万方数据
１４１２计算机辅助设计与图形学学报２００７正
本文针对ＡＳＭ的缺点进行了改进：根据瞳孔的精确定位，计算出平均模型进行仿射变换所需要的相关参数值，对平均模型进行几何变换来估计初始形状；在形状模型中，采用基于成分和整体相结合的优化办法，分别对不同的人脸特征区域成分（轮廓、眉毛、眼睛、嘴巴、鼻子等）建立统计形状模型．对特征点定位结果先采用基于成分的形状模型单独优化，并加人人脸面部相似性构形机制对定位结果进行约束，将不同的人脸特征区域结合为整体进行优化，充分保证定位结果的合理性；特征点局部的纹理特征采用Ｌｏｇ—Ｇａｂｏｒ小波系数进行描述，并建立局部纹理模型．由于小波本身是带通滤波器，可去掉低频的光照和高频的噪声，提高算法的鲁棒性． １ＡＳＭ
ＡＳＭ可表示”１为
ｘ＝贾＋Ｐｂ，ｂ＝Ｐ１（Ｘ一贾）（１）其中，向量ｂ即是模型参数，Ｐ是整脸模型的特征子空间基，ｘ表示目标形状，ＡＳＭ由两部分组成：式（１）表示形状子空间模型；另一部分是利用模型的搜索过程．ＡＳＭ的搜索过程分为计算新位置、计算形状和姿态参数以及参数更新３步，将模型参数
在其方差范围内随机变化可以得到各种虚拟的人脸，从而发现该模型能很好地反映出各种人脸的变化：从几何形状的变化到各种表情的变化，甚至还可以出现一定的面部旋转的变化．ＡＳＭ局部模型是以特征点为中心的一个局部窗口或轮廓法线方向的纹理采样向量｝ｇｌ进行统计分析得出的．假定其服从多变量高斯分布，则可以利用马氏距离来衡量特征点符合模型的准确性，即
ｆ（ｇ）＝（ｇ—ｆ）１≠；１（ｇ—ｆ）．立体交叉桥
设当前给定得图像为ｆ，任务是从图像中通过迭代和参数更新出目标形状ｘ． 在ＡＳＭ搜索过程中，平均模型的初始化很重要，好的初始化较少出现局部最优的定位结果．在一幅人脸图像中，因为瞳孔的灰度值较低，所以成为最容易精确定位的部分．本文采用和文献［５］类似的方法来取得人脸虹膜的准确定位：根据人脸几何特征先验知识，建立人眼位置的判断标准，对分割阔值范围进行粗略估计；然后采用分割阈值递增的方法，并结合判断标准判断人眼的大致位置；最后利用二维相关系数作为对称性测度来准确检测出虹膜位置．该方法在复杂背景、光照均匀，或是正面人脸以
一定角度仰视、俯视或偏转一定角度条件下，都能取得很好的虹膜定位结果，可以用来为ＡＳＭ在搜索前进行较准确的初始化．令平均模型中左右瞳孔的坐标分别为（ｚ：，Ｙ：）和（ｚ；，Ｙ；），同时对待搜索的图像也进行瞳孔定位，得到左右瞳孔的坐标为（ｚ。，，】）和（ｚ２，Ｙ２），由
０：ａｒｃｔａｎ丝二盟．
Ｘ２一Ｚ１
￣／（ｙ２一ｙＩ）２＋（上２一工１）２
以五＝币巧Ｔｉ可
电源转换电路可以计算出平均模型初始化时进行的旋转角度。和缩放因子ｓ［“．取左眼为参考点，计算模型中左眼中心位置和待搜索人脸图像左眼的中心位置的距离得到平移向量ｆ＝（ｔ…ｔ）７，由
阱…协扛
朦￥ｃｏｓ。０一剖…。ｔｘ］
可得到初始形状Ｊｏｏ引．其中，（工？，Ｙ？）为ｓｏ的第ｉ个标定点，（ｉ。，正）为平均模型豆的第ｉ个标定点．２Ｌｏｇ・Ｇａｂｏｒ滤波器
Ｌｏｇ—Ｇａｂｏｒ小波是由生物学家Ｆｉｅｌｄ在１９８７年提出的，它在对数频率尺度上的传递函数为高斯函数，与Ｇａｂｏｒ小波相比更能反映自然图像的频率响应，其函数表达－６ｏ为
Ｇ（山）＝ｅｘｐ（（一ｌｏｇ（珊／御ｏ）２／（２（１０９（正／甜ｏ）２）．
其中ｍ。为滤波器的中心频率．为了保证滤波器形状恒定，对于不同的中心频率ｍ。，＾／叫。必须保持不变．用Ｌｏｇ—Ｇａｂｏｒ函数作为小渡基构造Ｌｏｇ—Ｇａｂｏｒ小波，本文实验中综合使用了小波的奇对称部分和偶对称部分．图１，２所示为原始图像（灰度）及其与Ｌｏｇ—Ｇａｂｏｒ滤波器卷积之后的结果（相位部分）．由图２
图１原始图像
万方数据
折叠水杯１１期
范玉华等：ＡＳＭ及其改进的人脸面部特征定位算法
可以看出，不同尺度和方向上图像的纹理信息，表明只需４个尺度、６个方向、１倍频的滤波器组对图像进行采样，就可以保证原始图像信息被有效保留，得到图像的纹理特征，特征点局部纹理采用Ｌｏｇ．
３人脸面部器官结构关系统计
Ｇａｂｏｒ小波系数进行描述，并根据传统ＡＳＭ算法中特征点局部灰度模型的建模方法为每个特征点建立纹理模型，在算法搜索阶段用来寻特征点的目标
位置．日志存储
图２经Ｌｏｇ—Ｇａｂｏｒ小渡变换后的图像
尽管不同人的人脸构形不同，但是可以合理地假设这种构形满足正态分布，这些知识可以为人脸面部的特征定位提供有力的支持。７Ｊ．中国科学院计算技术研究所山世光等用手工测量的方法对人脸面部主要器官的位置关系进行了统计，参与统计的人脸样本数目为１００人，统计结果如表１所示．由表１可知，不同个体的面部构形具有较大的相似性，可以用来指导面部特征区域的粗略定位．本文实验中我们用这种相似性构形机制在特征点局部搜索定位、面部各区域特征形状模型约束结果的基础上，粗略地判断左右眼睛、鼻子、嘴巴的相对位置定位的合理性，尽量避免在图像质量较差的情况下出现病态的定位结果．
表１面部特征结构关幕
ＡＳＭ的整体性，对于一些质量较差的图像，采用整
体模型方法的定位结果往往不尽人意．我们利用瞳孔精确定位的结果对平均模型进行精确的初始化，使得模型尽可能地逼近待搜索的人脸图像，同时在为ＡＳＭ建立平均模型时分别对人脸面部显著特征区域建立形状模型和特征子空间．
４．１训练阶段
４．１．１建立形状模型挤压铸造
１）获得训练数据．取１２０幅人脸图像作为训练集，每幅图像手工标定５８个特征点，用来描述人脸各个显著特征区域（轮廓、眉毛、眼睛、鼻子、嘴巴等）的形状轮廓．将特征点的坐标保存为向量的形式，即可得到１２０个训练数据，其中每个数据都是１１６×１的列向量．图３所示为标定５８个特征点的人脸，
４改进的ＡＳＭ算法
图３标定５８个特征点的人脸
虽然很多学者对ＡＳＭ在特征扩展和收敛效率２）主分量分析．训练集图像形状校准后，将得方面做了改进，但在训练和搜索过程中ＡＳＭ仍然到的训练数据通过主分量分析得到整脸形状模型的对平均模型的初始化位置依赖性很强，且只利用了
特征子空间，对于任意的人脸形状ｘ都可以将其
万方数据
万方数据
内孔撑圆涨紧夹具
万方数据
