面向彩色图像的人脸特征点定位算法研究

作者:安高翔; 刊名:软件导刊 上传者:严宇

【摘要】人脸特征点定位技术为人脸图像处理与分析提供重要几何信息,是计算机视觉、图像分析和模式识别领域经典课题之一。以主动外观模型(AAM)为代表的传统面部特征定位算法易受人脸姿态和表情变化等影响,很难得到理想效果。以传统特征点定位模型为出发点,引入稀疏矩阵表示人脸特征基底,将K-SVD算法更新稀疏矩阵应用于高斯-牛顿形变部件模型(GN-DPM)的基底表示中,对传统形变部件模型进行改进。在此基础上,更新新模型的拟合优化算法,以提高传统形变部件模型的精确度。实验结果表明,采用该方法进行人脸特征点定位比现有的快速主动外观模型(Fast-AAM)具有更低的误差率。

全文阅读

0引言人脸特征点检测技术是计算机视觉、图像分析和模式识别领域经典课题之一,在公共安全、信息安全等领域具有很好的应用前景,同时也是人脸素描、人脸美化等应用方向的基础性技术。传统基于彩色图像的人脸特征点检测方法包括主动形状模型(Active Shape Model,ASM)[1]、主动外观模型(Active Appearance Model,AAM)[2]、约束局部模型(Constrained Local Model,CLM)[3]。这3个模型可以统称为形变模型(deformable models),形变模型是一种通过力(或能量)驱动轮廓曲线进行形变的方法,利用形变模型实现人脸特征点检测一直受到广泛关注和研究。主动形状模型将对齐后的训练图像的人脸特征点坐标进行线性组合,通过主成分分析算法(Principal ComponentAnalysis,PCA)学习得到统计形状模型,使用局部纹理特征对测试图像进行搜索确定特征点位置,结合统计形状模型进行约束,逐步迭代更新以期匹配到测试图像的人脸特征点位置。而主动外观模型则在主动形状模型的基础上引进全局纹理模型,对测试图像的纹理变化进行约束。约束局部模型通过在特征点附近搜索确定每个特征点的位置,并结合形状拟合对位置进行校正,约束局部模型与主动形状模型的不同在于局部模型在特征点附近搜索获得的响应曲面会用于总体形状模型优化。传统的人脸特征点检测模型易受人脸姿态和表情变化等影响,尤其在光照条件不同、姿态变化大的环境中,其检测精度大大降低。因此本文采用稀疏表示和字典学习方法,与传统的人脸特征点检测模型结合,提出改进的彩色图像人脸特征点检测方法,以提高复杂环境下人脸特征点检测精度。1研究现状人脸特征定位方法依据特征的类型可以分为基于灰度信息的方法[4-5]、基于几何形状的方法、基于小波和小波包的方法等。基于几何形状的方法包含基于主动曲线的方法、基于可变形模板匹配的方法等。基于可变形模板的人脸特征点定位是最常用的方法,近年来,基于可变形模板进行特征点定位的改进模型、优化算法不断被提出,本文把基于可变形模板的方法分离出来,进行系统描述。Cootes等[1]于1995年提出主动形状模型(ActiveShape Model,ASM)。它是在参数活动轮廓模型,又称蛇模型(Snake模型)[6]基础上充分利用目标类图像的先验知识和全局形状统计模型来约束局部纹理的匹配,从而既快又好地确定标志点。主动形状模型对训练集中大量所描述的外形实例进行统计,建立反映目标外形变化规律的外形统计模型和反映灰度分布规律的局部灰度模型。在搜索过程中,首先利用训练得到的局部灰度模型进行搜索,之后利用形状模型对搜索到的形状进行近似表达,同时判断其合理性,对不合理的形状进行调整以保证外形在统计意义上的合理性。通过循环迭代,得到理想的匹配结果。但是该模型仅利用了对象的边缘信息,而不考虑形状内部的复杂纹理,容易陷入局部最优解,因此准确性不高,而且内部解释对象的参数众多,复杂且低效。Cootes等[2]于1998年提出主动外观模型(或主动表现模型Active Appearance Model,AAM),该模型在主动形状模型的基础上,放弃了特征点的局部纹理,使用图像的内部灰度纹理信息驱动形状变量的移动改变,加入全局纹理信息,利用形状和纹理联合统计(表观)模型参数进行优化使得模型与输入达到最佳匹配。其不仅建立了反映外形变化的形状统计模型,同时建立了反映全局纹理变化的模型,以充分利用全局的纹理信息。结合形状模型及纹理模型建立外观模型。外观模型去除了形状和纹理之间的相关性,可

参考文献

引证文献

问答

我要提问