摘 要： 提出了一種基于人臉匹配的卡通化方案。首先建立有代表性的人臉圖像庫(kù)，通過(guò)矢量繪圖工具對(duì)圖像庫(kù)中的每幅人臉圖像繪制相應(yīng)的卡通圖，從而建立對(duì)應(yīng)的卡通圖庫(kù)；然后對(duì)新輸入的人臉圖像采用基于OpenCv訓(xùn)練的分類器在Viola和Jones人臉檢測(cè)方法框架下檢測(cè)人臉區(qū)域，通過(guò)基于圖像歐氏距離的PCA人臉識(shí)別匹配得到最相似人臉，進(jìn)而得到相應(yīng)的卡通圖。實(shí)驗(yàn)結(jié)果表明，該方案可以獲得與輸入人臉相似圖像的卡通圖形，而且滿足現(xiàn)在數(shù)字娛樂(lè)的需求。
關(guān)鍵詞：卡通臉；人臉檢測(cè)；人臉識(shí)別；圖像歐氏距離
近年來(lái)，數(shù)字媒體技術(shù)已經(jīng)深深融入日常生活中，真實(shí)人臉的卡通化在網(wǎng)絡(luò)游戲、移動(dòng)數(shù)字娛樂(lè)等領(lǐng)域具有廣泛的應(yīng)用。圖像卡通化的方法主要有三類：(1)將圖像人臉變形[1]，生成漫畫風(fēng)格;(2)利用素材庫(kù)里的素材對(duì)人臉圖像的五官進(jìn)行匹配或替換生成卡通圖像[2];(3)圖像風(fēng)格化[3]，即繪畫風(fēng)格化和抽象化方法, 其中，前者模仿繪畫者的藝術(shù)風(fēng)格，后者通過(guò)濾波等圖像處理達(dá)到風(fēng)格化。
本文根據(jù)很多人長(zhǎng)相相似這個(gè)事實(shí)，搜索包含成年男女的正面人臉圖像各100幅。首先用Adobe Illustror矢量繪圖工具對(duì)這200幅圖像繪制相應(yīng)的卡通圖，建立卡通圖庫(kù)。基于人臉匹配的卡通化流程如圖1所示。
1人臉檢測(cè)
本文采用OpenCV中Viola和Jones[4]人臉檢測(cè)方法的分類器進(jìn)行人臉檢測(cè)。人臉檢測(cè)框架如下。
(1)使用類Haar特征表示人臉，用積分圖實(shí)現(xiàn)特征的快速計(jì)算。
(2)采用Adaboost算法進(jìn)行特征選擇，選擇最能代表人臉的矩形特征，構(gòu)造成強(qiáng)分類器。
(3)利用瀑布算法分類器組織為篩選式級(jí)聯(lián)分類器，級(jí)聯(lián)的每個(gè)節(jié)點(diǎn)是Adaboost訓(xùn)練得到的強(qiáng)分類器，級(jí)聯(lián)結(jié)構(gòu)能有效提高分類器的檢測(cè)速度。用不同尺寸的檢測(cè)子窗口掃描待檢測(cè)圖像，輸出人臉矩形區(qū)域。
2 圖像距離
2.1傳統(tǒng)歐式距離
傳統(tǒng)歐氏距離(MED)沒(méi)有考慮圖像像素之間的空間關(guān)系，圖像矩陣被擴(kuò)展成向量時(shí)，丟失了像素之間的空間信息，故當(dāng)圖像發(fā)生輕微平移或扭曲變形時(shí)，就可能在度量圖像相似性時(shí)產(chǎn)生錯(cuò)誤。傳統(tǒng)歐氏距離公式為：
d(x,y)=[(x-y)T(x-y)]1/2 (1)
其中，x、y是兩幅大小均為M×N的圖像。
2.2 圖像歐式距離
基于傳統(tǒng)歐氏距離的問(wèn)題，Wang Liwei[5]等人提出了一種改進(jìn)的歐氏距離算法——圖像歐氏距離(IMED)，定義為：
d(x,y)=[(x-y)TG(x-y)]1/2 (2)
G=(gij)MN×MN (3)
gij=f(|pi-pj|) (4)
其中,G為度量系數(shù)矩陣，是對(duì)稱正定矩陣；|pi-pj|是圖像中第i個(gè)像素點(diǎn)和第j個(gè)像素點(diǎn)坐標(biāo)的相對(duì)距離。
因?yàn)镚為對(duì)稱正定矩陣，因此采用式(5)的分解形式：
G=ATA (5)
令u=Ax，v=Ay,則：
(x-y)TG(x-y)=(x-y)TATA(x-y)=(u-v)T(u-v) (6)
式(6)表明,求圖像x和y間的圖像歐氏距離等價(jià)于求u和v間的歐氏距離，只需要用u、v代替x、y代入算法中即可。因此本文用一種類似高斯函數(shù)的形式對(duì)x、y進(jìn)行變換得到u、v。
將一幅M×N的圖像x=(x1,1,…,xM,N)轉(zhuǎn)換為M×N的圖像u=(u1,1,…,uM,N)，即：
u(i,j)=x(i,j) (7)
其中,x(i,j)為圖像x中(i,j)位置的像素點(diǎn)的灰度值，u(i,j)為轉(zhuǎn)換后的圖像u中(i,j)位置的像素點(diǎn)的灰度值，d(xi,j,xk,l)是xi,j到xk,l的空間位置距離。同理將y變換得到v。
3基于IMED的PCA算法的人臉識(shí)別實(shí)驗(yàn)
實(shí)驗(yàn)使用ORL人臉數(shù)據(jù)庫(kù)，選取庫(kù)中每個(gè)人的前5幅圖像作為訓(xùn)練集樣本，共200幅；選取后5幅圖像作為測(cè)試集樣本，共200幅。
PCA[6]識(shí)別算法步驟如下。
(1)讀入訓(xùn)練集圖像數(shù)據(jù)。將每個(gè)人臉圖像轉(zhuǎn)化為一維的向量。
(2)計(jì)算平均臉和到平均臉的距離。平均臉就是所有人臉圖像的平均值向量，到平均臉的距離是每張人臉與平均臉間的距離。
(3) 計(jì)算特征臉。計(jì)算協(xié)方差矩陣，保留協(xié)方差矩陣的前10個(gè)較大特征值對(duì)應(yīng)的特征向量,得到特征臉空間。
(4)投影。將每一幅人臉與平均臉的差值矢量投影到特征臉空間，得到相應(yīng)的特征臉向量Pn，n為訓(xùn)練樣本個(gè)數(shù)。
(5)對(duì)測(cè)試集樣本進(jìn)行人臉識(shí)別。對(duì)測(cè)試集樣本人臉圖像投影到特征臉空間，得到向量P，利用歐氏距離計(jì)算P與Pn的距離，距離最小所對(duì)應(yīng)的訓(xùn)練集中的圖像類別就是測(cè)試樣本的識(shí)別結(jié)果。
原訓(xùn)練集中部分樣本如圖2(a)所示，按式(7)求取變換后相應(yīng)樣本如圖2(b)所示。部分原測(cè)試樣本如圖3(a)所示，同理變換后相應(yīng)樣本如圖3(b)所示。
基于IMED的PCA算法(將變換后的訓(xùn)練集和測(cè)試集圖像代入PCA算法中進(jìn)行人臉識(shí)別)和基于MED的PCA算法(將原訓(xùn)練集和原測(cè)試集圖像代入PCA算法中進(jìn)行人臉識(shí)別)的識(shí)別結(jié)果如表1所示。由表1可見(jiàn)，基于IMED的PCA算法的識(shí)別率高于基于MED的PCA算法。
對(duì)輸入一幅正面人臉圖像與人臉庫(kù)中男女各100幅圖像，采用基于IMED的PCA人臉識(shí)別算法進(jìn)行人臉相似匹配。對(duì)于檢測(cè)出的人臉區(qū)域的灰度圖像，通過(guò)一種類似高斯函數(shù)的形式進(jìn)行變換，變換后的圖像考慮了圖像中各個(gè)像素點(diǎn)的空間關(guān)聯(lián)信息，能比較客觀地反映圖像間的差異；再將變換后的圖像與轉(zhuǎn)換后的人臉區(qū)域庫(kù)中的人臉區(qū)域進(jìn)行PCA算法識(shí)別匹配，得到相似人臉區(qū)域圖像，從而得到相應(yīng)人臉圖像，通過(guò)該圖像的編號(hào)搜索得到卡通圖庫(kù)中對(duì)應(yīng)的卡通圖。部分實(shí)驗(yàn)結(jié)果如圖4所示。
本文根據(jù)人多就有長(zhǎng)相相似的事實(shí)，提出通過(guò)人臉相似匹配，在事先建好的人臉及其卡通圖庫(kù)中匹配相似人臉圖像，用其相應(yīng)的卡通圖來(lái)表示輸入人臉的卡通圖，直接得到輸入人臉的卡通圖形。該系統(tǒng)采用基于圖像歐氏距離的PCA算法來(lái)進(jìn)行人臉相似匹配，圖像歐氏距離充分考慮了像素空間位置的關(guān)系，可提高圖像匹配的精度，獲得更相似的卡通人臉。
參考文獻(xiàn)
[1] KULKARH P． Interactive caricature generation using frontal photo-graphs[D]．Master thesis，Indian Institute of Technol-ogy, Kanpur, May, 2002．
[2] 劉振安,劉瑄.基于SVG的卡通人臉圖像自動(dòng)生成法[J].測(cè)控技術(shù)，2006,25(5):24-26.
[3] KYPRIANIDIS J E, COLLOMOSSE J, WANG T, et al. State of the ′Art′: a taxonomy of artistic stylization tech-niques for images and video[J]. IEEE Transactions on Visualization and Computer Graphics, 2013(19):2013.
[4] VIOLA P, JONES M. Rapid object detection using a boo-sted cascade of simple features[C]. Proceedings of the 2001IEEE Computer Society Conference, Transactions on Com-puter Vision and Pattern Recognition, 2001,1(1): I511-I518.
[5] Wang Liwei, Zhang Yan, Feng Jufu. On the Euclidean dis- tance of images[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2005, 27(8):1334-1339.
[6] KIRBY M, SIROVICH L. Application of the karhunen- loeve procedure for the characterization of human faces[J]. IEEE Transactions on Pattern Analysis and Machine Intel- ligence, 1990,12(1):103-108.