![](https://csdnimg.cn/release/download_crawler_static/88773205/bg4.jpg)
M.A. Kaljahi
,
P.Shivakumara
和
T.Hu
等人专家系统与应用:
X 3
(
2019
)
100008
图二
.
建议方法的流程。
上述观察结果如图
3
所示,其中我们绘制了图
3
(
a
)所示的
家庭和非家庭图像的距离
/
角度特征与距离
/
角度值方差的从图
3
(
b
)和(
c
)注意到,对于空间和角度特征,表示家族的线行
为比表示非家族的线行为更平滑。这证实了家庭图像中的面部
外观没有太多变化,而非家庭图像中的面部外观变化很大。从
图
3
(
c
)所示的角度特征的图示中可以得出相同的结论。这促
使我们使用空间和角度特征进行家庭和非家庭图像分类。空间
和角度特征提取过程的每个步骤的详细解释将在后续章节中讨
论。
3.1.
面部关键点的几何特征
对于给定的输入图像,所提出的方法使用经由局部二进制特
征的回归的面部对准来检测面部关键点,即嘴、噪声、左眼和
右眼以及眉毛(
Ren
等人,
2014
年)的报告。该方法基本上提
出了一个更好的学习
-
Ren et al.
(
2014
)
.
选择这种方法的原因是, 据说是通用
的,有效的和准确的寻找面部关键点。此外,它可以处理部分
遮挡和扭曲的问题。这是合理的,因为建议的工作考虑了具有
复杂背景和多样化内容的家庭和非家庭图像。上述方法的样本
结果在图
4
中示出,其中(
a
)给出了输入图像的候选点检测的
结果,而图
4
(
b
)示出了家庭和非家庭图像的面部关键点的样
本。从图
4
(
b
)中可以注意到,尽管图像受到失真和质量差的
影响,但该方法成功地找到了关键点
设
B1
、
B2
、
E1
、
E2
、
N
和
M
是由该方法给出的中心点(
Ren
等
人,
2014
),其分别表示左和右眉毛、眼睛、鼻子和嘴。在图
5
中,对于从图
4
所示的图像中选择的家族和非家族面部,手动
标记这些点。为了提取空间特征以研究几何特征,所提出的方
法使用如等式中所定义的面部区域的候选点来找到质心。
(1)
,
其中
m
是由 该 方 法 给 出 的候选点的 数 量 (
Ren
等人,
2014
年)的报告。
基于方法。它的工作原理是基于
“
局部性
”
原则的学习。该原理
被定义为:对于在给定阶段定位某个地标,最具鉴别力的纹理
信息位于
在来自所述估计阶段的所估计的地标周围的局部区域中。形
状上下文提供了其他地标的位置通过这些观察,该方法首先
学习内在特征,以独立地对每个地标的局部纹理进行编码;然
后执行联合回归以合并形状上下文。该方法首先学习局部特
征映射函数,以生成每个地标的局部二进制特征在这里,它
使用标准的回归随机森林来学习每个局部映射函数。然后,
它连接所有的本地功能,以获得映射函数。它通过线性回归
学习线性投影。这个学习过程是重复的阶段,一级一级的级
联方式。在此基础上,利用全局特征映射函数、全局线性该
方法可以有效地加强全局形状约束,以减少局部误差。在测
试阶段的情况下,直接预测形状增加并应用于更新当前估计
的形状。有关实施的更多详细信息,
借助于质心(
X
C
,
Y
C
),该方法
绘制一个椭圆,以找到长轴和短轴,如图
6
(
a
)和(
b
)所
示,分别用于族面和非族面。所提出的方法在垂直于家庭和非
家庭图像的每个关键面部点(
B1
,
B2
,
E1
,
E2
)的方向上移
动,直到其分别到达如图
6
类似地,所提出的方法在垂直于家
庭和非家庭图像的每个关键点的方向上移动,直到其到达如图
6
(
a
)和(
b
)中的第三图示所示的最小轴然后,该方法找出
面部关键点之间的距离,
点
r ={
B1
,
B2
,
E1
,
E2
}
以及
r
中的长轴和短轴
的相应像素
r
={major
,
minor}
,其在等式(
1
)中定义。
(2)
,其对于每个面
i
输出
8
个 距离
d
k
,
k =
{
1
,
2
,
.
,
8}
:
我
2 2
K
相对于长轴和短轴提取距离特征,以使特征对不同旋转具有
鲁棒性