基于人工鱼群算法主动形状模型.docVIP

基于人工鱼群算法主动形状模型 　　 (江南大学 a.信息工程学院; b.数字媒体创意中心 江苏 无锡 214122) 　　摘 要：在分析ASM不足的基础上，研究了一种基于人工鱼群算法(AFSA)的ASM，从而有效克服初始状态对定位结果的影响。对ORL人脸数据库进行特征定位的实验结果表明，算法具有搜索速度快、定位精度高、对初始状态不敏感、避免局部最优等优点。 　　关键词：主动形状模型; 人工鱼群算法； 特征提取； 统计模型 　　中图分类号：TP391.4文献标志码：A 　　文章编号：1001-3695(2009)05-1935-03 　　 　　 Active shape models based on artificial fish swarm algorithm 　　LIU Qing-yan????a,b?? LIU Yuan????a,b?? 　　(a.School of Information Technology b.Creative Digital Media Center Jiangnan University Wuxi Jiangsu 214122 China) 　　Abstract: This paper introduced an ASM based on artificial fish-swarm algorithm. This improved method was evaluated on ORL face database and the experimental results show that the new algorithm has some advantages in terms of searching speed searching accuracy avoiding local optimum. 　　Key words：active shape models(ASM); artificial fish-swarm algorithm(AFSA); feature extraction; statistical model 　　 　　Cootes等人[1,2]提出的主动形状模型(ASM)方法已成为非常流行的物体定位方法，其优点在于它能允许一定程度的形状变化而又能保证变化后的形状还代表着某一类物体或结构。它是一种基于统计学的可变形模型，其核心算法包括两个子模型，即全局形状模型和局部纹理模型。利用统计模型对特征的形状进行约束，将通过预先学习的局部模型匹配转换为一个参数优化问题，并最终得到较好的收敛结果。国内外学者对该方法进行了大量的研究[3,4]。?? 　　尽管ASM有较好的性能，但其存在诸多不足，如受初始化状态、旋转角度等因素影响可能导致定位失败。本文在分析ASM不足的基础上，将集群智能优化算法――人工鱼群算法引入到ASM中。人工鱼群算法（AFSA )[5~7]是新近提出的一种智能优化算法。该算法具有良好的克服局部极值、取得全局极值的能力。?? 　　 　　1 主动形状模型及其性能分析?? 　　 　　主动形状模型方法的基本思想是以目标物体的轮廓作为训练样本，用点分布模型(point distribution model，PDM)[8]进行描述，构造样本的先验模型，点分布模型主要体现了训练集的平均形状和形变方式。在先验模型建立后，ASM方法通过一个灰度匹配的搜索过程寻找图像中的目标轮廓，在迭代搜索的同时调整先验模型的参数，使模型与目标物体的实际轮廓逐步吻合，从而达到目标的精确定位。?? 　　1.1 特征点标定?? 　　在ASM中，主动形状模型方法中采用标志点集来描述一个形状。形状是从目标对象中去掉了位置、尺度和旋转作用后依然保留的所有的几何信息[8]。需要一组最能体现其特征的标志点，称其为点分布模型。标志点一般选在能表示目标物体轮廓特征的地方，如拐角点、T-形连接处等，同时在具有轮廓特征的点中间，用等间距采样的方式选取另外一些中间点，共同构成目标轮廓的特征点集合。图1给出了一幅由98个关键点标定的完整人脸图像。?? 　　假设给定训练样本集合为??Ω??=??{X??1,X??2,X??3,…,X??N}。其中：N为训练样本个数；X??i为形状向量，是由标定点的横纵坐标串联而成，可表示为2×n 维向量，X??i=(x??1,x??2,…x??n,y??1,y??2,…y??n)????T，??n??为预先定义的关键特征点的数目。?? 　　由于每幅图像的标定点的坐标取自于各自的坐标框架，如果将它们不加对齐地描绘出来，是一幅意义不大的散图，如图2(a)所示。此时，不同训练图像对应的标定点的坐标没有可比性。运用广义对齐算法[9]将它们统一到同一坐标框架之下