基于聚類算法的人臉衰老圖像重構

胡賢德，朱秀祥，李敬明，李 苗

(安徽新華學院信息工程學院，安徽合肥 230088)

?

基于聚類算法的人臉衰老圖像重構

胡賢德，朱秀祥，李敬明，李 苗

(安徽新華學院信息工程學院，安徽合肥 230088)

本文基于人臉圖形圖像數(shù)據(jù)庫，提出了基于聚類算法的人臉衰老圖像合成方法。采用改進主動形狀模型(ASM)的人臉特征點匹配算法，對面部輪廓特征點曲率進行分類，獲得同一簇內的人臉面部輪廓較高相似度。結合小波變換技術對人臉圖形圖像光澤的變化、皺紋的增加等衰老的處理，實現(xiàn)人臉圖形圖像的衰老變化。

聚類算法；主動形狀模型；小波變換；人臉衰老

人臉衰老圖像變化處理因具有重要的科學意義和使用價值，通常被應用于案件偵破、人臉識別、影視化妝及大眾娛樂等領域，受到研究者的高度關注。隨著20世紀末計算機技術的高速發(fā)展，人臉識別技術也逐漸完善起來。通過機器對人臉識別的分析過程，針對圖像采集環(huán)境及成像條件等非人為外界因素的影響，可以提高對人臉的有效信息和唯一性特征的提取，從而起到身份識別的作用。與指紋、虹膜、語音等識別方法相比，人臉識別更具有便捷性、友好性和非侵犯性，可用于證件(身份證、駕駛證等)的甄別。

近年來，國內外學者致力于不同年齡段的人臉圖形圖像識別，在人臉圖形圖像模擬效果中取得了一定的成果。為了提高收斂效果，Perrett等人[1]提出了一種原型法，王章野等人[2]提出個性化衰老合成。模擬人臉圖像的原型衰老方式，通過改變形狀和顏色來實現(xiàn)人臉圖像的年齡變化合成，從而科學地預測人臉的衰老圖像。

本文提出一種新的人臉衰老圖像變化的方法，該方法基于人臉圖形圖像數(shù)據(jù)庫，采用單一人臉圖形圖像特征點提取，以標準為k聚類算法[3-4]，對人臉圖像數(shù)據(jù)劃分為k聚類。并結合小波技術[4]的紋理增強功能，對人臉圖像如光澤的變化、皺紋的增加等衰老進行處理，實現(xiàn)真實感人臉衰老變化。

1 人臉輪廓聚類分析

輪廓伴隨著不同生活水平下的身體胖瘦而發(fā)生改變，不同的臉型對臉部衰老變化的模擬會產(chǎn)生很大的影響，綜合目標的生活環(huán)境、生活條件以及個人習慣等可以定制臉型的輪廓。在實驗的過程中，對已建立的人臉數(shù)據(jù)庫中的圖像采用改進的ASM[5](主動形狀模型)，提取人臉形狀的特征集合(人臉形狀的68個特征點)，通過臉部若干特征點的集合提取臉部的特征區(qū)，同時根據(jù)眼睛、鼻子、嘴巴及連續(xù)的輪廓保留了面部的有效信息。

結合聚類算法對輪廓曲線上的13個特征點(圖1，標號為9、10、11、12、13、14、15、16、17、18、19、20、21)構成的人臉曲率σ進行不重疊劃分，用于度量數(shù)據(jù)庫人臉圖像中臉型的圓潤和消瘦程度。將n個人臉樣本圖像劃分到k個簇中，使得簇內人臉圖像的輪廓曲率相似度較高，簇間的樣本曲率相似度較低。同時，不斷更新計算出新的類中心，以調整聚類過程中數(shù)量過大的現(xiàn)象。k均值算法采用人臉曲率誤差平方和準則函數(shù)作為聚類準則函數(shù)進行劃分，k均值聚類目標函數(shù)調整為

(1)

其中，ci(i=1,2,3,…,k)為k個類中的類中心，Ci是中心為ci的聚類塊。

根據(jù)歐幾里德距離歸入類中心ci中，再進行迭代更新獲得最小聚類中心樣本點。目標函數(shù)如下：

(2)

(3)

其中，cv為v個類中的類中心距離最小的樣本點，Nm為第m個聚類塊中的樣本數(shù)量。

圖1 人臉圖像的特征點及標號

圖2 人臉圖像矯正處理

2 人臉圖像預處理

在圖像數(shù)據(jù)庫中，人臉圖像的采集受到各種環(huán)境及客觀因素的影響。包括明暗差異、采集圖像的姿勢、噪聲和縮放等，通過預處理消除采集中的噪聲，并對曝光、尺度和姿態(tài)進行調整，改善圖片的質量[6-8]，能夠提高算法的效率和速度。

在大多數(shù)包含人臉的圖像中，人臉的位置有時存在著一定的傾斜和旋轉，如人臉可能發(fā)生平移、縮放、旋轉、錯切等變化，對于深度旋轉的形狀改變，可通過仿射變換以補償原圖像的變化，經(jīng)過仿射變換模型C(x,y)=T(x,y)+α(T為非奇異線性變換，C為仿射變換，α為仿射變換后坐標增量)，如圖2所示。設圖中任意像素點位置(x,y)，對應仿射后的點位置(x′,y′)，則

(4)

通過仿射變換[9-11]將原圖像按照正面視圖進行校準，為保持目標圖像的像素值，對像素點進行映射和插值，用雙線性插值方法保證像素點之間的色彩連貫性，使用與坐標值(x,y)最鄰像素點的顏色值來確定，求取顏色的平均值：

(5)

3 人臉圖像衰老合成

隨著年齡的增長，人臉圖像的臉部體現(xiàn)出皮膚粗糙化、老年斑越來越多、皺紋逐漸增加等皮膚紋理特征。通過紋理增強區(qū)間，可對不同老化程度的人臉圖像衰老變化進行模擬。

3.1 小波人臉紋理分解

人臉圖像的紋理增強是將圖像中同質現(xiàn)象所共有的內部物理屬性顯現(xiàn)出來，而人臉圖像的特征主要存在臉部高頻信息中，小波分解具有局部空間頻域和方向性等特征，對于人臉原圖像Faci,j，其尺度設為M×N。通過二維離散小波變換進行分解Ii,j∝{Faci,j}i,j∈Z，得到不同空間、不同頻率的子帶圖像Ik,d(x,y)，其表示位于金字塔式結構中方向為d、分辨率為k的子帶(x,y)處小波系數(shù)，分解得到的高頻子帶圖集，包括低頻子帶LL、水平子帶LH、垂直子帶HL以及對角線方向子帶HH。

3.2 人臉衰老紋理合成

人的實際衰老是受到生活的習性、環(huán)境、行為等眾多不確定因素影響的過程，通過對多幅不同年齡段的人臉進行二維小波處理，保留處理后的高頻老年人面部的衰老紋理，組成高頻人臉衰老紋理庫，繪制人臉衰老模板Iold，實現(xiàn)對任意臉型的多年齡衰老模擬。

對上述分量重新組合之后按照如下公式：

3.3 形狀衰老模擬

3.4 色彩渲染

在人臉圖像的合成過程中，小波分解只針對臉部的紋理進行提取，丟失了膚色的衰老變化，該操作實現(xiàn)了膚色衰老模擬。相對于原圖像Faci,j灰度值變化范圍，將修改后的衰老模型進行衰老膚色的色彩渲染，完成人臉圖像RGB空間到HSV空間的轉化，重新對人臉衰老模型的色彩加以重繪。

4 實驗分析

根據(jù)現(xiàn)有的圖形圖像數(shù)據(jù)，對輸入的人臉圖像進行基于聚類算法的小波變換方式。如圖3所示，在同一簇中匹配不同年齡段的模板，從而獲得不同年齡段的人臉衰老效果，其中(a)、(b)、(c)為輸入原圖像，(d)、(e)、(f)為使用本文方法所構成的人臉衰老效果。

圖3 基于聚類算法的人臉衰老圖像

圖4是使用劉劍毅等人的基于人臉合成方法所產(chǎn)生的衰老效果，對于制定的人臉衰老模板應用于不同曲率的人臉圖像過程中，每個模板在不同曲率的人臉圖像中所產(chǎn)生的衰老趨勢一致，不同臉型之間臉部所產(chǎn)生的皺紋和眼袋位置相似。同時，較圓潤的人臉臉型衰老變化時，會導致面部皺紋少以及肌肉下垂的現(xiàn)象。反之，較消瘦的人臉臉型衰老變化時，面部皺紋多以及肌肉下垂的現(xiàn)象將減弱。

圖4 同一模板下的不同曲率人臉老化合成效果

圖5 不同人臉輪廓衰老后的效果

本文采用基于聚類算法的人臉圖像老化重構方法較劉劍毅等人[5]的方法更貼近于實際衰老情況。不同的人臉輪廓特征點的曲率直接影響重構區(qū)的覆蓋信息，如圖5所示，改善了人臉衰老過程中人臉輪廓的極限處理，彌補了人臉輪廓特征點曲率相近的衰老模板的匹配，使得衰老后的人臉圖像的皺紋分布合理，臉部膚色的灰暗、肌肉的松弛和皺紋的增加都符合該輪廓的衰老特點。從細節(jié)上對重構的面部區(qū)域的皺紋、眼袋、膚色以及兩頰進行處理，讓衰老合成效果更具有真實性和實際性[12]。

5 結論

綜上所述，本文提出基于聚類算法的人臉圖像的衰老重構，通過對人臉輪廓特征點曲率進行準確的判斷，進行人臉數(shù)據(jù)庫多層次多分類的劃分，從而建立龐大的數(shù)據(jù)庫中人臉的高、低頻子圖信息的匹配信息庫，提高人臉輪廓曲率的檢索和匹配的速度。采用合成方法是將目標人臉圖像匹配到人臉輪廓相似度較高的曲率組中，再進行目標人臉圖像重新組合出新的衰老模板，有效地提高人臉目標年齡的估計差。此外，人臉數(shù)據(jù)庫的大小直接影響目標年齡的差值，還需進一步加強算法的優(yōu)化。

[1]Rowland D,Perrett D.Manipulating facial appearance through shape and color[J].IEEE Computer Graphics and Applications,1995,15(5):70-76.

[2]王章野,曹玫璇,李理,等.基于個性化原型的人臉衰老圖像合成[J].電子報,2009(4A):118-124.

[3]李四海,滿自斌.自適應特征權重的K-means聚類算法[J].計算機技術與發(fā)展,2013,23(6):98-101.

[4]段明秀,唐超琳.一種基于密度的聚類算法實現(xiàn)[J].吉林大學學報:自然科學學版,2013,34(1):26-27.

[5]劉劍毅,鄭南寧,游屈波.一種基于小波的人臉衰老化合成方法[J].軟件學報,2007,18(2):299-306.

[6]王先梅,梁玲燕,王志良,等.人臉圖像的年齡估計技術研究[J].中國圖象圖形學報,2012,17(6):603-618.

[7]周姍姍,柴金廣.圖像預處理的濾波算法研究[J].科學技術與工程,2009,9(13):30-32.

[8]Suo J,Zhu S C,Shan Sh G,et al.A composition and dynamic model for face aging[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2010,32(3):385-401.

[9]鄒北驥.非線性人臉老化模擬[J].計算機工程與科學,2010,32(3):45-48.

[10]A.Gallagher,T.Chen.Understanding images of groups of people[C].Proc.IEEE Conf.Computer Vision and Pattern Recognition,2009:256-263.

[11]Beier T,Neely S.Feature-Based image metamorphosis[C].In: Proc.of the 19th Annual Conference on Computer Graphics and Interactive Techniques.New York:ACM Press,1992:35-42

[12]DU Ji-xiang,ZHAI Chuan-min,YE Yong-qing.Faceaging simul ation and recognition base on NMF algorithm with sparseness constraints[J].Neurocomputing,2013,116(18):250-259.

Aging Face Image Synthesis Based on Clustering Algorithm

HU Xian-de，ZHU Xiu-xiang，LI Jing-ming，LI Miao

(Department of Information Engineering College,Anhui Xinhuai College,Hefei Anhui 230088,China)

A synthesis method of facial aging image based on clustering algorithm is proposed by using the face image database in this paper. A high similarity of face contour in the same cluster is obtained in classifying process of facial contour feature by using face feature point matching algorithm of improved active shape model (ASM). Combined with wavelet transform technology,he aging changes of the facial image are realized by handling face image of luster,wrinkles and aging.

clustering algorithm;active shape model(ASM)；wavelet transform；face aging

2016-06-14

安徽省教育廳質量工程項目“計算機科學與技術專業(yè)綜合改革試點”(2013ZY084)；安徽省教育廳重點自然科學項目“猶豫模糊語言環(huán)境下的群推薦方法研究”(KJ2015A300)。

胡賢德(1975- )，男，講師，碩士，從事計算機應用研究。

TP391

A

2095-7602(2016)10-0034-05