馮彥婕 李思潼 杜帥 朱從亮

【摘 要】唇部是人臉重要特征之一，一般通過唇形的動態(tài)變化來進行唇語識別，而在唇語識別之前，最為重要的就是唇語采集系統(tǒng)。本文所提出的唇語采集系統(tǒng)可以自動識別人臉，并對唇語進行采集，以及對采集到的視頻數(shù)據(jù)進行處理。

【關(guān)鍵詞】唇語采集系統(tǒng)；Dlib算法；唇語識別

隨著社會經(jīng)濟的發(fā)展，人工智能越來越受到人們的關(guān)注，繁重的科學和工程計算與識別已經(jīng)超出了人腦的承受范圍，人們必須借助機器來進行計算分析。80年代末90年代初，語音識別技術(shù)得到迅速發(fā)展，自動語音識別系有了長足進步，但是這類系統(tǒng)在噪聲和干擾的條件下識別率顯著下降，原因是它只單純從語音信道獲取信息，而忽略了視覺信息，一旦應(yīng)用于真實環(huán)境中其性能就會大大下降。特別是在噪聲干擾的情況下，與語音識別技術(shù)相比，唇語識別的準確性更高。而唇語識別的前期工作，最為主要便是進行唇語采集。

一、landmark算法

Dlib庫是機器學習的開源庫，包含了大量的機器學習、圖像處理算法，如：深度學習、基于SVM的分類和遞歸算法、針對大規(guī)模分類和遞歸的降維方法、相關(guān)向量機等。其中有人臉檢測器，有訓練好的人臉關(guān)鍵點檢測器，也有訓練好的人臉識別模型。

landmark算法便是Dlib庫中的一種，它是一種人臉部特征點提取的技術(shù)，Dlib庫中為人臉68點標記，如圖1。

當獲得一張圖片后，算法會生成一個initial shape，即先估計一個大致的特征點位置，然后采用gradient boosting算法減小initial shape 和 ground truth 的平方誤差總和。用最小二乘法來最小化誤差，得到每一級的級聯(lián)回歸因子。核心公式如下：

二、特征信息點的標注

利用landmark算法標注出的人臉的特征信息點如圖2、圖3所示。接下來就通過唇部特征信息點，裁剪出唇部圖像，構(gòu)成數(shù)據(jù)集。

三、唇語采集系統(tǒng)

這里我們使用python語言，通過Dlib庫中的圖像處理語句，啟動攝像頭，獲取一個25幀的視頻，再進行預(yù)處理功能，將視頻轉(zhuǎn)換為圖像，做好分類。通過如此的獲取并分類，我們可以得到一個數(shù)據(jù)庫，這個數(shù)據(jù)庫將為我們之后模型訓練提供訓練唇部模型的數(shù)據(jù)集，以便于能夠檢測不同發(fā)音的嘴型。采集到的視頻數(shù)據(jù)如圖2，對其進行處理，處理后得到的有關(guān)唇語的數(shù)據(jù)集如圖3。

四、結(jié)束語

本文提出了一種利用Dlib庫中的landmark算法進行唇語采集系統(tǒng)的設(shè)計，通過Dlib庫中的圖像處理語句，捕獲25幀的視頻，再對視頻進行處理：進行人臉檢測，檢測面部信息點，再通過唇部信息點確定唇部位置，并切割成64×64×3的唇部圖像，從而達到唇語采集的目的。經(jīng)證明，該方法采集到的數(shù)據(jù)集準確率較高，更加簡便，為后續(xù)模型的訓練做足了準備。

【參考文獻】

[1]M， Hunke， A， Waibel. Face Locating And Tracking For Human-Computer Interaction [J]. Interaction.Proceedings of Twenty-eight asilomar Cofeence on Signals， Systens&Computers， Monnterey， 1994， 2（5）： 77-81

[2]K， Mase， A， Pentland. Automatic lipreading by optical‐flow analysis [J]. 《Systems & Computers inJapan》，USA， 2015， 22（6）： 67-76

[3]張枝令.Python實現(xiàn)基于深度學習的人臉識別[J].電子商務(wù)，2018（05）：47+96.