人脸主动形状模型(ASM)的建立与初始定位改进.pdfVIP

第十七届中国过程控制会议论文集 人脸主动形状模型（ASM）的建立和初始定位改进 赵阳 ，金立左 （东南大学自动控制系，江苏 南京，210096） 摘要：主动形状模型（ASM）是一种基于统计特征的可变形模型，该文介绍了人脸主动形状模型（ASM）的建 立，数据配准及局部灰度搜索。人脸统计模型的初始定位是人脸特征定位的关键，也是特征定位的主要问题 之一，对此我们提出了基于瞳孔定位的初始定位改进算法。试验结果表明新算法相对于经典的 ASM 算法有很 大的改进。 关键词：人脸识别；主动形状模型（ASM）；瞳孔定位 0 引 言 人脸识别和认证是近年来模式识别和计算机视觉等领域研究的热点问题，研究取得了很大的进步[1]。 这是一项难度很大，但是应用前景非常广泛的重要技术。主动形状模型是一种可用于人脸识别的可变形模 型，它利用形状统计学方法，对人脸特征点进行统计分析，根据统计结果建立统计形状模型[2]。ASM 用于 人脸特征定位的两个主要问题是统计模型的初始定位和姿态变化的非线性性问题[3][4]。 该文的结构如下：第一章简单介绍了 ASM 的原理以及 ASM模型的建立；第二章介绍了 ASM 初始定位的 改进算法；第三章是实验结果和分析。 1 ASM 原理及 ASM 模型的建立 ASM是基于点分布模型的算法。在点分布模型中，外形相似的物体的形状通过若干关键特征点的坐标 串接成原始形状向量。对训练集中的所有形状向量进行对齐后，进行PCA分析建模，保留的主成分形成最 终的形状模型，形状模型的参数反映形状的主要可变形模式。 为了建立点分布模型，需要给定一个标定了关键特征点的学习集 1 1 N N T L={(I , s ) | i 1,...,m;s (x , y ,..., x , y ) }，其中m为样本数目，N为关键特征点的数目，L中的每个形 i i i i i i i 状向量s 是由训练图像I 上预先定义并手工标定的N个关键特征点的横纵坐标串接而成。然后，通过形状 i i 对其算法将学习集中的所有形状对齐到同一坐标体系下，得到对齐后的特征集合L {s | i 1,...,m} ，对 i 对齐后的形状作主成分分析，得到统计形状模型如下： s ≈ s + Pb (1) s s 其中， s 为平均形状，b 为形状参数，P 为主成分向量构成的变换矩阵，通过对训练集协方差矩阵的特 s s 征值分解得到，主成分特征向量反映了形状变化的主要模式。 ASM的另一重要特征是它针对每个标定点建立局部纹理模型，以便在形状搜索时作为启发式信息更新 每个特征点的位置。局部纹理模型就是每个特征点在其领域内的图像亮度分布模型。Cootes[2]等采用的 是轮廓邻域，定义为形状上特征点处法线方向上一定长度范围内的像素，然后对这些像素一阶导数进行采 样，用高斯分布建模作为局部纹理模型。 局部纹理模型在训练阶段从学习集中统计得到，在模型适应阶段用来进行标定点的自动更新，对p点 轮廓领域内的每个候选点q，计算其局部纹理采样l与训练集中p点局部纹理之间的马氏距离： − 1 f (l ) (l =− l )∑ (l − l ) (2) q q p p q p 其中， lp ，∑p 分别为训练集中图像在 p 点处