一种基于改进的ASM算法的人脸特征定位方法技术

一种基于改进的ASM算法的人脸特征定位方法，属于计算机视觉和图像处理技术领域。包括如下步骤：特征点的手动标定；上、下模型的统计形状和局部灰度模型的建立；上、下模型中特征点的独立搜索匹配；能量函数约束的综合模型实例生成。本发明专利技术针对传统ASM方法对人脸包含表情情况下特征定位过程遇到的困难，通过将人脸面部特征按变化相关度进行区域划分成上、下两个形状区域，独立进行统计形状模型和局部灰度模型的建模，特征匹配搜索过程通过引入一个能量函数对上、下模型生成实例的综合形状进行误差约束，最终得到准确的特征定位结果。本发明专利技术进一步提高了ASM算法对人脸面部存在表情情况下特征定位的准确性。

【技术实现步骤摘要】
一种基于改进的ASM算法的人脸特征定位方法本专利技术属于计算机视觉和图像处理
，主要涉及生物特征鉴别中的人脸识别技术，具体涉及一种基于ASM算法的人脸特征定位方法。
技术介绍
近年来，随着信息技术的飞速发展，如何快速、准确地识别一个人的身份以保证信息安全和公共安全，成为一个急需解决的关键技术问题。为此，生物特征识别技术应运而生，成为当前世界信息安全领域的主流研究课题。生物特征识别技术利用人体固有的生理结构和行为特征来进行个人身份鉴定。人脸识别技术作为生物特征识别技术的一个重要分支，结合计算机视觉和图像处理相关技术，借助其唯一性、稳定性、以及易用性和用户接受度高等特性，已经成为生物特征识别方向的热门研究技术。人脸识别技术，在社区安防、 网络视频监控、出入境管理检测、员工考勤以及家庭娱乐等方面应用广泛，具有巨大的经济价值和现实意义。目前，人脸识别技术已被应用于边境安全检查、银行门禁系统、汽车和电子产品的用户登录管理和社区安全管理等，同时可以使人们摆脱各类银行卡、信用卡、身份证、社区保险证的管理。随着计算机视觉技术和图像处理技术的发展，人脸识别技术越来越受到人们的重视。详见文献A. K. Jain，A. Ross，and S. Prabhakar, "An Introduction to Biometric Recognition，，IEEE Transactions on CSVT,Special Issue on Image-and Video-Based Biometrics, 4-20, 2003 所述。在人脸识别技术中，如何实现人脸图像特征的准确提取是人脸识别的重要一步， 它的执行准确度将直接影响整个人脸识别系统的识别率。在实际中，由于人脸面部往往包含一定程度的表情和姿态变化，人脸特征点提取算法的准确性和有效性还有待进一步提高。如何在包含表情变化以及姿态变化影响问题的低质量人脸图像中，快速精确地进行人脸特征点提取是我们研究的主要问题。详见文献John G. Daugman，“High Confidence Visual Recognition of Persons by a Test of Statistical Independence,，，IEEE Transaction on Pattern Analysis and Machine Intelligence, volumel5, no. 11, pp.1148-1161，1993。目前的人脸特征提取方法主要包括一下三种基于肤色的特征定位方法，基于变换域的定位方法和基于统计学的定位方法。(1)基于肤色的特征定位方法。首先对目标图像进行肤色区域分割，找出含有肤色的区域作为人脸的候选区域；然后对所有候选区域进行人脸模板匹配或者利用先定位眼睛进而定位人脸区域的方法实现人脸的特征提取。此种方法对光照的要求较高，准确性低， 实际应用中在光照改变的情况下定位结果往往难以预料，特别是背景颜色与人体肤色接近时，几乎就不可能提取出人脸特征。详见文献c. N. R. Kumar and A. Bindu. An efficient skin illumination compensation model for efficient face detection. IEEE 32nd Annual Conference on Industrial Electronics，2006，3444一3449。(2)基于变换域的定位方法。基于小波变换的人脸定位方法。它是通过一定的算子，比如Sobel、Carmy算子等，提取出人脸图像中的不同频率的成分，从而搜索到人脸所在的位置。其缺点是在于背景细节的干扰，使得人脸定位结果不准确。详见文献: Jarmo Ilonen,Joni-Kristian Kamarainen. “Image Feature Localization by Multiple Hypothesis Testing of Gabor Features，，IEEE Transactions on image processing, Vol. 17，No.3，2008，311-325。(3)基于统计学的特征提取方法。基于统计学的方法将人脸的形状和纹理信息用统计的方法进行建模，然后基于得到的模型对待测人脸区域进行搜索，有针对性地对目标特征进行提取，从而能获得比较准确的效果。基于统计学的方法主要包括基于ASM的人脸特征提取方法和基于AAM的人脸特征提取方法。经典的详见电子科技大学于2009年申请的专利《一种基于ASM算法的人脸特征定位方法》，专利申请号200910059648. 5。该专利对训练样本的标准化对齐操作进行加速，虽加快了运行速度，但是当人脸面部含有表情变化情况时，定位效果不够理想。
技术实现思路
本专利技术的任务是提供一种基于改进的ASM算法的人脸特征提取方法，它具有在人脸面部包含表情变化情况下仍能进行准确地特征提取的特点。为了方便地描述本
技术实现思路
，首先对一些术语进行定义。定义1 轮廓特征点。是指能够表征人脸各器官形状轮廓的具有高曲率的标定点。定义2 样本归一化。通过平移、缩放和旋转等操作，使得所有样本的重心对齐，方向和大小尽可能相近，而保持各自的现状不变。定义3 主成分分析(PCA)。通过对样本数据进行统计分析，将数据集从高维空间压缩到低维空间，实现数据的压缩处理。定义4 特征值分解。一般通过奇异值分解得到，mX η阶矩阵A可以写成A = USV‘ 的形式，其中U为m阶正交矩阵，阶正交矩阵，S = diag(0l，σ2,... , σ r), Oi>0(i =1，...，r)，r = rank(A)。U和V中分别是A的奇异向量组，而S是A的奇异值。AA'的正交单位特征向量组成U，特征值组成S' S, AA'的正交单位特征向量组成V，特征值组成 S' S。本专利技术的技术方案如下一种基于改进的ASM算法的人脸特征定位方法，包括模型建立过程和匹配搜索过程；其中所述模型建立过程如附图说明图1所示，包括以下步骤步骤1 选取人脸库中的L张图片作为训练样本集并对其进行特征点的手工标定；对训练样本集中的每一张图片进行特征点标定，标定工作分区域进行第一部分包括人脸外轮廓和嘴巴，共m个特征点，得到上形状向量= (xi; Y1, L，Xffl, ym)T，第二部分包括眼睛、眉毛和鼻子，共η个特征点，得到下形状向量(UpL^yyjT ；训练样本集中的所有的图片的上形状向量构成上形状向量集)(u = (xul, Xu2, L，xj，所有图片的下形状向量构成下形状向量集&= (xdl,xd2,L,xdL)；其中人脸外轮廓两端的标定点有一定的限制， 即要求其位置大致处于两个眼睛中心的连接线上；步骤2 对步骤1所得上、下形状向量集^和^分别进行如下标准化对齐操作步骤2-1 将步骤1所得上、下形状向量集)^和&中的上形状向量^和下形状向量&转换成/ jc L jcfx χ L χ V mX2或ηΧ2的矩阵形式，即转换为权利要求1. 一种基于改进的ASM算法的人脸特征定位方法，包括模型建立过程和匹配搜索过 程；其中所述模型建立过程包括以下步骤步骤1 选取人脸本文档来自技高网...

【技术保护点】
１．一种基于改进的ＡＳＭ算法的人脸特征定位方法，包括模型建立过程和匹配搜索过程；其中所述模型建立过程包括以下步骤：步骤１：选取人脸库中的Ｌ张图片作为训练样本集并对其进行特征点的手工标定；对训练样本集中的每一张图片进行特征点标定，标定工作分区域进行：第一部分包括人脸外轮廓和嘴巴，共ｍ个特征点，得到上形状向量ｘｕ＝（ｘ１，ｙ１，Ｌ，ｘｍ，ｙｍ）Ｔ，第二部分包括眼睛、眉毛和鼻子，共ｎ个特征点，得到下形状向量ｘｄ＝（ｘ１，ｙ１，Ｌ，ｘｎ，ｙｎ）Ｔ；训练样本集中的所有的图片的上形状向量向量组中各灰度向量之间的马氏距离Ｄ的变化值小于０．０１或达到预设的最大循环次数，并转步骤５－２。（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）；（／ｍｏ）?（／ｍｒｏｗ）?（／ｍａｔｈ）步骤５－４－５：对新的标准形状进行平移Ｔ、旋转θ和缩放Ｓ操作得到新的形状实例Ｘ′＝Ｍ（Ｓ，θ）［ｘ′］＋Ｔ；返回步骤５－４－１循环计算直到局部灰度模型与待测灰度）?（ｍｉ）ｘ（／ｍｉ）?（ｍｏ）＆ＯｖｅｒＢａｒ；（／ｍｏ）?（／ｍｏｖｅｒ）?（ｍｏ）＋（／ｍｏ）?（ｍｉ）Ｐ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｉ）ａ（／ｍｉ）?（ｍｏ）＋（／ｍｏ）?（ｍｉ）ｄａ（／ｍｉ）?（ｍｏ））ｘ＝Ｐｄａ，从而得到形状加权系数向量ｄａ＝Ｐ－１ｄｘ，再次带入统计形状模型得到新的标准形状（ｍａｔｈ）??（ｍｒｏｗ）?（ｍｓｕｐ）?（ｍｉ）ｘ（／ｍｉ）?（ｍｏ）＆ｐｒｉｍｅ；（／ｍｏ）?（／ｍｓｕｐ）?（ｍｏ）＝（／ｍｏ）?（ｍｏｖｅｒ子，Ｔ为平移因子；故存在关系：Ｘ＋ｄＸ＝Ｍ（Ｓ＋ｄＳ，θ＋ｄθ）［ｘ＋ｄｘ］＋Ｔ＋ｄＴ，推导得到标准形状ｘ的变化ｄＸ＝Ｍ（（Ｓ＋ｄＳ）－１，－（θ＋ｄθ））［Ｍ（Ｓ，θ）［ｘ］＋ｄＸ－ｄＴ］－ｘ；步骤５－４－４：由统计形状模型得到近似得到ｄ和姿态变化后得到的，其中形状变化是通过改变统计形状模型中的形状加权系数向量ａ得到标准形状ｘ，即姿态变化是标准形状ｘ经过平移Ｔ、旋转θ和缩放Ｓ操作得到Ｘ＝Ｍ（Ｓ，θ）［ｘ］＋Ｔ的，其中Ｍ（Ｓ，θ）代表旋转和缩放操作，而θ为旋转因子，Ｓ为缩放因２：计算局部灰度模型与待测灰度向量组中各灰度向量之间的马氏距离Ｄ＝（ｖｊ－ｕｊ）ＴＣｊ（ｖｊ－ｕｊ），搜索得到针对每个特征点的最佳位置，记录所有特征点位置的变化信息，得到变化向量ｄＸ；步骤５－４－３：由于当前形状实例Ｘ是由平均形状经形状变化初始形状模型实例，借助模型建立过程所建立的对应的上、下局部灰度模型独立进行特征点的匹配搜索，具体步骤如下：步骤５－４－１：以当前形状实例Ｘ中的每个特征点为中心，在其外轮廓法线方向两侧各取２～１０个像素点，组成待测灰度向量组ｖｊ；步骤５－４－ｉ，ｕｄｉ）为ｖｄｊ与ｕｄｊ之间的马氏距离；若能量函数Ｆ≤０．１或达到预设的最大循环次数，则搜索结束并输出待测人脸图片特征点定位结果；若能量函数Ｆ＞０．１或没有达到预设的最大循环次数，则执行步骤５－４；步骤５－４：对步骤５－１所得上、下形状到的形状实例与目标人脸形状的匹配度进行度量，其中ｖｕｉ为上形状待测灰度向量，ｖｄｊ为下形状待测灰度向量，ｕｕｉ为上形状局部灰度模型的均值向量，ｕｄｊ为下形状局部灰度模型的均值向量，Ｄ（ｖｕｉ，ｕｕｉ）为ｖｕｉ与ｕｕｉ之间的马氏距离，Ｄ（ｖｄ）?（ｍｉ）ｖ（／ｍｉ）?（ｍｉ）ｄｊ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ），（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）ｕ（／ｍｉ）?（ｍｉ）ｄｊ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（／ｍｒｏｗ）?（／ｍａｔｈ）对综合得＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）ｊ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）１（／ｍｎ）?（／ｍｒｏｗ）?（ｍｉ）ｎ（／ｍｉ）?（／ｍｕｎｄｅｒｏｖｅｒ）?（ｍｉ）Ｄ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｓｕｂｍｉ）ｕ（／ｍｉ）?（ｍｉ）ｕｉ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ））（／ｍｏ）?（／ｍｒｏｗ）?（ｍｏ）＋（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）＆ｏｍｅｇａ；（／ｍｉ）?（ｍｎ）２（／ｍｎ）?（／ｍｓｕｂ）?（ｍｕｎｄｅｒｏｖｅｒ）?（ｍｉ）?（／ｍｒｏｗ）?（ｍｉ）ｍ（／ｍｉ）?（／ｍｕｎｄｅｒｏｖｅｒ）?（ｍｉ）Ｄ（／ｍｉ）?（ｍｒｏｗ）?（ｍｏ）（（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）ｖ（／ｍｉ）?（ｍｉ）ｕｉ（／ｍｉ）?（／ｍｓｕｂ）?（ｍｏ），（／ｍｏ）?（ｍｓｕｂ）?（）＝（／ｍｏ）?（ｍｓｕｂ）?（ｍｉ）＆ｏｍｅｇａ；（／ｍｉ）?（ｍｎ）１（／ｍｎ）?（／ｍｓｕｂ）?（ｍｕｎｄｅｒｏｖｅｒ）?（ｍｉ）＆Ｓｉｇｍａ；（／ｍｉ）?（ｍｒｏｗ）?（ｍｉ）ｉ（／ｍｉ）?（ｍｏ）＝（／ｍｏ）?（ｍｎ）１（／ｍｎ）待测人脸图片的上、下形状初始模型实例；步骤５－２：将步骤５－１所...

【技术特征摘要】

【专利技术属性】
技术研发人员：解梅，魏云龙，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：90