓的算法，检测鼻尖与侧点。
• 采用简单的线性搜索算法在眼睛、眉毛和嘴巴的滤波图像中定位角点。

实验结果

研究问题

• RQ1 在不同光照条件下，基于自适应阈值的累积直方图分析能否可靠地提取面部特征点？
• RQ2 与现有方法相比，该方法在准确率和面部表情鲁棒性方面表现如何？
• RQ3 采用区域特定滤波在多大程度上提升了特征点定位的精度？
• RQ4 该方法是否具备足够的计算效率以支持实时应用？
• RQ5 该算法能否在多样的面部结构与图像质量水平下实现良好泛化？

主要发现

• 所提方法在BioID正面人脸数据库上实现了95.27%的平均成功率。
• 该算法在不同光照条件下表现出良好的鲁棒性，且对各种面部表情具有强适应能力。
• 在累积直方图上使用自适应阈值显著提升了抗噪能力与特征对比度。
• 连通域分析有效隔离了眼睛、眉毛和嘴角的候选区域。
• 基于轮廓的方法在鼻子区域成功检测到鼻尖与侧点。
• 在光照变化条件下，该方法在准确率与稳定性方面优于基线方法。