基于條件外觀模型的人臉特征點自動標定方法技術

本發明專利技術公開了一種基于條件外觀模型的人臉特征自動標定方法，屬計算機視覺領域。該方法的實現過程為：假設正面人臉標定已知，首先建立正臉與側臉的離散特征點對應，通過回歸算法獲得的離散特征點與結構化標定點之間的映射關系，獲得側面人臉的初始化標定結果。然后，建立側臉標定點與正臉標定點之間的條件模型，并根據反向合成算法，對模型參數的不斷迭代優化，得到最終標定結果。本發明專利技術通過核嶺回歸建立離散特征點與結構化標定點的空間映射以獲取人臉特征的初始標定，降低后續迭代次數，提高標定精度。設計條件外觀模型及其反向合成迭代算法，避免對外觀變形的搜索，提高搜索效率。與傳統主動外觀模型的比較，本發明專利技術的標定方法標定結果更為準確。

【技術實現步驟摘要】

本專利技術屬于圖像分析
，具體地說，屬于一種。
技術介紹
在計算機視覺研究領域，對目標物體進行定位與描述是一個備受關注的研究課題，從圖像中找到感興趣的目標區域并借助計算機進行解釋是計算機視覺研究中的一個基本問題，也是將計算機視覺技術應用于工業檢測、目標識別和圖像處理等領域中一個必不可少的重要步驟。這一技術已得到眾多研究工作者的注意。對于人臉圖像，雖然人類可以從一幅入臉圖像中輕松地辨別出面部特征點的準確位置，但是對于計算機而言卻并非一件易事。人臉特征點的定位是人臉識別系統中的一項關鍵技術，對一個自動人臉識別系統來說，面部特征點定位的精確度和魯棒性十分重要，而且精確快速的特征點定位跟蹤在三維人臉的重建，姿態估計以及視點跟蹤等方面也有著重要的應用。利用主動外觀模型(Active Appearance Model7AAM)方法進行人臉特征點進行定位是近年來關注和研究的熱點，它于1998年由Edwards等人首次提出的，并在人臉和其他非剛體的配準與識別中得到了廣泛的應用。AAM算法是對主動形狀模型方法(Active Shape Model, ASM)的一種改進，與ASM相比，它考慮了全局信息的約束，采用形狀和紋理融合的統計約束，即統計表觀約束。并且，AAM的搜索原理借鑒了基于合成的分析技術(analysis-by-synthesis, ABS)的主要思想，通過對模型中參數的不斷調整而使模型逐漸逼近實際的輸入模型。在AAM方法的應用中，一般是采用統計分析的方法，對一組手工完成標定的人臉圖像進行訓練，得到人臉的形狀及其外觀模型，并通過不斷的改變形狀和外觀參數使生成的虛擬人臉圖像與輸入圖像之間的差值在均方意義上達到最小，從而達到人臉的精確定位。AAM的配準算法假定誤差圖像與模型參數的增量之間是滿足一種簡單的線性關系，這個線性關系可以通過回歸的方法或是其他的數值方法計算得到，但是實際上這種假設并不準確，Baker等人在文獻中舉出了反例，而且利用這種差值線性不斷更新模型參數的過程中，每次迭代都將產生新的紋理，使算法計算速度大大降低。因此，針對這些缺點，Baker等人又在Lucas-Kanade算法的基礎上提出了 AAM反向合成匹配算法(InverseCompositional AAM)，該算法不再使用AAM中假設的簡單線性關系，不是進行簡單的數學估計，而是遵循嚴格的數學推導，采用的參數更新方法也在原有的簡單疊加的基礎上使用了新的更新策略，因此，算法具有了更高的計算精度和效率。此外，AAM算法的擬合效率與模型初始位置的給定有著密切的關系，而手動進行訓練圖片的特征點標定不但效率低，而且準確率也并不理想，因此初始特征點的給定也是影響算法魯棒性和速度的關鍵因素，能夠自動進行人臉特征點的自動準確標定可以使算法的效率及精確度大大提高。
技術實現思路
本專利技術的目的在于針對現有基于外觀模型進行人臉特征點自動標定方法的不足，提出了一種條件型主動外觀模型及其相應的反向合成匹配算法。算法假設已知正面人臉的關鍵特征點，將原始的AAM反向合成匹配算法形狀模型與基本形狀的對應關系，演變為任意姿態人臉關鍵特征點與正面人臉的關鍵特征點之間的對應關系，通過建立形狀模型，并根據反向合成擬合算法，對模型參數不斷迭代優化，最后得到精確的任意姿態人臉特征點。算法中初始的人臉標定點由核嶺回歸算法(Kernel Ridge Regression,KRR)學習得至IJ，KRR算法的核心在于建立離散特征點對應與結構化標定點之間的映射關系，其中，離散對應關系是通過任意姿態人臉與正面人臉的圖像特征匹配得到。本專利技術所解決的技術方案是假設某個體正面人臉已經標定的條件下，首先建立正面人臉與側面人臉之間的離散特征點對應，通過回歸算法獲得的離散特征點與結構化標 定點之間的映射關系，獲得側面人臉的初始化標定結果。然后，建立側面人臉關鍵特征點與正面人臉關鍵特征點之間的對應關系，建立條件型形狀模型，并根據反向合成擬合算法，通過對模型參數的不斷迭代優化，得到最終的標定結果。本專利技術技術方案的具體實現步驟如下I.在圖像庫中選取一系列正面及其側面人臉圖像，訓練建立離散特征點與標定結構點之間空間位置的函數映射關系/::2.提取正面人臉及其側面人臉圖像的SIFT特征，利用基于均衡化概率模型的特征匹配方法進行匹配，得到匹配對；3.根據步驟⑴中得到的KRR參數以及步驟⑵中得到的匹配點k，建立測試階段尚散特征點空間位置矢量Νχ, Jk作為輸入送入f函數，輸出與之相對應的聞分辨率系數Nyj.k，即得到側面人臉的自動標定點；4.將步驟(3)中得到的側面人臉標定點作為算法的初始信息，進行假設正面入臉關鍵特征點已知情況下的側面人臉標定，建立條件式形狀模型，即建立起側 / I臉形狀數據Sf與正臉形狀數據Sp之間的映射關系，其中Pi為形狀參數，η個形狀向量Si是主成分分析得到的η個最大特征值所對應的向量；5.根據反向合成擬合算法，對步驟(4)中的模型參數不斷迭代優化，最后得到精確的側面人臉特征點，完成側面人臉特征點的自動標定。上述的基于條件外觀模型的人臉特征點自動標注方法中，步驟I中的具體實現過程如下(I)在正面人臉與側面人臉間通過建立均衡化概率模型的匹配方法得到散亂的匹配點；(2)根據散亂匹配點，從正面和側面人臉圖像中獲取KRR訓練數據 Wv，其中 M = 38，N = 2，i = 1，2，…，I ;1 為訓練樣本個數；(3)根據訓練庫中的人臉標定數據=，計算核函數矩陣K，其中權利要求1.一種，其特征在于假設已知正面人臉的關鍵特征點，提出了一種條件型主動外觀模型(Conditional Active AppearanceModel, CAAM)，將原始的AAM反向合成匹配算法形狀模型與基本形狀的對應關系，演變為任意姿態人臉關鍵特征點與正面人臉的關鍵特征點之間的對應關系，通過建立形狀模型，并根據反向合成擬合算法，對模型參數不斷迭代優化，最后得到精確的任意姿態人臉特征點。算法中初始的人臉標定點由核嶺回歸算法(Kernel Ridge Regression, KRR)學習得到，其具體實現步驟如下 (1)在圖像庫中選取一系列正面及其側面人臉圖像，訓練建立離散特征點與標定結構點之間空間位置的函數映射關系2.根據權利要求I所述的基于條件外觀模型的人臉特征點自動標注方法，其中步驟I按如下進行 (1)在正面人臉與側面人臉間通過建立均衡化概率模型的匹配方法得到散亂的匹配占. (2)限據散亂匹配點，從正面和側面人臉圖像中獲取KRR訓練數據3.根據權利要求I所述的基于條件外觀模型的人臉特征點自動標注方法，其中步驟2及步驟I中的子步驟(I)按如下進行(1)提取圖像的SIFT特征，并利用最近鄰方法初步確定對應關系；(2)求解鄰接矩陣W，它反映了候選匹配對In=(xn, xn,)和Im = (xffl, xffl,)之間的幾何仿射關系，其n行m列元素為4.根據權利要求I所述的基于條件外觀模型的人臉特征點自動標注方法，步驟5中的 具體實現過程如下前期計算(3)計算正面人臉的梯度圖像W。；(4)估計5.根據權利要求I所述的基于條件外觀模型的人臉特征點自動標注方法，步驟I中的 分步驟(2)按如下進行(I)設P為正臉中的當前標定點本文檔來自技高網...

【技術保護點】

【技術特征摘要】

【專利技術屬性】
技術研發人員：陳瑩，艾春璐，化春鍵，張龍媛，
申請(專利權)人：江南大學，
類型：發明
國別省市：