[发明专利]一种基于ASM算法的人脸特征定位方法

摘要

一种基于ASM算法的人脸特征定位方法，属于图像处理技术领域，主要涉及生物特征鉴别中的人脸识别技术。本发明首先对一组人脸样本图片进行手工标定提取特征点，然后采用Procrustes Analysis算法对样本集进行配准，得到平均人脸模型；然后采用对三种分辨率下的图片进行轮廓搜索的策略，建立统计灰度搜索模型；最后对统计灰度搜索模型和待定位人脸图像Y_s的局部灰度模型采取匹配运算，对待定位人脸图像Y_s进行循环迭代式搜索定位。本发明采用ASM算法和Procrustes分析方法相结合的方法，可以有效地提高人脸定位速度和精度，具有很强的通用性。

主权项

1、一种基于ASM算法的人脸特征定位方法，包含下列步骤：步骤1.选取人脸库中的M张图片作为样本集并对其进行特征点的标定；对人脸库中的每张样本图片的主要器官的轮廓进行n个特征点的手工标定，则一张样本图片由n个特征点的坐标值X＝(x₁，...，x_n，y₁，...，y_n)^T表示；M张图片的样本集表示成XA＝(X₁，X₂，...，X_M)；步骤2.采用Procrustes Analysis算法对样本集XA进行配准，具体包括；步骤2-1.选取样本集XA中的第k列向量X_k为基准，计算第k列向量X_k和第m列向量X_m的平均值c_k和c_m，其中1≤k≤M，m≠k且1≤m≤M；步骤2-2.计算矩阵B＝(X_m-I·c_m)(X_k-I·c_k)^T，其中I为一个和X具有相同维数的单位向量；并对矩阵B进行奇异值分解，得到B＝USV^T，其中U为2n阶正交矩阵，V为2n阶正交矩阵，S是矩阵B的奇异值；步骤2-3.构造旋转矩阵R＝UV^T，位移矩阵T＝I·c_k-R·c_m；步骤2-4.X_m经过以X_k为基准进行配准后，得到的向量Y_m＝R·X_m+T；步骤2-5.对XA中的每一列不同于X_k的向量做步骤2-2至步骤2-4的变换，得到与XA同样大小的新的样本集YA＝(Y₁，Y₂，...，Y_M)，其中Y_k＝X_k；步骤3.计算平均人脸模型，Y‾=1MΣi=1MYi;]]>步骤4.采用对三种分辨率下的图片进行轮廓搜索的策略，建立统计灰度搜索模型(图3所示)，具体方法如下：针对人脸库中的每张样本图片的每一个特征点，以该特征点的坐标为中心，取其法线方向两侧各w个像素点的灰度值按顺序组成向量g＝(g₁，g₂，...，g_(2w+1))^T；然后求出向量g＝(g₁，g₂，...，g_(2w+1))^T的一阶差分向量g′＝(g₂-g₁，g₃-g₂，...，g_(2w+1)-g_2w)；其次构建该特征点的灰度搜索模型g*=g′/Σi=12w|g(i+1)-gi|;]]>接着构建该人脸样本图片的搜索模型G^*＝(g^*₁，g^*₂，...，g^*_n)；最后构建人脸库中整个人脸样本图片集的统计灰度搜索模型Y‾*=1MΣi=1MG*i;]]>步骤5.对待定位人脸图像Y_s进行搜索定位，包括以下具体步骤；步骤5-1.搜索的初始位置为，其中为待定位人脸图像Y_s的人脸模型，其中P＝(p₁，p₂，...，p_t)，b＝(λ₁ λ₂...λ_t)，b由协方差矩阵E=1M-1Σj=1M(Yj-Y‾)(Yj-Y‾)T]]>的t个最大的特征值从大到小的顺序排列而成，P由b中特征值对应的正交特征向量构成，t的取值为不等式Σi=1tλi≥αΣi=12nλi]]>确定的最小值，权值系数α通常取0.98或0.95，b向量初始元素值为0；步骤5-2.根据待定位人脸图像Y_s的人脸模型在待定位人脸图像Y_s中提取n个特征点，为每个特征点坐标为中心，取其法线方向两侧各l个像素点的灰度值，根据步骤4的方法计算得到本次搜索的局部灰度模型，其中l＞w；步骤5-3.匹配统计灰度搜索模型和局部灰度模型以确定n个特征点的移动方向dY，移动方向dY确定后，姿态参数控制的等式(y+dY)＝M(1+ds，dθ)[y]+dT成立；步骤5-4.位置参数dy由等式M(s(1+ds)，θ+dθ)[Y+dy]+T+dT＝y+dY确定，等式变换得到dy＝M((s(1+ds))^-1，-(θ+dθ))[M(s，θ)[Y]+dY-dT]-y；步骤5-5.成立，更新形状参数db＝P^-1·dy；步骤5-6.循环5-1到5-5，直至本次循环与上次循环结果的n个特征点的坐标值之和的差异值占本次循环结果的比例小于阈值Tg时，搜索完成，定位结束，得到待定位人脸图像Y_s的人脸模型。