[发明专利]一种基于五官相关AAM模型的面部特征定位方法

说明书

技术领域

本发明涉及基于数字图像处理与模式识别的人脸图像五官检测及定位技术领域，尤其涉及一种基于五官相关AAM模型的面部特征定位方法。

背景技术

人脸识别技术通过分析比较人脸视觉特征信息进行身份鉴别，是生物特征识别领域甚至人工智能领域最困难的研究课题之一，人脸识别的困难主要来自人脸作为生物特征的特点，是一个热门的计算机技术研究领域。

基于模型的人脸识别主要方法包括主动形状模型(Active Shape Model，ASM)和主动表观模型(Active Appearance Model，AAM)。ASM利用物体的形状信息学习训练得到形状变化的模型，然后借助训练得到的模型搜索图像中的目标。ASM虽然利用了物体的形状信息，但还可以进一步利用区域内的纹理信息，对目标物体形状区域内纹理的统计规律进行建模，这样就可以得到AAM，通过使用AAM能够大大提高定位的准确率。基于AAM的人脸识别分为模型建立和模型拟合计算两部分。作为主动表观模型，AAM是在形状模型的基础之上结合对象的纹理而建立的。在模型拟合计算中，以AAM模型实例与输入图像差的平方和来定义一个能量函数，利用该能量函数来评价拟合程度，通过不断反复迭代以实现能量函数的最小化，达到模型实例与输入图像之间拟合的目的，而最终得到的各形状控制点的位置则描述了当前图像中的人脸面部特征。

在处理无遮挡面部图像特征点定位问题方面，大量研究者在增强算法鲁棒性、提高准确率和提高效率方面提出了很多方法；但是在处理面部部分遮挡情况方面，所提出的方法并不多且仍以AAM算法为主，例如基于PO的AAM、基于ERN的AAM。目前处理部分遮挡面部特征定位算法主要存在的问题是：(1)依靠人脸区域检测的结果，如果人脸检测结果不准确或者失败，将直接影响特征定位算法的准确率；(2)现有算法对遮挡比较敏感，当遮挡面积较大时，准确率不高；(3)传统的模型搜索方式效率较低。

发明内容

本发明主要是解决现有技术所存在的依靠人脸区域检测的结果，如果人脸检测结果不准确或者失败，将直接影响特征定位算法的准确率等的技术问题；提供了一种按被搜索概率的大小分为第一、第二、第三搜索区域，从而增强了特征定位算法的鲁棒性的一种基于五官相关AAM模型的面部特征定位方法。

本发明还有一目的是解决现有技术所存在的对遮挡比较敏感，当遮挡面积较大时，准确率不高等的技术问题；提供了一种根据人脸的面部五官划分来处理遮挡误差，降低了对遮挡的敏感度，提高了特征定位的准确率的一种基于五官相关AAM模型的面部特征定位方法。

本发明再有一目的是解决现有技术所存在的搜索方式效率较低等的技术问题；提供了一种对模型搜索过程进行优化，不仅提高了模型搜索的效率，而且尽量避免了可能出现的局部最优化问题的一种基于五官相关AAM模型的面部特征定位方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于五官相关AAM模型的面部特征定位方法，其特征在于，包括以下步骤：

步骤1，基于样本图像集，分别对每个面部器官建模，训练得到与每个面部器官对应的五官相关AAM模型；

步骤2，在面部区域初始定位时利用Haar特征人脸检测技术，确定上述每个AAM模型的搜索区域，并对其按照被搜索的概率进行分类；

步骤3，在AAM模型拟合计算部分，基于五官的遮挡权值对每个面部器官分别进行误差计算，然后通过能量函数综合评价模型与图像的拟合程度；

步骤4，使用遗传算法对已完成步骤3同时结合步骤2的分类进行AAM模型拟合过程的搜索优化。

在上述的一种基于五官相关AAM模型的面部特征定位方法，所述的步骤1中，基于样本图像集，分别对每个面部器官建模，训练得到五官相关AAM模型，包括以下步骤：

步骤1.1，选取人脸数据库，对图像中的人脸进行手工的特征点标记；

步骤1.2，基于步骤1.1所标记的特征点，对人脸进行基于Delaunay三角化的Delaunay三角划分，并按五官的不同，训练得到各自的形状模型；然后在五官对应的三角网格区域进行线性仿射，训练得到各自的纹理模型；融合形状模型和纹理模型最终得到AAM模型，五官分别为左眼睛和左眉毛、右眼睛和右眉毛、鼻子、嘴巴以及面部轮廓。

在上述的一种基于五官相关AAM模型的面部特征定位方法，所述步骤2中在面部区域初始定位时利用Haar特征人脸检测技术，确定AAM模型的搜索区域，并对其按照被搜索的概率进行分类，包括以下子步骤：