CN103839050A

CN103839050A - 基于特征点扩充及pca特征提取的asm定位算法

Info

Publication number: CN103839050A
Application number: CN201410068766.3A
Authority: CN
Inventors: 郭太良; 徐胜; 姚剑敏; 林金堂; 林志贤; 叶芸
Original assignee: Fuzhou University
Current assignee: Fuzhou University
Priority date: 2014-02-28
Filing date: 2014-02-28
Publication date: 2014-06-04

Abstract

本发明涉及一种基于特征点扩充及PCA特征提取的ASM定位算法，首先，采用等距插值的方法扩充手工标定的特征点；其次，建立统计特征模型，提出采用主成分分析PCA处理特征点法线灰度信息代替原算法中的灰度值求导，统计特征点的局部纹理特征；再而建立统计形状模型，统计分析得到目标形状模型及形变的模板，最后采用相应的搜索点与训练好的特征点的局部灰度特征之间的相似性度量作为匹配标准，同时以多尺度的ASM搜索策略完成整个搜索匹配的过程统计特征点局部灰度特征。与传统ASM算法相比，本发明的目标定位精度和鲁棒性都有了显著的提高，实验数据显示，平均定位误差降低了38%以上。

Description

基于特征点扩充及PCA特征提取的ASM定位算法

技术领域

本发明涉及一种目标定位算法，针对传统ASM算法定位精度较低，模型容易收敛到错误位置等问题，提出了一种基于特征点扩充及PCA特征提取的ASM定位算法。

背景技术

目前，Cootes等人提出的活动形状模型ASM（Active Shape Model）是一种主流的目标定位方法，它是一种基于点分布模型PDM（Point Distribution Model）的统计学习算法，允许待定位的目标有一定程度的形变，它采用目标的灰度信息指导形状模型的匹配收敛，收敛速度较快，其主要思想是：

（1）建立统计形状模型，首先，搜集相应的目标样本，手工标定目标特征点，得到形状向量集并配准对齐；然后，将对齐的形状向量集进行主成分分析（Principal Component Analysis，PCA），得到目标平均形状模型和形变的模板；

（2）建立统计特征模型，采用对样本法线采样点进行灰度值求导的方法构建目标特征点局部统计特征；

（3）目标的搜索匹配，通过对目标特征点的灰度信息进行收敛匹配，从而实现目标的定位。

但传统的ASM算法也存在着一些不足，如定位精度不高，模型容易收敛匹配到错误的位置等，造成这些不足的原因主要有以下两个方面：

（1）传统ASM算法利用手工标定的特征点的灰度信息进行匹配，手工标定的特征点关于目标的特征统计信息较少，仅利用手工标定的特征点进行目标轮廓的收敛匹配容易使形状模型收敛到错误的位置；

（2）在ASM算法中，需要统计样本特征点的局部灰度特征，传统ASM算法以灰度值求导的方法进行特征的统计，并不能充分体现特征点的局部纹理特征，以灰度变化率作为匹配的依据，定位精度较低。

针对传统ASM算法中存在的不足，目前已有一些专家学者从不同方面提出了一些改进方法。Froba等人提出以特征点处的梯度值作为ASM算法的模型统计信息，但目标的定位精度并没有太大的提高；Hamarneh等人结合Snake模型与传统ASM算法，将Snake可产生光滑的、不间断的边界的特点和传统ASM算法可产生与训练集相似的可变形状模型的特点结合起来，从而实现在心脏图像中的定位，该算法虽然比传统ASM算法的定位精度要高，但耗时很长。

发明内容

本发明的目的在于提供一种克服传统ASM算法中存在的定位精度不高，模型容易收敛匹配到错误的位置等问题，提出了一种基于特征点扩充及PCA特征提取的ASM定位算法。

为实现上述目的，本发明的技术方案是：一种基于特征点扩充及PCA特征提取的ASM定位算法，包括如下步骤，

步骤S01：将搜集好的训练样本集进行目标特征点的手工标定，并采用等距插值的方法进行特征点的扩充；

步骤S02：统计特征模型的建立：采用主成分分析PCA处理目标特征点的法线采样点的灰度信息，以灰度数据特征代替灰度变化率特征作为匹配的依据，统计特征点的局部纹理特征；

步骤S03：统计形状模型的建立：根据特征点，将初步得到的形状向量进行配准对齐操作，以每个形状向量的平均坐标、平均角度为基准，对每个形状向量进行平移、旋转操作，然后对其进行PCA处理，统计分析得到目标形状模型及形变的模板；

步骤S04：目标轮廓的匹配：采用主成分分析PCA处理法线采样点的灰度信息，在搜索匹配时，采用相应的搜索点与训练好的特征点的局部灰度特征之间的相似性度量作为匹配标准，同时以多尺度的ASM搜索策略完成整个搜索匹配的过程。

在本发明实施例中，所述步骤S01的特征点的扩充过程包括如下步骤，

步骤S21：手工标定特征点，即标定目标物体轮廓的拐角点和T字型节点；

步骤S22：以前后两个标定特征点之间目标物体的轮廓呈线性变化的特性为依据，分别在前后两个手工标定特征点之间进行线性等距插值，从而实现样本特征点的扩充。

在本发明实施例中，所述步骤S02统计特征模型的建立，具体包括如下步骤，

步骤S41：计算样本中每个特征点的法向采样点灰度均值：

Figure 2014100687663100002DEST_PATH_IMAGE001

其中，n为样本形状向量个数，

Figure 2014100687663100002DEST_PATH_IMAGE002

表示第j个样本的第i个特征点的法向采样点灰度值构成的灰度值向量；

步骤S42：计算特征点法向采样灰度向量的协方差矩阵：

Figure 2014100687663100002DEST_PATH_IMAGE003

步骤S43：分别计算每个特征点对应的协方差矩阵的特征值，并将得到的特征值从大到小进行排序，

Figure 2014100687663100002DEST_PATH_IMAGE005

，其中，，选择前t个比较大的特征值，使得：

Figure 2014100687663100002DEST_PATH_IMAGE007

得到

Figure 2014100687663100002DEST_PATH_IMAGE008

以及其对应的特征向量组成的矩阵

Figure 2014100687663100002DEST_PATH_IMAGE009

，各样本特征点的局部灰度特征可表示为：

Figure 2014100687663100002DEST_PATH_IMAGE010

其中，

Figure 2014100687663100002DEST_PATH_IMAGE011

为灰度特征向量参数。

在本发明实施例中，所述步骤S03统计形状模型

Figure 2014100687663100002DEST_PATH_IMAGE012

表示为：

Figure 2014100687663100002DEST_PATH_IMAGE013

其中，是平均形状向量，

是进行PCA处理后，前t个特征值对应特征向量组成的矩阵，

Figure 2014100687663100002DEST_PATH_IMAGE016

是形状向量参数，通常限制在

Figure 2014100687663100002DEST_PATH_IMAGE018

范围内。

在本发明实施例中，所述步骤S04的目标轮廓的匹配，具体为，

搜索点与训练好的特征点的局部灰度特征之间的相似性度量

Figure 2014100687663100002DEST_PATH_IMAGE019

表示为：

Figure 2014100687663100002DEST_PATH_IMAGE020

在搜索匹配时，需要先获取测试图像中当前模型轮廓法线搜索点的局部灰度信息，然后利用相似性度量

Figure 2014100687663100002DEST_PATH_IMAGE021

进行匹配，最小的子局部特征对应的搜索点即为该特征点的新位置；为所有的特征点找到其新位置，并把它们的位移组成一个向量：

Figure 2014100687663100002DEST_PATH_IMAGE023

通过调整形状模型的参数使得当前特征点的位置

与

Figure 2014100687663100002DEST_PATH_IMAGE025

最为接近，这样就完成了整个的匹配过程。

相较于现有技术，本发明具有以下有益效果：首先，针对定位目标的特征统计信息的不足，采用等距插值的方法扩充手工标定的特征点：在手工标定特征点的基础上，在特征点与特征点之间采用等距插值的方法，进行特征点的扩充；扩充特征点之后，目标的特征统计信息更为完善，匹配精度更高；

其次，针对样本特征点的局部纹理特征的不充分，提出采用主成分分析PCA处理特征点法线灰度信息代替原算法中的灰度值求导，构建特征点的局部纹理特征；相对于对灰度值进行求导，PCA处理灰度信息能更充分的体现特征点的局部纹理特征，使定位的精度更高。

附图说明

图1为改进的ASM算法的整体流程图。

图2a为手工标定人眼特征点的结果图。

图2b等距插值扩充特征点结果图。

图3a配准对齐前的样本集。

图3b配准对齐后的样本集。

图4为部分左眼样本集。

图5为改进ASM算法与传统ASM算法睁眼定位效果对比图。

图6为改进ASM算法与传统ASM算法闭眼定位效果对比图。

具体实施方式

下面结合附图，对本发明的技术方案进行具体说明。

如图1所示，本发明一种基于特征点扩充及PCA特征提取的ASM定位算法，包括如下步骤，

以下为本发明的具体实施例。

步骤1：将搜集好的训练样本集进行目标特征点的手工标定，并采用等距插值的方法进行扩充。

以左眼为例，搜集30幅左眼图像（图4为部分左眼样本集）组建左眼库，其中包括睁眼、半睁眼、闭眼三种状态下姿态不同的图像；搜集好样本后，需要手工对目标物体进行特征点的标定，并记录下标定的特征点的坐标信息；目标的标定特征点一般选在能体现目标物体外形特征的地方，如目标轮廓的拐角点、T字型结点等，如图 2a所示，共手工标定了16个人眼特征点。

在本发明中，对手工标记的特征点采用了等距插值的方法进行扩充，以完善统计模型的信息量，提高目标物体定位的精度；样本特征点的等距插值扩充的具体实现方法为：由于手工标定的特征点一般为目标物体轮廓的拐角点、T字型结点等，所以前后两个标定特征点之间目标物体的轮廓一般呈线性变化，以此为依据，分别在前后两个手工标定特征点之间进行线性等距插值，从而实现样本特征点的扩充；图2b为图2a相应的等距插值扩充特征点后的结果，图中每两个特征点之间分别扩充了4个特征点。

特征点标定并扩充后，将每幅人眼图像上得到的N个特征点的坐标组成一个形状向量

：

Figure 2014100687663100002DEST_PATH_IMAGE027

其中，

代表第i幅图像的第j个特征点的坐标。

步骤2：统计特征模型的建立，采用主成分分析PCA处理目标特征点的法线采样点的灰度信息，以灰度数据特征代替灰度变化率特征作为匹配的依据，统计特征点的局部纹理特征。

（1）计算样本中每个特征点的法向采样点灰度均值：

其中，n为样本形状向量个数，

（2）计算特征点法向采样灰度向量的协方差矩阵：

（3）分别计算每个特征点对应的协方差矩阵

的特征值，并将得到的特征值从大到小进行排序，

，其中，，选择前t个比较大的特征值，使得：

得到

以及其对应的特征向量组成的矩阵

，各样本特征点的局部灰度特征可表示为：

其中，

为灰度特征向量参数。

步骤3：统计形状模型的建立，将初步得到的人眼形状向量进行配准对齐操作，以每个形状向量的平均坐标、平均角度为基准，对每个形状向量进行平移、旋转操作，然后对其进行PCA处理，统计分析得到目标形状模型及形变的模板。

为了消除图像中的人眼由于不同角度、姿态变换等外界因素造成的非形状干扰，需要将初步得到的人眼形状向量进行配准对齐操作；以每个形状向量的平均坐标、平均角度为基准，对每个形状向量进行平移、旋转操作，如图3a-图3b所示。

样本形状向量配准对齐后，需要进行统计分析以获得全局形状模型；由于过多的样本形状向量会造成计算量的增加，而各样本形状向量之间存在一定的关联性，因此需要对其进行PCA处理,进而得到目标平均形状模型和形变的模板，具体过程与统计特征模型的建立类似，处理后全局形状模型

可表示为：

其中，

是平均形状向量，

是进行PCA处理后，前t个特征值对应特征向量组成的矩阵，

是形状向量参数，

通常限制在

范围内。

步骤4：目标轮廓的匹配，在本发明的新型ASM算法中，提出采用主成分分析PCA处理法线采样点的灰度信息，在搜索匹配时，采用相应的搜索点与训练好的特征点的局部灰度特征之间的相似性度量作为匹配标准，同时以多尺度的ASM搜索策略完成整个搜索匹配的过程。

在本发明中，提出采用主成分分析PCA处理法线采样点的灰度信息，在搜索匹配时，搜索点与训练好的特征点的局部灰度特征之间的相似性度量可用

表示：

在搜索匹配时，需要先获取测试图像中当前模型轮廓法线搜索点的局部灰度信息，然后利用相似性度量进行匹配，

最小的子局部特征对应的搜索点即为该特征点的新位置；为所有的特征点找到其新位置，并把它们的位移组成一个向量：

通过调整形状模型的参数使得当前特征点的位置

与

最为接近，这样就完成了整个的匹配过程；同时，为了提高搜索匹配速度，本发明采用了多尺度的ASM搜索策略：首先，在一个由原始图像缩放得到的小尺度图像中对目标进行搜索匹配，得到适当的匹配结果；然后，以当前结果作为下一个更大尺度的图像搜索匹配的初始模型，再对目标进行搜索匹配，直到收敛；由于在小尺度图像的搜索匹配过程中，每个特征点的搜索范围要大于大尺度图像下的搜索范围，从而有效的提高了匹配的速度；改进前后的目标定位结果如图5、图6所示，误差对比分析如表1所示。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。