基于Itti视觉注意模型三维人脸特征检测方法研究.docVIP

基于Itti视觉注意模型三维人脸特征检测方法研究 　　摘要：将计算机视觉与人类视觉的视觉注意计算模型结合，在对三维人脸特征提取和Itti视觉注意模型进行研究的基础上，提出了一种将Itti视觉注意模型用于三维人脸特征区域检测和特征提取的方法。实验结果表明，该模型能够准确定位三维人脸的特征区域，同时对不同表情的人脸模型具有鲁棒性。 　　关键词： 三维人脸；特征区域检测；特征提取；Itti视觉注意模型；计算机视觉 　　中图分类号：TP393 文献标识码：A 文章编号：1009-3044（2014）03-0621-06 　　人脸在日常的情感表达与交流中扮演着重要的角色，它是语言和复杂情感的表情载体。人类自身对人脸非常熟悉和敏感，人类视觉系统（Human Visual System， HVS）具备分辨复杂环境下人脸的能力，仅通过少量图片信息就能准确快速地在大脑中重建人脸的三维形状，进而实现身份辨识。然而这种对人来说与生俱来的分析合成能力对计算机而言却显得尤为困难。如何更好地借鉴人类的认知机理和相关的计算机科学最新理论研究成果，建立新的人脸认知计算模型和方法，实现从图像、视频中准确、高效地重建三维人脸是当前计算机视觉、人工智能等领域的一个关键问题。20世纪90年代以来，随着信息技术的发展和需求的增加，借助计算机系统强大的计算能力，并结合在认知科学、计算机视觉、机器学习等领域的研究成果，使计算机在一定程度上具备对人脸的感知能力，成为一个热门的研究课题，涌现了大量的研究成果，其中涉及人脸检测、人脸识别、特征提取、三维重建等，研究方法和手段也逐渐丰富和成熟。 　　近年来，随着三维图像系统的发展，三维成像设备从实验室走向市场，逐渐普及，使三维数据获取变得便捷。研究人员已逐渐认识到，相比于二维人脸分析方法，三维人脸能更精确地描述人的脸部特征，提供了人脸曲面的解剖结构信息，在光照、姿态和表情变化等方面具有明显的优势，利用人脸的三维信息是克服二维人脸分析的技术瓶颈最有效的方法。同时，随着对人类视觉神经系统、认知心理和认知过程研究的不断深入，建立人类视觉系统感知信息过程的计算理论和计算模型，并将计算机视觉与人类视觉联系起来，建立可与人类视觉系统水平相当的通用视觉模型，正成为计算机视觉研究的新课题和新挑战。 　　由于传统的对人类视觉注意（Human Visual Attention）的研究主要针对二维图像，该文将视觉注意模型引入到对三维人脸模型的分析，借鉴了Itti视觉注意模型[][][][]的思想，并结合计算机视觉中对三维人脸图像的处理算法，提出了一种改进的模型。该模型能够对三维人脸数据进行显著性分析，快速定位人脸特征分布的候选区域，进而进行特征点提取。 　　1 相关技术及分析 　　1.1 三维人脸特征点提取 　　人脸特征点的选择应根据应用需求而定，在MPEG-4中定义了人脸特征点的国际标准[]：FDP（Facial Definition Parameters）和FAP（Facial Animation Parameters）。其中FDP定义了人脸的形状、纹理等特征，提供人脸特征点、网格、纹理、人脸动画定义表等数据。MPEG-4定义了FDP的84个人脸的特征点，如图1所示。 　　 　　图1 MPEG-4中定义的FDP特征点 　　三维人脸特征提取是将三维人脸数据模型转化为特征表示，利用特征来体现原始数据模型的特点。特征点能否准确定位对进一步的研究工作（如三维人脸检测和识别、三维人脸重建等）的效率、可靠性和鲁棒性都有很大的影响。特征点定位主要分为三类：1、基于人脸“三庭五等”的几何对称性，从获取人脸的对称平面开始，进而定位其他的特征点；2、基于人脸的几何特征，利用特征点处的深度、曲率和法线等进行特征点定位；3、基于人脸特征点的统计分布，利用人脸的特征点分布区域的共性，定位特征点分布候选区域，再进行特征点提取。 　　王跃明等人[6]将特征束的思想引入到三维人脸特征点定位，通过手工标定训练集的特征点，计算特征点处的Point Signature，构成特征束，以此判定人脸特征点的平均区域。A.B. Moreno等人[]使用平均曲率和高斯曲率对三维人脸进行分割，得到人脸特征点分布的候选区域，然后通过五官分布特征，去掉非标准区域，得到真正的特征区域。GaileG. Gordon[]将三维人脸深度图转换到圆柱坐标系中，在圆柱坐标参数下计算每一点的高斯曲率和平均曲率。Dorai等人[]提出SI（Shape Index）特征，该特征用来表示每一点的凹凸程度，点p的Shape Index是由其最大和最小曲率计算得到。鼻尖的候选点集由SI值在0.85～1之间的点组成，鼻尖点定位于该区域的质心；内眼角的候选点集由SI值在0～0.27之间的点组成，内眼角