一种基于加权主动形状建模的人脸特征定位方法

摘要

本发明涉及一种基于加权主动形状建模的人脸特征定位方法。本发明建立主动形状模型，即全局形状模型、局部纹理模型，局部纹理模型包括中间局部纹理模型、内部局部纹理模型、外部局部纹理模型，该三个模型沿面部轮廓的法线，在原点内、外分别选取一点，经计算得到马氏距离准则函数，反复迭代。解决了现有技术局部纹理模型中因经常受到初始位置、光照和面部表情等因素的影响，使ASM陷入最优化过程中的局部最小问题，导致图像漂移、数据丢失，致使最后形成的图像离开真实的图像较远，从而无法满足更精确的要求。本发明的优点在于挖掘标定点附近的局部纹理信息，扩展为3个子模型，捕获特征点附近更多纹理信息，更精确地定位面部关键特征点。

主权项

1.一种基于加权主动形状建模的人脸特征定位方法，其步骤如下：建立主动形状模型，即(1)全局形状模型：假设给定训练样本集合为$M=\{(I_j,s_j),s_j=\{x_1^j,y_1^j,x_2^j,y_2^j,\dots x_N^j,y_N^j\},j=\mathrm{1,2},\dots ,K\}$ 其中，K为训练样本数目，N为预先定义的关键特征点的数目，M中的每个形状向量sj是由训练图像Ij上预先定义并手工标定的N个关键特征点的横纵坐标串接而成；根据广义对齐算法，奖其统一以同一坐标框架下，对齐后的形状向量为${\tilde{S}}_j=\{{\tilde{x}}_1^j,{\tilde{y}}_1^j,{\tilde{x}}_2^j,{\tilde{y}}_2^j,\dots {\tilde{x}}_N^j,{\tilde{y}}_N^j\},j=\mathrm{1,2},\dots ,K$ 得全局形状模型为 s≈s+Pb其中，s表示平均形状，b为主分量参数，P为主成分特征向量构成的变换矩阵；(2)局部纹理模型：将原局部纹理模型扩展为三个模型，分别为中间局部纹理模型即原局部纹理模型、内部局部纹理模型、外部局部纹理模型；中间局部纹理模型为在未知人脸图像中搜索某个特征点p的最佳侯选点q时，用下式计算相应的马氏距离准则函数，$d\left(l_q\right)={(l_q-{\bar{l}}_p)}^T{\Sigma }_p^{-1}(l_q-{\bar{l}}_p)$ 其中，lq是由未知图像q点附近采样得到的归一化纹理向量，上标-1表示求逆运算，d(lq)最小值对应的点q就是p的最佳侯选点；沿面部轮廓的法线，在其内、外分别选取一点，建立同样的上述模型，分别为内部局部纹理模型、外部局部纹理模型；由此获得与某给定点p相对应的3个平均向量和3个协方差矩阵，分别记作lpm，lpi，lpe，∑pm，∑pi，∑pe，其中lpm和∑pm表示点p的中间局部纹理模型；lpi和∑pi表示点p的内部局部纹理模型；lpe和∑pe表示点p的外部局部纹理模型；将三个模型组合成整个局部纹理模型，即将此与前述马氏距离准则函数推广为一般形式$q_{\mathrm{opt}}=\underset{q}{\arg \min }[\alpha {(l_q^i-{\bar{l}}_p^i)}^T{\Sigma }_p^{i^{-1}}(l_q^i-{\bar{l}}_p^i)+\beta {(l_q^m-{\bar{l}}_p^m)}^T{\Sigma }_p^{m^{-1}}(l_q^m-{\bar{l}}_p^m)+$ $\gamma {(l_q^e-{\bar{l}}_p^e)}^T{\Sigma }_p^{e^{-1}}(l_q^e-{\bar{l}}_p^e)]$ 其中，lqi，lqm，lqe分别表示在q点附近采样得到的内部局部纹理向量，中间局部纹理向量以及外部局部纹理向量，α，β，γ是相应的加权参数，满足条件α+β+γ＝1α，β，γ≥0即可；(3)迭代过程假设当前的全局面部形状为st-1；用步骤(2)的结果搜索每一个标定点对应的最佳侯选点，由此获得图像框架下的新的面部形状，记为st′；经相似变换，将新的全局面部形状从图像框架投影到坐标框架下，获得坐标框架下对应的形状st+1＝s″，s″＝G-1(s+Pb，Θ)，其中G-1代表相关的逆相似变换，Θ为对应的相似变换参数；比较相邻两次迭代结果st和st+1之间的差别，如果它们之间足够小，则宣布算法收敛，否则，用步骤(2)的结果继续搜索，进行新的迭代。