基于Hausdorff距离和改进ASM人脸跟踪方法.docVIP

基于Hausdorff距离和改进ASM人脸跟踪方法 　　摘要:针对视频图像中人脸定位跟踪的问题,提出了基于Hausdorff距离和改进ASM的跟踪方法#65377;由于Hausdorff距离多模板匹配的复杂性,采用ASM的人脸模型作为模板大大降低了模型维数;并对传统的ASM算法进行了改进,利用DCT进行去相关和能量集中,充分利用特征点附近的二维纹理信息代替传统ASM的一维灰度信息,提高了定位速度和精度#65377;实验证明该方法在视频图像人脸跟踪中是非常有效的#65377; 　　关键词:主动形状模型; 主成分分析; 离散余弦变换; Hausdorff距离; 人脸跟踪 　　中图分类号:TP391.41文献标志码:A 　　文章编号:1001-3695(2007)10-0172-04 　　 　　人脸跟踪是当前模式识别与计算机视觉研究领域的研究热点之一#65377;它广泛应用于视频会议#65380;安全系统#65380;身份验证#65380;网络图像传输以及其他一些鉴别系统#65377;在人脸识别与跟踪领域中,基于统计学可变模型是一个成功的方法,最有名的是Kass提出的主动轮廓模型(active contour model,ACM)#65377;ACM是采用限制能量最小的方法进行形状校准,能够保证得到封闭的轮廓,但对于具有较高曲率的凸形边缘的检测效果并不令人满意;ACM的收缩性使得它不能检测物体内部的轮廓,也没有结合先验知识并且收敛速度较慢#65377;Kirby和Sirovich[1]在ACM的基础上描述了利用面部灰度水平统计建模,但是却忽略了脸的可变特性[2]#65377;Cootes等人[3]提出的ASM是目前目标物体定位研究#65380;应用比较新的方法#65377;ASM方法在目标定位#65380;特征提取方面应用越来越广泛,已经在CT图像定位[4]#65380;骨骼评价定位[5]#65380;图像重建[6]等方面有所应用#65377;传统ASM方法仅提取了轮廓的一维信息,搜索速度较快,但限制了搜索范围很容易收敛到错误的位置,对不同图像间的变化较为敏感,尤其当用于训练的图像之间光照度#65380;图像质量变化较大时,错误的收敛经常发生[4,5,7,8]#65377;只有准确地提取人脸轮廓的特征信息,才能更好地定位人脸#65377;目前对ASM的方法在不同的地方有所改进#65377;B.Froba等人[9]采用特征点梯度值作为ASM模型的统计信息,与传统ASM方法一样采用特征一维信息,定位精度没有很大提高#65377;J.Feng等人[8]采用Gabor信息作为ASM模型的统计信息,采用了特征点的二维信息,提取的信息量更加丰富,提高了定位精度,但是计算复杂#65380;速度慢,不适宜视频图像处理#65377;Cootes等人[10]采用multi??resolution方法,对训练图像和待测图像建立高斯图像金字塔,在训练过程中,对不同级别的高斯金字塔图像按照不同的采样间距采样获得灰度向量,建立灰度统计模型;同样在定位过程中,也按照相同的采样原则,以不同的采样间距获得备选点的灰度向量,有效地改善了ASM的鲁棒性,要建立不同精度的高斯图像模型,在不同精度下进行迭代定位,致使计算复杂#65380;迭代效率降低#65377;?? 　　本文主要从两个方面对视频图像人脸定位跟踪改进:a)初始模型的确定#65377;由于ASM方法对初值的要求很高,初始位置离目标远时会收敛到局部最小点#65377;本文又引入了Hausdorff距离对人脸初步定位,确定初始位置及初始模型#65377;利用Hausdorff距离定位人脸图像的算法是动态人脸识别系统的预处理工作,定位算法与跟踪算法相结合, 提高人脸识别率,改善ASM算法收敛于局部最小点的问题#65377;Hausdorff距离对图像中人脸进行定位, 将图像中人脸部分提取出来,并对ASM模型大小#65380;位置进行调整,一定程度上简化了后续识别工作#65377;b)跟踪过程采用改进的ASM方法#65377;该方法采用轮廓点附近的矩形区域的DCT系数作为匹配特征,充分利用轮廓点附近的纹理特征,提高了定位精度;DCT具有良好的去相关性能和能量集中性能,仅采用DCT矩阵左上角的少量系数就可以保留图像的大部分能量,匹配速度快#65377;?? 　　 　　1ASM人脸建模?? 　　 　　ASM是一种基于模型的特征匹配方法,它既可以灵活地改变模型的形状以适应目标形状不确定的特性,又将形状的变化限制在模型允许的范围内,从而保证模型改变时不会受各种因素影响而出现不合理的形状#65377;?? 　　1.1图像采样获得形状向量和统计特征信息 ?? 　　 　　提取人脸图像特征点附近的DCT