结合活动形状模型和快速活动外观模型的特征点定位方法技术

一种图像处理技术领域的结合活动形状模型和快速活动外观模型的特征点定位方法，包括以下步骤：（１）建立Ｌｕｃａｓ　　ＡＡＭ模型、计算初始参数、给出模型的初始位置；（２）建立ＡＳＭ模型；（３）以步骤（１）得到的模型的初始位置并用ＬｕｃａｓＡＡＭ方法搜索人脸特征点；（４）以Ｌｕｃａｓ　　ＡＡＭ模型搜索到的人脸特征点作为初始位置，用ＡＳＭ方法搜索特征点的新位置。本发明专利技术将ＡＳＭ和Ｌｕｃａｓ　　ＡＡＭ两个方法结合在一起进行人脸特征点定位，这样ＡＳＭ全局搜索精度低的缺点可以由ＬｕｃａｓＡＡＭ全局搜索效果好的优点得到补偿，与此同时，Ｌｕｃａｓ　　ＡＡＭ局部搜索差的特点也可以由ＡＳＭ局部搜索效果好的优点得到补偿。同时，由于Ｌｕｃａｓ　　ＡＡＭ方法相对较慢，融入了ＡＳＭ方法后也可以大大提高整个特征点搜索的速度。

【技术实现步骤摘要】

本专利技术涉及的是一种图像处理
的方法，具体是一种。
技术介绍
人脸领域的研究近年来受到越来越多的科研工作者的关注，而人脸特征点定位是整个人脸研究领域的关键环节，人脸特征点定位的精确性直接影响着后续人脸研究的各个方面。经对现有技术文献的检索发现，T.F.Cootes等在《计算机视觉与图像理解》(1995年第一期第38页)上发表的“活动形状模型-其训练与应用”，该文提出的ASM(活动形状模型)方法，该方法中，当进行特征点新位置搜索时，在垂直于前后两个特征点连线的方向上的一维轮廓上找到使马氏距离最小的子轮廓的中心并设定该中心位置为当前特征点的新位置，但是该方法对特征点的初始位置非常敏感，如果当前特征点的初始位置靠近其目标位置时，搜索精度较高，而当初始位置远离目标位置时，搜索精度会急剧下降，因此该方法的局部搜索精度高，而全局搜索精度较低。同时Iain Matthews等在《计算机视觉国际期刊》(2004年第2期第135页)上发表的“活动外观模型回顾”，该文提出了一种利用图像对齐方法原理进行AAM搜索的快速人脸特征点定位方法，该方法具有非常好的全局搜索效果，即使初始特征点远离目标位置，该方法也能搜索到目标位置附近。但是该方法的局部搜索效果不如ASM方法，在多数情况下，该方法也不能完全精确地定位该特征点。
技术实现思路
本专利技术针对现有技术的不足，提出一种结合ASM和Lucas AAM的人脸特征点定位方法，使其将ASM和Lucas AAM(快速活动外观模型)两个方法结合在一起进行人脸特征点定位，这样ASM全局搜索精度低的缺点可以由Lucas AAM全局搜索效果好的优点得到补偿，与此同时，Lucas AAM局部搜索差的特点也可以由ASM局部搜索效果好的优点得到补偿，因此把这两者结合在一起可以互相取长补短，这样搜索的特征点位置会非常精确。同时，由于Lucas AAM方法相对较慢，融入了ASM方法后也可以大大提高整个特征点搜索的速度。本专利技术是通过以下技术方案实现的，包括如下步骤(1)建立Lucas AAM模型、计算初始参数、给出模型的初始位置；(2)建立ASM模型以及特征点的局部纹理；(3)以步骤(1)得到的模型的初始位置并用Lucas AAM方法搜索人脸特征点；(4)以Lucas AAM模型搜索到的特征点作为初始位置，用ASM方法搜索特征点。所述的步骤(1)中，建立Lucas AAM模型，是指首先在训练集的每一个训练样本图像上选择k个人脸的主要特征点，这k个特征点组成的形状可以由一个向量x(i)＝来表示，具有相同编号的特征点在不同的图像中代表了相同的特征，n个训练样本图像就对应有n个形状向量，然后校准这n个向量从而使得它们所表示的形状在大小、方向和位置上最为接近。然后对n个校准后的形状向量进行PCA(主元分析)处理，最终任何一个形状都可以表示为x＝x+Pb，其中b＝PT·(x-x)，b代表了前t个最大的模式的变化情况，这样就建立了Lucas AAM形状模型。然后用分段线性仿射变形方法建立训练样本图像的特征点位置与平均形状x之间的映射关系，并用此关系把训练样本图像变形到平均形状x，并把变形后的平均形状内的每个象素点的灰度值拉成一个向量，即该训练样本图像的纹理，该纹理的长度即为平均形状x内部象素点的个数，n个训练样本图像就对应有n个纹理向量，然后对n个纹理向量进行主元分析处理，最终任何一个纹理都可以表示为A(x)=A0(x)+Σi=1mλiAi(x),∀x∈x‾,]]>这样就建立了Lucas AAM纹理模型。所述的步骤(1)中，计算初始参数，是指计算梯度下降图像 其中A0是平均纹理的梯度，而 是分段线性仿射变形的雅可比行列式。根据H=ΣxT]]>计算Hessian(一种雅可比矩阵)矩阵H。所述的步骤(1)中，计算模型的初始位置，是指在人脸图像上用方差投影函数找到两眼位置，并设定两眼中点坐标为。对上述求得的平均形状模型x，分别计算左右眼球周围的四个特征点的中心作为左右眼睛位置，从而得到两眼的中点坐标，然后把整个平均形状模型x平移，这样就得到模型的初始位置，从而可以用于搜索。所述的步骤(2)，是指对于ASM模型的建立与上一步中形状模型的建立一样。对于训练样本图像中每个特征点还需要建立其局部纹理，即在垂直于当前特征点的前后两个特征点连线方向上以当前特征点为中心两边各选择m个像素，计算这(2m+1)个像素的灰度值导数并归一化从而得到一个profile(由象素的灰度值的导数构成的向量)。记第i个形状向量中第j个特征点的profile为gij，则第j个特征点profile的平均，gj‾=1nΣi=1ngij,]]>其方差为Cj=1nΣi=1n(gij-gj‾)·(gij-gj‾)T,]]>对k个特征点都计算其profile的平均和方差，从而就得到了k个特征点的局部纹理。所述的步骤(3)，是指以步骤(1)得到的模型的初始位置用Lucas AAM方法进行搜索，具体步骤如下a)由当前p根据x＝x+Pb计算特征点位置，用分段线形仿射变形方法把当前特征点位置包围的纹理变形到x，并得到一个纹理向量I(W(x；p))。b)计算差值图像I(W(x；p))-A0(x)。c)计算ΣxT.]]>d)计算Δp=H-1ΣxT.]]>e)由公式W(x；p)←W(x；p)οW(x；Δp)-1更新得到新的P值。反复迭代后，由公式x＝x+Pb得到新的形状，即特征点的位置。所述的步骤(4)，是指用上一步中得到的搜索结果作为初始位置，并利用ASM搜索方法在图像中进行特征点搜索，该搜索过程主要是通过仿射变换和参数b的变化来实现。具体通过反复迭代如下两步来实现a)计算每个特征点的新位置首先把初始ASM模型覆盖在图像上，对于模型中第j个特征点，在垂直于其前后两个特征点连线方向上以其为中心两边各选择l(l大于m)个像素，然后计算这l个像素的灰度值导数并归一化从而得到一个profile，在这个新profile中取长度为(2*m+1)的sub-profile记为temp(P)，定义一个能量函数fj(p)=(temp(P)-gj‾)·Cj-1·(temp(P)-gj‾)T,]]>用此能量函数评判当前sub-profile与 之间的相似性，选择使fj(p)最小的位置作为该特征点的新位置，并计算其变化dXj，对每个特征点都进行这样的计算就得到k个位置变化dXi，i＝1，2，...，k，并组成一个向量dX＝(dX1，dX2，...，dXk)。b)仿射变换中的参数和b的更新由式X＝M(s，θ)+Xc得M(s(1+ds)，(θ+dθ))+(Xc+dXc)＝(X+dX)，M(s(1+ds)，(θ+dθ))＝M本文档来自技高网...

【技术保护点】
一种结合活动形状模型和快速活动外观模型的特征点定位方法，其特征在于，包括如下步骤：（１）建立ＬｕｃａｓＡＡＭ模型、计算初始参数、给出模型的初始位置；（２）建立ＡＳＭ模型以及特征点的局部纹理；（３）以步骤（１）得到 的模型的初始位置并用ＬｕｃａｓＡＡＭ方法搜索人脸特征点；（４）以ＬｕｃａｓＡＡＭ模型搜索到的特征点作为初始位置，用ＡＳＭ方法搜索特征点。

【技术特征摘要】

【专利技术属性】
技术研发人员：杜春华，杨杰，吴证，
申请(专利权)人：上海交通大学，
类型：发明
国别省市：31[中国|上海]