[发明专利]复杂背景下基于主动形状模型和POEM纹理模型的人脸特征定位方法

说明书

技术领域

本发明属于模式识别技术领域，涉及一种复杂背景下基于主动形状模型和POEM纹理模型的人脸特征定位方法。

背景技术

近年来，人脸识别因其具有采集设备简单，过程方便、快捷，效果直观而得到了大量学者的关注。它涉及到模式识别、图像处理、计算机视觉、生理学、心理学及认知学等诸多学科的知识，并与基于其他生物特征的身份鉴别方法以及计算机人机感知交互的研究领域都有密切联系。人脸识别过程一般分为人脸检测、特征定位与提取和分类识别三个步骤。其中，人脸特征定位是整个人脸识别方法的基础，其定位的精度直接影响着人脸识别的结果。随着研究的深入，人脸特征定位方法也被运用到人脸重建、表情识别、人类心理状态分析以及驾驶员疲劳状态分析中，因此具有非常重要的研究意义。

然而，人脸特征定位也面临着许多挑战，例如姿态变化带来的视点变化、光照变化对像素值引起的复杂非线性变化、表情变化产生的大幅度形变等因素均会对人脸特征定位结果有所影响。

目前，基于模型的方法是主流的人脸特征定位方法之一，其中，由Cootes等人提出的主动形状模型(Active shape model,ASM)因其具有较快的定位速度以及较好的定位精确性，备受关注。ASM是一种基于统计学模型的灰度和形状可分离的可变形模型，其核心算法可分为全局形状和局部纹理两个子模型。然而，当人脸有姿态、表情或光照变化时，ASM的定位精度将会受到影响，主要体现在三个方面：1)受搜索的初始形状影响较大，当初始形状与目标形状相差甚远时，将会得到错误的目标形状；2)用灰度信息来表示局部纹理特征，仅用特征点法线上的灰度信息来表示该点的纹理信息，忽略了其他方法的信息，对光照、噪声等抗噪性较弱差；3)容易受到噪声和局部形变的影响，当人脸有姿态、表情变化时，容易陷入局部最小的情况。

POEM(Patterns of Oriented Edge Magnituedes)是Vu等人提出的一种稳健、快速的局部纹理算子，它是基于像素点梯度大小及方向的纹理方法，它不仅能够提取特征点周围不同方向的纹理信息，同时它能依靠改变需计算的矩形块大小来提取多分辨率下的纹理信息，因此，它更能够有效地应对遮挡、光照、姿态等变化对人脸特征定位的干扰。

发明内容

有鉴于此，本发明的目的在于提供一种复杂背景下基于主动形状模型和POEM纹理模型的人脸特征定位方法，该方法通过模型选择因子自动选择最符合待定位人脸的全局模型，并优化初始形状，然后加入了包含有方向信息的POEM局部纹理算子，并针对定位效果相对较差的局部器官或轮廓进行了二次定位，从而使得人脸在复杂情况(例如有姿态、表情、光照变化)下也能进行精确定位。

为达到上述目的，本发明提供如下技术方案：

一种复杂背景下基于主动形状模型和POEM纹理模型的人脸特征定位方法，包括以下步骤：

1)以待测人脸图像作为测试集，选取部分已知人脸库作为训练集，对训练集进行手工标定人脸特征点；

2)在步骤1)中标定特征点的基础上，根据不同的人脸姿态，分别将标准化后的训练数据进行统计，得到全局左偏形状、全局正面形状以及全局右偏形状三种模型；全局形状模型公式为：S≈S₀+Pb，其中S即为得到的人脸形状，S₀为人脸的初始形状，P为利用PCA降维时得到的特征向量，b为形状参数，Pb共同决定了平均形状可能的变化；

3)在步骤2)中标定特征点的基础上，计算在所有样本中，每个特征点的POEM纹理直方图的平均值其中w表示特征点块的大小为w*w的正方形块，L代表POEM编码过程中圆的直径，n代表编码过程中特征点块的个数；

4)在定位阶段，通过计算待测人脸的形状模型选择因子d，自动选择合适的形状模型，得到每个特征点的初始位置，并构成初始人脸形状；

5)在步骤4)的基础上，计算测试样本中每个特征点附近候选点在各方向上的POEM纹理直方图

6)通过马氏距离计算每个特征点候选点与目标点的相似度；其中马氏距离公式为S_q为协方差矩阵的逆；马氏距离越小，相似度越大；

7)将初始人脸加载到模型中进行迭代搜索匹配，将全局形状与每个特征点的最佳位置进行综合考虑，得到第一次人脸特征定位结果；