CN103136513A - 一种改进的asm人脸特征点定位方法 - Google Patents

一种改进的asm人脸特征点定位方法 Download PDF

Info

Publication number
CN103136513A
CN103136513A CN2013100452042A CN201310045204A CN103136513A CN 103136513 A CN103136513 A CN 103136513A CN 2013100452042 A CN2013100452042 A CN 2013100452042A CN 201310045204 A CN201310045204 A CN 201310045204A CN 103136513 A CN103136513 A CN 103136513A
Authority
CN
China
Prior art keywords
point
order gradient
unique point
neighborhood
unique
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2013100452042A
Other languages
English (en)
Other versions
CN103136513B (zh
Inventor
刘辰飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Synthesis Electronic Technology Co Ltd
Original Assignee
SHANDONG SYNTHESIS ELECTRONIC TECHNOLOGY Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by SHANDONG SYNTHESIS ELECTRONIC TECHNOLOGY Co Ltd filed Critical SHANDONG SYNTHESIS ELECTRONIC TECHNOLOGY Co Ltd
Priority to CN201310045204.2A priority Critical patent/CN103136513B/zh
Publication of CN103136513A publication Critical patent/CN103136513A/zh
Application granted granted Critical
Publication of CN103136513B publication Critical patent/CN103136513B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明的改进的ASM人脸特征点定位方法，包括：a).建立人脸照片库；并对照片归一化处理；b).手工标定并获取形状模型；c).采用PCA算法对
Figure 2013100452042100004DEST_PATH_IMAGE002
进行降维处理；d).选取特征点邻域；e).构建二阶梯度矩阵；f).构建特征矩阵
Figure 2013100452042100004DEST_PATH_IMAGE004
，g).求取二阶梯度模型
Figure 2013100452042100004DEST_PATH_IMAGE006
和协方差
Figure 2013100452042100004DEST_PATH_IMAGE008
；h).建立全局形状模型
Figure 2013100452042100004DEST_PATH_IMAGE010
，并求出分量
Figure 2013100452042100004DEST_PATH_IMAGE012
的高斯分布模型
Figure 822666DEST_PATH_IMAGE012
～

Description

一种改进的ASM人脸特征点定位方法
技术领域
本发明涉及一种改进的ASM人脸特征点定位方法，涉及数字图像处理领域。 
背景技术
主动形状模型ASM，是Cootes等人于1995年提出的一种基于统计学的灰度和形状分离的可变形模型。ASM同时采用了灰度信息和梯度信息来控制形状模型在目标图像中进行搜索，是人脸特征点定位方面的主流算法。 
实践表明，ASM是一种比较可靠的特征点定位算法。经典的ASM算法在建立局部灰度模型时，只是在当前特征点两侧，沿垂直于其前后两个特征点联机的方向上分别选择m个像素构成一个2*m+1的向量，然后对该向量所包含的像素的灰度值求导得到一个局部的灰度纹理模型。采用这种方式构建的灰度模型，在搜索的过程中往往会使得特征点收敛到与标记点灰度相似但纹理相差较大的点，导致定位不准；同时，光照和噪声等都会对定位造成影响。 
同时，传统的ASM算法在特征点的搜索过程中容易陷入局部最小值的问题，导致得到的最终结果不是最优结果。 
发明内容
本发明为了克服上述技术问题的缺点，提供了一特征点收敛到与标记点灰度、纹理都极为相似处的ASM人脸特征点定位方法。 
本发明的改进的ASM人脸特征点定位方法，其特别之处在于，包括以下步骤：a).建立人脸照片库，建立容量为L的人脸照片训练样本库M，每张人脸照片为一个训练样本；并对每张人脸照片进行归一化处理；b).手工标定并获取形状模型，在每个训练样本的相同位置处手工标定n个特征点，得到训练样本的形状模型集合 ，
Figure 2013100452042100002DEST_PATH_IMAGE004
（0≤
Figure 2013100452042100002DEST_PATH_IMAGE006
＜L）为训练样本M[
Figure 364803DEST_PATH_IMAGE006
]的形状模型，其由标定的特征点坐标向量形成，记为
Figure 2013100452042100002DEST_PATH_IMAGE008
；
Figure 2013100452042100002DEST_PATH_IMAGE010
为训练样本M[
Figure 593528DEST_PATH_IMAGE006
]的第j个标定点的坐标，其中，（0≤
Figure 2013100452042100002DEST_PATH_IMAGE012
＜n）；c).对
Figure 2013100452042100002DEST_PATH_IMAGE014
进行降维处理，采用PCA算法对
Figure 494970DEST_PATH_IMAGE014
进行降维处理，得到特征向量矩阵P，P为正交矩阵；并求取平均形状模型
Figure 2013100452042100002DEST_PATH_IMAGE016
；d).选取特征点邻域，在训练样本M[
Figure 700299DEST_PATH_IMAGE006
]中的每个特征点j的周围选取邻域；e).构建二阶梯度矩阵，求取每个特征点j邻域内每个像素点的二阶梯度，并利用二阶梯度值构建特征点邻域的二阶梯度矩阵；f).构建特征矩阵，将每个特征点邻域的二阶梯度矩阵中每一个元素分别乘以其对应的二维高斯权值，构建特征点邻域的特征矩阵
Figure 2013100452042100002DEST_PATH_IMAGE018
，其中，0≤＜L，0≤
Figure 592260DEST_PATH_IMAGE012
＜n； 
g).求取二阶梯度模型和协方差，利用公式
Figure 2013100452042100002DEST_PATH_IMAGE020
、分别求取所有训练样本的第j个特征点邻域的二阶梯度模型和及其协方差；h).建立全局形状模型，根据在步骤c)中获取的正交矩阵P建立全局形状模型
Figure 2013100452042100002DEST_PATH_IMAGE024
，并根据
Figure 2013100452042100002DEST_PATH_IMAGE026
求出向量B中每个分量
Figure 2013100452042100002DEST_PATH_IMAGE028
的高斯分布模型
Figure 170878DEST_PATH_IMAGE028
～
Figure 2013100452042100002DEST_PATH_IMAGE030
；i).初始化待测人脸图像，令全局形状模型中的向量B为零向量，来初始化待测人脸图像中特征点的位置；j).搜索最佳候选特征点，在初始化特征点周围搜索当前特征点W的候选特征点q，当马氏距离
Figure 2013100452042100002DEST_PATH_IMAGE032
取最小值时，对应的点为W的最佳候选点；k).构成当前形状模型，当全部特征点搜索完毕后，所有特征点的当前候选点构成一个当前形状模型
Figure 2013100452042100002DEST_PATH_IMAGE034
,并将
Figure 287924DEST_PATH_IMAGE034
与对齐后得到
Figure 2013100452042100002DEST_PATH_IMAGE038
；m).判断当前形状模型是否收敛，利用公式
Figure 2013100452042100002DEST_PATH_IMAGE040
求取向量B，如果向量B中90％以上的分量均满足
Figure 2013100452042100002DEST_PATH_IMAGE042
，则表明当前形状模型已经收敛；否则利用
Figure 156654DEST_PATH_IMAGE034
重新初始化待测人脸图像，重新执行步骤i)。
步骤b)中，手工标定训练样本的特征点时，应保证每张人脸照片上标定的特征点的位置相同；每个训练样本的形状模型
Figure 848667DEST_PATH_IMAGE004
中的元素排列相一致。步骤f)中，距离特征点越近的点，其对应的二维高斯权值越大，反之，其对应的二维高斯权值越小。步骤j）中，当马氏距离
Figure 2013100452042100002DEST_PATH_IMAGE044
取最小值时，会使得当前候选点与标记点灰度和纹理都极为相似。 
本发明的改进的ASM人脸特征点定位方法，步骤a)中所述的归一化处理包括统一照片尺寸、统一为灰度值图像和统一图像亮度的处理。对样本图像进行归一化处理，有利于保证通过训练样本获取数据的准确性。 
本发明的改进的ASM人脸特征点定位方法，步骤d)中选取的特征点邻域为特征点j周围的m*n的矩形区域或半径为m的圆形区域；在邻域为m*n的矩形区域的情形下，矩形区域的长边的方向与特征点对应的模型轮廓法线方向相一致。 
本发明的改进的ASM人脸特征点定位方法，步骤e)中所述的二阶梯度是指行方向上的二阶梯度、列方向上的二阶梯度或行列结合的二阶梯度；行方向上的二阶梯度求取公式为：
Figure 2013100452042100002DEST_PATH_IMAGE046
；列方向上的二阶梯度求取公式为：；行列结合的二阶梯度求取公式为：
Figure 2013100452042100002DEST_PATH_IMAGE050
。 
本发明的改进的ASM人脸特征点定位方法，步骤j)中，当搜索到的当前特征点的最佳候选点的位置为上一次搜索的初始化位置时，选择次最佳候选点为当前的最佳候选点。采用这种搜索方法，有利于避免搜索过程中出现陷入局部最小值问题， 
本发明的有益效果是：本发明的改进的ASM人脸特征点定位方法，首先人工标定每个训练样本的特征点，然后构建特征点邻域的特征矩阵 
Figure DEST_PATH_178783DEST_PATH_IMAGE001
以及求出全局形状模型
Figure DEST_PATH_372873DEST_PATH_IMAGE002
中向量B中每个分量
Figure DEST_PATH_36941DEST_PATH_IMAGE003
的高斯分布模型
Figure DEST_PATH_979489DEST_PATH_IMAGE003
～
Figure DEST_PATH_479741DEST_PATH_IMAGE004
；对于待测人脸图像，首先利用
Figure DEST_PATH_900358DEST_PATH_IMAGE002
、B为零向量进行特征点的初始化，当马氏距离
Figure DEST_PATH_684512DEST_PATH_IMAGE005
取最小值时，可求取当前特征点W的最佳候选点；有效地使得待测图像的候选点与标记点灰度和纹理都极为相似，实现了图像的准确定位，并且可避免光照和噪声对图像定位的影响。
具体实施方式
a).建立人脸照片库，建立容量为L的人脸照片训练样本库M，每张人脸照片为一个训练样本；并对每张人脸照片进行归一化处理； 
该步骤中所述的归一化处理包括统一照片尺寸、统一为灰度值图像和统一图像亮度的处理，以便训练样本的同一；
b).手工标定并获取形状模型，在每个训练样本的相同位置处手工标定n个特征点，得到训练样本的形状模型集合
Figure 550408DEST_PATH_IMAGE002
，
Figure 715548DEST_PATH_IMAGE004
（0≤
Figure 794362DEST_PATH_IMAGE006
＜L）为训练样本M[
Figure 230023DEST_PATH_IMAGE006
]的形状模型，其由标定的特征点坐标向量形成，记为
Figure 1670DEST_PATH_IMAGE008
；
Figure 889991DEST_PATH_IMAGE010
为训练样本M[
Figure 710180DEST_PATH_IMAGE006
]的第j个标定点的坐标，其中，（0≤
Figure 62664DEST_PATH_IMAGE012
＜n）；
c).对
Figure 441430DEST_PATH_IMAGE014
进行降维处理，采用PCA算法对
Figure 879365DEST_PATH_IMAGE014
进行降维处理，得到特征向量矩阵P，P为正交矩阵；并求取平均形状模型；
求取的表征出所有训练样本中特征点的平均坐标位置；
d).选取特征点邻域，在训练样本M[
Figure 823684DEST_PATH_IMAGE006
]中的每个特征点j的周围选取邻域；
在特征点领域的选取过程中，可以选取特征点j周围的m*n的矩形区域或半径为m的圆形区域；在邻域为m*n的矩形区域的情形下，矩形区域的长边的方向与特征点对应的模型轮廓法线方向相一致；模型轮廓法线方向是指特征点的前一个特征点和后一个特征点的法线方向；
e).构建二阶梯度矩阵，求取每个特征点j邻域内每个像素点的二阶梯度，并利用二阶梯度值构建特征点邻域的二阶梯度矩阵；
该步骤中，所述的二阶梯度是指行方向上的二阶梯度、列方向上的二阶梯度或行列结合的二阶梯度；行方向上的二阶梯度求取公式为：；列方向上的二阶梯度求取公式为：
Figure 848589DEST_PATH_IMAGE048
；行列结合的二阶梯度求取公式为：
Figure 346304DEST_PATH_IMAGE050
；
f).构建特征矩阵，将每个特征点邻域的二阶梯度矩阵中每一个元素分别乘以其对应的二维高斯权值，构建特征点邻域的特征矩阵
Figure 630655DEST_PATH_IMAGE018
，其中，0≤＜L，0≤
Figure 8864DEST_PATH_IMAGE012
＜n；
g).求取二阶梯度模型和协方差，利用公式
Figure 128129DEST_PATH_IMAGE020
、
Figure 317802DEST_PATH_IMAGE022
分别求取所有训练样本的第j个特征点邻域的二阶梯度模型和及其协方差；
h).建立全局形状模型，根据在步骤c)中获取的正交矩阵P建立全局形状模型
Figure 155308DEST_PATH_IMAGE024
，并根据
Figure 721419DEST_PATH_IMAGE026
求出向量B中每个分量的高斯分布模型
Figure 825739DEST_PATH_IMAGE028
～
Figure 212858DEST_PATH_IMAGE030
；
该步骤中，设人脸照片训练样本库M的容量为200，每个训练样本上标记的特征点数目为60个，根据
Figure 2013100452042100002DEST_PATH_IMAGE054
，可求出、、…、共200个向量，每个向量中均还有60个坐标元素
Figure 644976DEST_PATH_IMAGE028
，
Figure 535572DEST_PATH_IMAGE028
～
Figure 768845DEST_PATH_IMAGE030
为求取的每个分量
Figure 377681DEST_PATH_IMAGE028
的高斯分布模型；
i).初始化待测人脸图像，令全局形状模型
Figure 800441DEST_PATH_IMAGE024
中的向量B为零向量，来初始化待测人脸图像中特征点的位置；
j).搜索最佳候选特征点，在初始化特征点周围搜索当前特征点W的候选特征点q，当马氏距离
Figure 811122DEST_PATH_IMAGE044
取最小值时，对应的点为W的最佳候选点；
该步骤中，当搜索到的当前特征点的最佳候选点的位置为上一次搜索的初始化位置时，选择次最佳候选点为当前的最佳候选点；
k).构成当前形状模型，当全部特征点搜索完毕后，所有特征点的当前候选点构成一个当前形状模型
Figure 716761DEST_PATH_IMAGE034
,并将
Figure 812893DEST_PATH_IMAGE034
与对齐后得到；
m).判断当前形状模型是否收敛，利用公式
Figure 2013100452042100002DEST_PATH_IMAGE064
求取向量B，如果向量B中90％以上的分量均满足
Figure 2013100452042100002DEST_PATH_IMAGE066
，则表明当前形状模型已经收敛；否则利用
Figure 508460DEST_PATH_IMAGE034
重新初始化待测人脸图像，重新执行步骤i)。
对于20个人、每人采集10人脸照片并标记60个特征点的实施方式如下： 
1、采集人脸照片构建一个由20个人，每个人在不同拍摄条件（光照、姿态、表情等拍摄条件）下的10张照片构成的人脸库；
2、对接收的人脸照片进行归一化处理，使得照片尺寸为240像素×320像素，两瞳孔之间距离为64个像素点，两瞳孔的中心点为(120,160)；
3、利用公式gray =((R*299)+(G*587)+(B*114))/1000将彩色图像转换为灰度图像；
4、照片图像亮度标准化，将照片图像面部平均亮度值标准化为127，亮度均方差标准化为32；
5、对训练样本进行60个特征点的手工标定，得到样本训练集，； 
7、对A进行PCA降维，求取特征向量矩阵P和样本的平均形状模型
Figure 2013100452042100002DEST_PATH_IMAGE072
；
8、在每个特征点对应的模型轮廓法线方向上选取特征点的7*11的邻域，并对该区域进行高斯滤波，利用公式
Figure 2013100452042100002DEST_PATH_IMAGE074
求取邻域内每个像素点的二阶梯度, 每一个二阶梯度分别乘以其对应的二维高斯权值，构建特征矩阵
Figure 2013100452042100002DEST_PATH_IMAGE076
； 
9、构建每个特征点的局部二阶梯度模型，
Figure 2013100452042100002DEST_PATH_IMAGE080
； 
10、根据全局形状模型
Figure 2013100452042100002DEST_PATH_IMAGE082
，其中b的初始向量为0，初始化待测人脸图像中特征点位置。在初始化得特征点位置周围搜索当前特征点w的候选特征点q，当满足马氏距离
Figure 2013100452042100002DEST_PATH_IMAGE084
，
Figure 2013100452042100002DEST_PATH_IMAGE086
最小时，对应的点为w的最佳候选点。
11、当全部特征点搜索完毕后，所有特征点的当前候选点可以构成一个当前形状模型X(t),将X(t)与
Figure 2013100452042100002DEST_PATH_IMAGE088
对齐后得到
Figure 2013100452042100002DEST_PATH_IMAGE090
，利用公式
Figure 2013100452042100002DEST_PATH_IMAGE092
，当向量B的90%以上的分量满足时，表示模型已经收敛，否则利用
Figure 2013100452042100002DEST_PATH_IMAGE096
从新初始化待测人脸图像继续搜索新的特征点的最佳候选点。 

Claims (5)

1.一种改进的ASM人脸特征点定位方法，其特征在于，包括以下步骤：
a).建立人脸照片库，建立容量为L的人脸照片训练样本库M，每张人脸照片为一个训练样本；并对每张人脸照片进行归一化处理；
b).手工标定并获取形状模型，在每个训练样本的相同位置处手工标定n个特征点，得到训练样本的形状模型集合                                               
Figure 2013100452042100001DEST_PATH_IMAGE002
，（0≤＜L）为训练样本M[
Figure 958596DEST_PATH_IMAGE006
]的形状模型，其由标定的特征点坐标向量形成，记为
Figure 2013100452042100001DEST_PATH_IMAGE008
；
Figure 2013100452042100001DEST_PATH_IMAGE010
为训练样本M[
Figure 972383DEST_PATH_IMAGE006
]的第j个标定点的坐标，其中，（0≤
Figure 2013100452042100001DEST_PATH_IMAGE012
＜n）；
c).对
Figure 2013100452042100001DEST_PATH_IMAGE014
进行降维处理，采用PCA算法对
Figure 159782DEST_PATH_IMAGE014
进行降维处理，得到特征向量矩阵P，P为正交矩阵；并求取平均形状模型
Figure 2013100452042100001DEST_PATH_IMAGE016
；
d).选取特征点邻域，在训练样本M[
Figure 82739DEST_PATH_IMAGE006
]中的每个特征点j的周围选取邻域；
e).构建二阶梯度矩阵，求取每个特征点j邻域内每个像素点的二阶梯度，并利用二阶梯度值构建特征点邻域的二阶梯度矩阵；
f).构建特征矩阵，将每个特征点邻域的二阶梯度矩阵中每一个元素分别乘以其对应的二维高斯权值，构建特征点邻域的特征矩阵
Figure 2013100452042100001DEST_PATH_IMAGE018
，其中，0≤＜L，0≤
Figure 837123DEST_PATH_IMAGE012
＜n；
g).求取二阶梯度模型和协方差，利用公式
Figure 2013100452042100001DEST_PATH_IMAGE020
、
Figure 2013100452042100001DEST_PATH_IMAGE022
分别求取所有训练样本的第j个特征点邻域的二阶梯度模型和及其协方差；
h).建立全局形状模型，根据在步骤c)中获取的正交矩阵P建立全局形状模型
Figure 2013100452042100001DEST_PATH_IMAGE024
，并根据
Figure 2013100452042100001DEST_PATH_IMAGE026
求出向量B中每个分量
Figure 2013100452042100001DEST_PATH_IMAGE028
的高斯分布模型
Figure 264431DEST_PATH_IMAGE028
～
Figure 2013100452042100001DEST_PATH_IMAGE030
；
i).初始化待测人脸图像，令全局形状模型中的向量B为零向量，来初始化待测人脸图像中特征点的位置；
j).搜索最佳候选特征点，在初始化特征点周围搜索当前特征点W的候选特征点q，当马氏距离取最小值时，对应的点为W的最佳候选点；
k).构成当前形状模型，当全部特征点搜索完毕后，所有特征点的当前候选点构成一个当前形状模型,并将
Figure 964631DEST_PATH_IMAGE034
与
Figure 2013100452042100001DEST_PATH_IMAGE036
对齐后得到
Figure 2013100452042100001DEST_PATH_IMAGE038
；
m).判断当前形状模型是否收敛，利用公式求取向量B，如果向量B中90％以上的分量均满足
Figure 2013100452042100001DEST_PATH_IMAGE042
，则表明当前形状模型已经收敛；否则利用重新初始化待测人脸图像，重新执行步骤i)。
2.根据权利要求1所述的改进的ASM人脸特征点定位方法，其特征在于：步骤a)中所述的归一化处理包括统一照片尺寸、统一为灰度值图像和统一图像亮度的处理。
3.根据权利要求1或2所述的改进的ASM人脸特征点定位方法，其特征在于：步骤d)中选取的特征点邻域为特征点j周围的m*n的矩形区域或半径为m的圆形区域；在邻域为m*n的矩形区域的情形下，矩形区域的长边的方向与特征点对应的模型轮廓法线方向相一致。
4.根据权利要求1或2所述的改进的ASM人脸特征点定位方法，其特征在于：步骤e)中所述的二阶梯度是指行方向上的二阶梯度、列方向上的二阶梯度或行列结合的二阶梯度；行方向上的二阶梯度求取公式为：；列方向上的二阶梯度求取公式为：
Figure 2013100452042100001DEST_PATH_IMAGE046
；行列结合的二阶梯度求取公式为：
Figure 2013100452042100001DEST_PATH_IMAGE048
。
5.根据权利要求1或2所述的改进的ASM人脸特征点定位方法，其特征在于：步骤j)中，当搜索到的当前特征点的最佳候选点的位置为上一次搜索的初始化位置时，选择次最佳候选点为当前的最佳候选点。
CN201310045204.2A 2013-02-05 2013-02-05 一种改进的asm人脸特征点定位方法 Active CN103136513B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310045204.2A CN103136513B (zh) 2013-02-05 2013-02-05 一种改进的asm人脸特征点定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310045204.2A CN103136513B (zh) 2013-02-05 2013-02-05 一种改进的asm人脸特征点定位方法

Publications (2)

Publication Number Publication Date
CN103136513A true CN103136513A (zh) 2013-06-05
CN103136513B CN103136513B (zh) 2015-11-11

Family

ID=48496321

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310045204.2A Active CN103136513B (zh) 2013-02-05 2013-02-05 一种改进的asm人脸特征点定位方法

Country Status (1)

Country Link
CN (1) CN103136513B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103839050A (zh) * 2014-02-28 2014-06-04 福州大学 基于特征点扩充及pca特征提取的asm定位算法
CN104715227A (zh) * 2013-12-13 2015-06-17 北京三星通信技术研究有限公司 人脸关键点的定位方法和装置
CN110197462A (zh) * 2019-04-16 2019-09-03 浙江理工大学 一种人脸图像实时美化与纹理合成方法
CN116679026A (zh) * 2023-06-27 2023-09-01 江南大学 自适应无偏有限脉冲响应滤波的污水溶解氧浓度估计方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040213454A1 (en) * 2003-04-28 2004-10-28 Industrial Technology Research Institute Statistical facial feature extraction method
CN101593272A (zh) * 2009-06-18 2009-12-02 电子科技大学 一种基于asm算法的人脸特征定位方法
CN102214299A (zh) * 2011-06-21 2011-10-12 电子科技大学 一种基于改进的asm算法的人脸特征定位方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20040213454A1 (en) * 2003-04-28 2004-10-28 Industrial Technology Research Institute Statistical facial feature extraction method
CN101593272A (zh) * 2009-06-18 2009-12-02 电子科技大学 一种基于asm算法的人脸特征定位方法
CN102214299A (zh) * 2011-06-21 2011-10-12 电子科技大学 一种基于改进的asm算法的人脸特征定位方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
孙砚铭: "基于ASM自动人脸特征点定位及应用的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 January 2011 (2011-01-15) *
范玉华: "基于ASM的人脸面部关键特征点定位算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》, 15 January 2009 (2009-01-15) *
邱丽梅: "基于改进的ASM人脸特征点定位", 《三明学院学报》, 30 April 2010 (2010-04-30), pages 124 - 127 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104715227A (zh) * 2013-12-13 2015-06-17 北京三星通信技术研究有限公司 人脸关键点的定位方法和装置
CN104715227B (zh) * 2013-12-13 2020-04-03 北京三星通信技术研究有限公司 人脸关键点的定位方法和装置
CN103839050A (zh) * 2014-02-28 2014-06-04 福州大学 基于特征点扩充及pca特征提取的asm定位算法
CN110197462A (zh) * 2019-04-16 2019-09-03 浙江理工大学 一种人脸图像实时美化与纹理合成方法
CN116679026A (zh) * 2023-06-27 2023-09-01 江南大学 自适应无偏有限脉冲响应滤波的污水溶解氧浓度估计方法

Also Published As

Publication number Publication date
CN103136513B (zh) 2015-11-11

Similar Documents

Publication Publication Date Title
CN108549873B (zh) 三维人脸识别方法和三维人脸识别系统
CN106683091B (zh) 一种基于深度卷积神经网络的目标分类及姿态检测方法
CN111199564B (zh) 智能移动终端的室内定位方法、装置与电子设备
US20170293354A1 (en) Calculation method of line-of-sight direction based on analysis and match of iris contour in human eye image
Yao et al. Application of convolutional neural network in classification of high resolution agricultural remote sensing images
CN105761242B (zh) 一种基于计算机双目视觉与惯性测量的盲人行走定位方法
CN109102547A (zh) 基于物体识别深度学习模型的机器人抓取位姿估计方法
Yu et al. Robust robot pose estimation for challenging scenes with an RGB-D camera
CN103778626B (zh) 一种基于视觉显著区域的快速图像配准方法
CN106595702B (zh) 一种基于天文标定的多传感器空间配准方法
CN102982334B (zh) 基于目标边缘特征与灰度相似性的稀疏视差获取方法
CN105160686B (zh) 一种基于改进sift算子的低空多视角遥感影像匹配方法
CN108470356A (zh) 一种基于双目视觉的目标对象快速测距方法
CN105139007B (zh) 人脸特征点定位方法和装置
WO2019080743A1 (zh) 一种目标检测方法、装置及计算机设备
CN105279769A (zh) 一种联合多特征的层次粒子滤波跟踪方法
CN112325883A (zh) 一种WiFi和视觉多源融合的移动机器人室内定位方法
CN111998862A (zh) 一种基于bnn的稠密双目slam方法
CN105957107A (zh) 行人检测与跟踪方法及装置
CN109345513A (zh) 一种具有烟包姿态计算的卷烟包装缺陷检测方法
CN106295657A (zh) 一种视频数据结构化过程中提取人体高度特征的方法
EP3183712A1 (en) Determining compass orientation of imagery
CN112150358A (zh) 一种抗大几何畸变的影像特征匹配方法
CN104567879B (zh) 一种组合视场导航敏感器地心方向提取方法
Remondino et al. Evaluating hand-crafted and learning-based features for photogrammetric applications

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
C56 Change in the name or address of the patentee
CP01 Change in the name or title of a patent holder

Address after: Shun high tech Zone of Ji'nan City, Shandong province 250101 China West Road No. 699

Patentee after: SYNTHESIS ELECTRONIC TECHNOLOGY CO., LTD.

Address before: Shun high tech Zone of Ji'nan City, Shandong province 250101 China West Road No. 699

Patentee before: Shandong Synthesis Electronic Technology Co., Ltd.