CN101593272B - 一种基于asm算法的人脸特征定位方法 - Google Patents

Abstract

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Ys的局部灰度模型采取匹配运算，对待定位人脸图像Ys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。

Description

一种基于ASM算法的人脸特征定位方法

技术领域

本发明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。

背景技术

在当今信息化时代，如何准确鉴定一个人的身份，保护信息安全是一个必须解决的关键社会问题。为此，生物特征鉴别技术悄然新起，并成为目前世界信息安全管理领域的前沿研究课题。生物特征鉴别技术是指利用人体所固有的生理特征或行为特征来进行个人身份鉴定。人脸识别技术是生物特征鉴别技术的一个分支，是计算机图像处理技术和模式识别技术在个人身份识别领域的应用，由于其终身不变性和图像来源不需要人特别配合等特性，近年来已经成为生物特征鉴别的热门发展方向。人脸自动识别技术，在居民小区、公司单位的门禁系统、银行、公安、机场、网络等方面应用广泛，具有巨大的经济价值和现实意义。现在它已经使用在边境检查、通观认证、银行提款、信息管理和建筑物安全管理等，还可以使人们摆脱记忆信用卡号、银行帐号、身份证号、网络登录号的繁琐。随着数字信号处理技术和图像处理技术的发展，人脸识别已经越来越受到人们的重视。详见文献：John G.Daugman，“HighConfidence Recognition of Persons，”The Proceeding of IEEE 35^th International CarnahanConference on Security Technology，pp.254-263，2000所述。

在人脸识别技术中，人脸图像的检测定位是人脸识别的第一步，它的执行准确度将直接影响整个人脸识别系统的识别率。在实际中，由于人脸区域常常受到头发，眼睛，胡子和一些饰物的遮挡和光照的影响，人脸定位算法的准确性和有效性还有待进一步提高。如何在存在头发，眼睛，胡子和一些饰物的遮挡和光照影响问题的低质量人脸图像中，快速精确地定位出人脸，并对其边界或位置用数学模型进行描述是我们研究的主要问题。详见文献：John G.Daugman，“High Confidence Visual Recognition of Persons by a Test of Statistical Independence，”IEEE Transaction on Pattern Analysis and Machine Intelligence，volume15，no.11，pp.1148-1161，1993。

现在通常使用的人脸定位的方法大致有以下三大类，应用最为广泛的是基于统计学的定位方法：主动形状模型(即active shape model，ASM)算法、主动外观模型(即active appearancemodel，AAM)算法等。

(1)基于肤色的彩色图定位方法。它通过肤色模型进行粗定位，寻找含有肤色的区域作为人脸的候选区，然后再在这些候选区利用人脸模板进行匹配或者利用圆检测定位眼睛从而定位出人脸区。在实际应用中此类方法对光照有一定的要求，光照改变的情况下定位结果 会出现不可预料的结果。详见文献：Rein-Lien Hau and Anil K.Jain.Face Detection in ColorImage[J].IEEE Trans.Pattern Analysis and Machine Intelligence，may 2002.和文献：M.H.Yang，N.A.huju.Detecting human faces in color images[J].In：Proceedings of International Conferenceon Imaging Processing，1998，1：127-130.

(2)基于变换域的定位方法。基于小波变换的人脸定位方法。它是通过一定的算子，提取出人脸图像中的不同频率的成分，从而搜索到人脸所在的位置。其缺点是在于背景细节的干扰，使得人脸定位结果不准确。详见文献：Jarmo Ilonen，Joni-Kristian Kamarainen.“ImageFeature Localization by Multiple Hypothesis Testing of Gabor Features”IEEE Transactions onimage processing，vol.17，no.3，March 2008。

基于统计学的定位方法。不管人脸的哪个构成的部分都有轮廓，这种方法通过对感兴趣的轮廓事先进行训练，后再进行搜索，做到了对定位的目标有针对性，从而能达到比较准确的效果。详见文献：Kwok-Wai Wan，Kin-Man Lam，Kit-Chong Ng.“An accurate active shapemodel for facial feature extraction”Pattern Recognition Letters 26(2005)2409-2423。

发明内容

本发明的任务是提供一种基于ASM算法的人脸检测定位方法，它具有在不同光照情况下定位准确的特点。

为了方便地描述本发明内容，首先对一些术语进行定义。

定义1：轮廓特征点。是指能够表征人脸形状和五官形状的外围轮廓上的离散点。

定义2：配准。由于训练样本中的不同图像的特征点是在各自的坐标下进行标定的，其绝对位置和图像尺寸存在差异，配准就是把两幅图像的通过某种变换到同一坐标系中，使差异达到某种程度的统一，各自的形状特点保持不变。

定义3：奇异值分解。m×n阶矩阵A可以写成A＝USV′的形式，U为m阶正交阵，V为n阶正交阵，S＝diag(σ₁，σ₂，...，σ_r)，σ_i＞0(i＝1，...，r)，r＝rank(A)，U和V中分别是A的奇异向量，而S是A的奇异值。奇异值分解和特征值问题是紧密联系的，AA′的正交单位特征向量组成U，特征值组成S′S，AA′的正交单位特征向量组成V，特征值(与AA′相同)组成S′S，奇异值分解提供了一些关于A的信息，例如非零奇异值的数目(S的阶数)和A的秩相同，一旦秩r确定，那么U的前r列构成了A的列向量空间的正交基。

本发明的技术方案如下：

一种基于ASM算法的人脸特征定位方法，如图1所示，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，如图2所示，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

， $\stackrel{\‾}{Y}=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{Y}_i;$

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 $g^{*}=g^{\′}/\underset{i=1}{\overset{2w}{\mathrm{\Σ}}}|g_{(i+1)}-g_i|;$ 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 ${\stackrel{\‾}{Y}}^{*}=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{G^{*}}_i.$

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  $E=\frac{1}{M-1}\underset{j=1}{\overset{M}{\mathrm{\Σ}}}(Y_j-\stackrel{\‾}{Y}){(Y_j-\stackrel{\‾}{Y})}^T$ 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 $\underset{i=1}{\overset{t}{\mathrm{\Σ}}}{\mathrm{\λ}}_i\≥\mathrm{\α}\underset{i=1}{\overset{2n}{\mathrm{\Σ}}}{\mathrm{\λ}}_i$ 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(如图4所示)，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.Y+dy≈Y+P(b+db)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(阈值Tg的取值范围可以是(0，0.001])，搜索完成，定位结束，得到待定位人脸图像Y_s的人脸模型

需要说明的是：

1.步骤2中对训练样本XA采用Procrustes Analysis方法进行配准时选用的基准向量X_k(1≤k≤M)为样本集XA中的任意一列。

2.步骤2-5中YA＝(Y₁，Y₂，...，Y_M)是原始的训练样本集XA经过Procrustes Analysis算法配准后在同一坐标系下的坐标数据。

3.步骤5中模型的搜索模型必须在待识别图像的搜索模型中进行移动搜索，才能找到最佳匹配，因此模型的灰度搜索模型维数l必须大于w。

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，通过Procrustes分析方法对坐标系、点模型分布不均和形状大小存在差异的图像进行配准，从而获得比较准确的姿态参数，能够达到使数据进行更精确变换的目的。利用Procrustes分析方法和ASM算法结合定位人脸是本发明的一个特色，与一般的人脸定位方法相比，本发明定位准确率要高的同时速度也在一定程度上有所提高，在人脸定位方面具有很强的通用性。

附图说明

图1是整体定位方法流程图。

图2是Procrustes Analysis算法流程图。

图3是灰度搜索模型示意图。

图4是搜索过程的示意图。

具体实施方式

采用本发明的方法，使用C语言进行程序的编写，然后在matlab的平台上进行仿真实验并得到结果。对imm_face_db人脸库中的240张拍摄好的、包括40个人在不同光照条件、不同表情和不同姿势的灰度人脸图像作为源数据，与传统的ASM算法结果的数据分析相比较，定位的准确率有较大的提高。

综上所述，本发明的方法充分利用人脸的特征信息，结合ASM算法的优势，从而实现快速准确地从所提供的人脸原始图像中检测定位人脸区域。

Claims (2)

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.固定样本集XA中的第k列向量X_k，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

$\stackrel{\‾}{Y}=\frac{1}{M}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}{Y}_i;$

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，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

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

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：M(s，θ)表示缩放、旋转操作，s为缩放因子，θ为旋转因子；T为代表平移操作的平移因子；P＝(p₁，p₂，...，p_t)，b＝(λ₁ λ₂...λ_t)，b由协方差矩阵

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

确定的最小值，权值系数α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，以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. $Y+\mathrm{dy}\≈\stackrel{\‾}{Y}+P(b+\mathrm{db})$ 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 ${\stackrel{\‾}{Y}}_s=\stackrel{\‾}{Y}+\mathrm{Pb}.$

2.根据权利要求1所述的基于ASM算法的人脸特征定位方法，其特征在于，步骤5-6中所述阈值Tg的取值范围是(0，0.001]。

Images