基于局部二值模式lbp紋理提取人臉特征點(diǎn)的主動(dòng)外觀模型aam算法

基于局部二值模式lbp紋理提取人臉特征點(diǎn)的主動(dòng)外觀模型aam算法

由于其友好、直接、方便，人臉識(shí)別具有廣泛的應(yīng)用前景，已成為生物識(shí)別技術(shù)的研究熱點(diǎn)。在人臉識(shí)別領(lǐng)域，有許多基于analyzer算法的資源定位方法。這是近年來(lái)國(guó)內(nèi)外科學(xué)家關(guān)注和研究的焦點(diǎn)。與傳統(tǒng)的基于皮膚、模型和gaor指數(shù)的方法相比，這具有更高的效率和更快的相關(guān)性。缺陷的克隆是一個(gè)非線性優(yōu)化問(wèn)題，很難快速有效地求解。去年，大學(xué)的瓦金等人提出了一種反演組合算法，早期計(jì)算hessian矩陣和梯度，減少重復(fù)，顯著提高了匹配算法的速度?；诜聪蚪M合，毛月寧等人提出了一種基于多個(gè)模型的apmm識(shí)別方法。該算法有效地解決了appm方法在平面上盲目調(diào)整的面部時(shí)陷入局部?jī)?yōu)化，無(wú)法正確識(shí)別的缺點(diǎn)。然而，在尋找特定的apm模型時(shí)，需要使用不同的apm模型來(lái)搜索不同的屬性，這會(huì)影響匹配效率。文中在傳統(tǒng)的反向AAM方法基礎(chǔ)上提出了基于LBP的改進(jìn)的AAM算(L-AAM).首先從測(cè)試圖片中檢測(cè)出人臉區(qū)域,對(duì)人臉區(qū)域進(jìn)行大小設(shè)置后將其平均分割為4部分;然后對(duì)每一部分進(jìn)行局部二值模式法處理,判斷人臉的旋轉(zhuǎn)方向,選擇合適的人臉模型去擬合.實(shí)驗(yàn)結(jié)果表明LBP方法在判定人臉旋轉(zhuǎn)類型上具有快速準(zhǔn)確的優(yōu)點(diǎn),擬合效果相比傳統(tǒng)反向組合AAM算法,在準(zhǔn)確率和速度上都有明顯改善.1獨(dú)立外觀模型的am算法1.1模型aam1.1.1兩組形狀模型獨(dú)立AAM的形狀模型是由一組圖像上的三角網(wǎng)格和這些三角網(wǎng)格的頂點(diǎn)集s構(gòu)成,通常s記為坐標(biāo)點(diǎn)的集合的形式:s=(x1,y1,x2,y2,?,xv,yv)Τ.(1)AAM中的形狀模型,如圖1所示.通過(guò)訓(xùn)練這樣的一組給定頂點(diǎn)集得到,對(duì)數(shù)據(jù)進(jìn)行對(duì)齊,統(tǒng)計(jì)處理,PCA等做法,最終能得到一組形狀模型:s=s0+n∑i=1pisi.(2)式中:s0為平均形狀,si為正交基地,pi為一組形狀參數(shù).1.1.2紋理模型建立紋理模型是建立在基本網(wǎng)格S0上的,如圖2所示.同樣對(duì)這些數(shù)據(jù)進(jìn)行統(tǒng)計(jì)處理并采用主成成分分析,可以得到一組紋理模型,其矩陣表達(dá)為A(x)=A0(x)+m∑i=1λiAi(x).(3)式中:A0(x)為平均紋理,Ai(x)為一組正交基地,λi為一組紋理參數(shù).1.2aam匹配方程AAM匹配的過(guò)程就是利用AAM去定位特征點(diǎn)的過(guò)程,根據(jù)未知圖像與模板圖像的差值不斷調(diào)整AAM模型的參數(shù),最終使差值達(dá)到最小.把求圖像之間的紋理差放在基本網(wǎng)格S0的框架下進(jìn)行,并記I(W(s·p))為在圖像I(x)處的采樣.因此可建立AAM的匹配方程∑x∈S0[A0(x)+m∑i=1λiAi(x)-Ι(W(x;p))]2.(4)2旋轉(zhuǎn)角度確認(rèn)匹配結(jié)果AAM匹配中,模型的初始位置會(huì)影響匹配的速度以及結(jié)果的準(zhǔn)確性,當(dāng)測(cè)試人臉有一定旋轉(zhuǎn)角度時(shí),利用正面模型實(shí)例匹配結(jié)果往往不夠理想.所以如果在匹配之前能夠預(yù)測(cè)測(cè)試人臉的轉(zhuǎn)向并根據(jù)旋轉(zhuǎn)方向選擇合理的模型實(shí)例,可以提高AAM匹配的魯棒性.2.1局部像素轉(zhuǎn)換局部二值模式LBP可以有效地描述圖像的紋理特征,已被廣泛應(yīng)用于人臉識(shí)別.圖3為一個(gè)基本的LBP原理.在一幅圖像中,對(duì)于每一個(gè)像素點(diǎn),都有8個(gè)相鄰像素.LBP比較中心像素值與其相鄰像素值的大小,如果中心像素值小于相鄰像素值,將這個(gè)相鄰像素值設(shè)為1,相反設(shè)為0.這樣就可以得到一組二進(jìn)制數(shù),將這個(gè)二進(jìn)制數(shù)轉(zhuǎn)換為十進(jìn)制數(shù),并用此十進(jìn)制數(shù)替換原來(lái)的中心像素值.LBP對(duì)1幅圖像中的每一個(gè)像素進(jìn)行值替換,最后便可以得到1個(gè)可以描述圖像紋理特征的人臉直方圖,直方圖描述了一幅圖像中像素值出現(xiàn)的頻率.2.2人臉系統(tǒng)lbp處理對(duì)一幅人臉圖片進(jìn)行LBP處理前,首先檢測(cè)人臉圖片中人臉區(qū)域,并將檢測(cè)到的人臉區(qū)域設(shè)置為100×100像素大小.然后將人臉平均分割為4部分,分別對(duì)其進(jìn)行LBP處理,得到相應(yīng)的4個(gè)直方圖.將這個(gè)4個(gè)人臉直方圖連接得到了可以表示人臉灰度特征的直方圖.具體過(guò)程如圖4所示.2.3轉(zhuǎn)人臉圖像的特征首先建立3組不同轉(zhuǎn)向(正面,左轉(zhuǎn),右轉(zhuǎn))人臉.每組包含10張相同轉(zhuǎn)向人臉圖片.對(duì)每一個(gè)人臉進(jìn)行LBP處理,得到相應(yīng)的直方圖,并計(jì)算每個(gè)人臉組的平均直方圖.這樣就可以得到3個(gè)人臉平均直方圖,分別代表正面人臉,左轉(zhuǎn)人臉及右轉(zhuǎn)人臉的灰度特征,如圖5所示.2.4直方圖旋轉(zhuǎn)角度測(cè)試通過(guò)計(jì)算測(cè)試人臉的直方圖與前面得到的平均直方圖之間的距離判斷所測(cè)試人臉的旋轉(zhuǎn)類型.直方圖之間的距離計(jì)算可表示為X2ω(x,ξ)=∑j,iωj(xi,j-ξi,j)2xi,j+ξi,j.(5)式中:x為測(cè)試圖片的直方圖矩陣元素,ξ為平均直方圖矩陣元素,wj為權(quán)重(文中將權(quán)重設(shè)為1).比較測(cè)試圖片與平均人臉直方圖的3個(gè)距離大小,最小距離表明測(cè)試圖片與這個(gè)人臉直方圖所對(duì)應(yīng)的人臉具有相同的旋轉(zhuǎn)方向,具體過(guò)程如圖6所示.3人臉模型訓(xùn)練應(yīng)用IIM人臉數(shù)據(jù)庫(kù)作為訓(xùn)練集建立人臉模型.此人臉數(shù)據(jù)庫(kù)包含了40個(gè)人(7位女性,33位男性)的240幅人臉圖片.利用FaceFit軟件對(duì)其中的20個(gè)人臉手動(dòng)進(jìn)行特征點(diǎn)提取,作為人臉模型訓(xùn)練庫(kù),其余作為測(cè)試圖片.FaceFit軟件是由日本東京電氣通信大學(xué)金子實(shí)驗(yàn)室提供的人臉特征點(diǎn)提取軟件,該軟件將人臉特征點(diǎn)分成6組,分別代表眼睛、眼球、眉毛、鼻子、嘴及人臉輪廓,共175個(gè)特征點(diǎn).手工標(biāo)定特征點(diǎn)后,將所有人臉圖片分為3組,即正面人臉組,左旋轉(zhuǎn)人臉組和右旋轉(zhuǎn)人臉組,分別利用這3組人臉圖片進(jìn)行模型實(shí)例建立.可以得到3個(gè)不同轉(zhuǎn)向的人臉模型,如圖7所示.4形狀模型和紋理模型的融合應(yīng)用LBP對(duì)人臉?lè)诸愐院?選擇合理的人臉模型進(jìn)行匹配.AAM匹配中,文中選擇向后合成AAM算法(ICAAM),該算法是由CamegieMellon大學(xué)的研究人員最早提出的,近年來(lái)又有了進(jìn)一步的發(fā)展.與傳統(tǒng)的AAM算法相比,其計(jì)算速度快,更能滿足實(shí)時(shí)的要求,且精度有了進(jìn)一步的提高.ICAAM在處理形狀模型和紋理模型時(shí)沒(méi)有將兩者混合,而是保持相互獨(dú)立.在圖像匹配時(shí),ICAAM通過(guò)在分片映射的框架下,將形狀模型和紋理模型融合在AAM匹配計(jì)算過(guò)程中.首先對(duì)測(cè)試圖片做LBP處理,判斷圖片旋轉(zhuǎn)類型,圖8中測(cè)試圖片為正面人臉,所以選擇正面人臉模型實(shí)例.圖9為AAM匹配過(guò)程.經(jīng)過(guò)若干次迭代(測(cè)試圖片不同,迭代次數(shù)有所不同,此正面人臉的迭代次數(shù)為12)匹配后,模型與測(cè)試人臉達(dá)到最小差,迭代結(jié)束,最后提取出人臉特征點(diǎn).圖10為本方法對(duì)人臉圖片處理后提取出特征點(diǎn)的結(jié)果.結(jié)果準(zhǔn)確度的計(jì)算實(shí)際是比較AAM擬合所得的特征點(diǎn)與手動(dòng)標(biāo)定的特征點(diǎn)的誤差.文中設(shè)定誤差范圍在15像素以內(nèi)認(rèn)定擬合較為準(zhǔn)確.通過(guò)比較文中與傳統(tǒng)方法的匹配精度與時(shí)間,結(jié)果如表1所示.可以發(fā)現(xiàn)與多模板AAM算法相比,文中提出的L-AAM算法精度提高了12.5%,同時(shí)效率也提高了4%.傳統(tǒng)AAM方法相比,算法精度提高了27%,效率提高了9%.5旋轉(zhuǎn)角度測(cè)試人臉模型時(shí),實(shí)驗(yàn)效果差,效果惡傳統(tǒng)的AAM算法沒(méi)有考慮模型的初始位置與測(cè)試人臉轉(zhuǎn)向問(wèn)題.在測(cè)試人臉有一定旋轉(zhuǎn)時(shí),由于初始擬合位置不夠理想會(huì)造成迭代次數(shù)增加以及匹配精度嚴(yán)重下降問(wèn)題.文中建立了3種轉(zhuǎn)向的人臉模型實(shí)例,首先利用LBP方法預(yù)測(cè)測(cè)試人臉的幾何轉(zhuǎn)向位置,根據(jù)不同的轉(zhuǎn)向選擇合理的人臉模