基于主动表观模型的人脸特征点自动标定.docx

基于主动表观模型的人脸特征点自动标定主动表观模型是一种具有高精度和强鲁棒性的特征点标定算法。本文主要研究了主动表观模型在人脸图像特征点自动标定方向的应用并通过MATLAB工具对目标人脸图像进行了特征点自动标定实验。实验结果证明主动表观模型是一种有效的特征点标定算法。【关键词】主动表观模型特征点标定形状建模人脸是人类日常生活中表达喜怒哀乐等情感的重要载体长期以来人类一直通过绘画雕塑等多种方式来描述人脸。人脸图像技术随着计算机视觉的发展逐渐兴起而人脸图像技术的基础和核心便是人脸特征点标定。人脸特征点标定是指利用计算机视觉技术对人面部器官的特征部位进行自动的特征搜索、轮廓拟合、特征点定位与纹理提取。主动形状模型算法（activeshapemodelASM）和主动表观模型算法（activeappearancemodelAAM）是当前使用较为普遍的两种特征点标定算法其基本原理都是利用统计规律得到目标物体形状向量然后通过灰度建模实现特征点的最佳匹配重复循环搜索直到收敛完成标定工作。1AAM实现特征点标定的基本流程1.1形状建模的实现主动表观模型通过对样本集中人脸图像进行样本标准化和主成分分析（principalcomponentanalysisPCA）来实现形状建模。首先对训练集中的样本图像进行手动特征点标定并用图像上所有特征点的坐标值组成的向量来唯一表示样本图像。由于不同样本图像之间在尺寸和方向上存在差异需要采用Procrustes分析来实现样本图像标准化。对完成标准化之后的样本图像通过主成分分析来计算形状参数。主成分分析的核心思想是求样本数据中的主成分在不丢失样本数据主要信息的同时实现数据降维。在这里我们利用主成分分析时首先计算样本数据的协方差矩阵然后计算出该矩阵的所有特征值和特征向量。选取若干数值较大特征值作主成分并将其对应的特征向量作为主成分矩阵。根据主成分分析的原理主成分矩阵中的特征向量所包含的形状变化信息量多因此可以采用样本数据的主成分来对样本图像的形状变化信息进行统计分析同时用主成分矩阵来对形状向量进行表示。这里引入一个形状向量模型参数的概念完成形状建模。1.2纹理建模的实现主动表观模型通过对人脸图像面部像素进行提取来得到形状无关灰度信息再通过对灰度信息进行主成分分析来得到解释面部图像灰度变化的纹理模型。对于人脸样本图像由于人脸只占图像的一部分而且位置和像素数量也存在差异因此必须先对样本图像进行变形才能进行形状无关纹理信息的提取与分析。首先对平均人脸形状进行Delaunay三角剖分将人脸划分成若干三角网格。然后对所有划分的网格进行仿射变换。完成这两步处理之后就可以得到形状无关纹理图像。按照特定顺序对这些纹理图像进行像素提取得到一组灰度向量。对所有灰度向量进行归一化处理然后再次进行主成分分析求出这组数据的主成分矩阵并利用KL变换得到平均灰度向量完成纹理建模。1.3统计表观模型的建立在求得形状参数和纹理参数之后任何图像的形状和纹理理论上被完全分离利用形状参数和纹理参数可以表示出任何人脸图像。但实际中形状模型和纹理模型之间仍然具有一定的相关性需要再次使用主成分分析来消除这种相关性得到统计表观模型。一般情况下形状参数和纹理参数在数值上会有较大的差异需要引入一个权值来平衡两个参数的差异。选取一个对角矩阵并将其设为权值通过权值的引入对形状参数和纹理参数数值差异进行平衡可以得到一个连接参数。对连接参数再次进行主成分分析得到一个新的参数称之为表观模型参数。我们可以用这个表观模型参数来分别表示形状向量和形状无关的灰度向量从而得到表观模型。2目标人脸图像的搜索与拟合目标图像的搜索与拟合是主动表观模型的核心内容。目前常用的一种图像搜索与拟合算法是标准梯度递减最优化算法。该算法的核心思想是假设误差图像与参数的增加量之间存在线性关系通过调整表观模型参数和形状模型参数来缩小合成图像与目标图像之间的灰度差值。循环迭代直到合成图像与目标图像之间的灰度差值最小完成对目标图像的搜索与解释。其主要步骤可以简化为：步骤一：给定初始表观参数和初始形状参数计算得到合成图像的形状向量和纹理向量通过对目标图像进行采样和归一化处理得到目标图像的纹理向量；步骤二：根据合成图像的纹理向量和模型覆盖区域的纹理向量进行误差计算得到初始误差；步骤三：计算和调整表观参数和形状参数；步骤四：根据对表观参数和形状参数的计算调整求出新误差；步骤六：重复步骤四和步骤五不断比较新误差与初始误差的差值当其差值小于设定阈值时认为其收敛循环结束。3