CN106228113A - 基于aam的人脸特征点快速对齐方法 - Google Patents

Abstract

本发明公开了一种基于AAM的人脸特征点快速对齐的方法，属于模式识别技术领域。本发明包括：对输入的人脸图像标定人脸特征点，作为轮廓模型的训练样本；采用AAM主动轮廓模型法对训练样本进行轮廓模型训练，得到轮廓模型；输入待处理的连续多帧视频图像，若当前帧为起始帧，则对全图像进行AAM搜索匹配，得到当前帧与轮廓模型的人脸特征点对齐结果；若当前帧为非起始帧，则以上一帧的人脸特征点对齐结果为起始位置，对当前帧进行AAM搜索匹配，得到当前帧与轮廓模型的人脸特征点对齐结果。本发明用于人脸识别处理，其由上一帧的对齐结构确定当前帧的迭代初始位置，缩小了搜索范围，减少迭代次数，使得在人脸特征点对齐的过程中的时间消耗得以大幅降低。

Description

基于AAM的人脸特征点快速对齐方法

技术领域

本发明属于模式识别技术领域，具体涉及人脸检测和识别系统中的人力特征点对齐处理。

背景技术

随着生物特征识别技术的不断发展，人脸检测与人脸识别凭借其无侵犯性、低成本、易安装、无人工参与等优点，充分体现了生物特征识别其直接、友好、方便、使用者无任何心理障碍、易于为用户所接受等特点，使得人脸检测与人脸识别逐渐成为了生物特征识别领域解决方案最为成熟、发展最为迅速、应用最为广泛的技术手段之一，诸如门禁考勤系统、终端设备的人机交互、金融领域的身份验证系统、安防系统等等社会生活的众多方面都得到了成熟广泛的应用。

人脸特征点对齐作为人脸检测和识别系统中的关键性环节，其准确性和对齐跟踪速率对后续检测和识别过程有着巨大的影响。1987年Kass等人率先提出了snake算法，该算法专注于边界鉴定和图像分割，主要是通过一个能量函数，利用由n点组成的连续闭合曲线来实现对目标对象边界和特征的拟合定位。在snake算法的基础上，1989年Yuille等人提出了参数化可变模板进行定位的方法，其主要原理依然是通过使用一个能量函数作为匹配度评价函数来表征目标对象的形状，但是在其定位的过程中，由于使用的是一个可变模板，因而可以实现对可变模板尺寸，偏转角度，以及位置和形状进行微调的优化处理流程。随着形状模型匹配算法的进一步发展，1995年Cootes等人提出了ASM(Active Shape Model，主动形状模型)算法，该算法通过参数化的采样形状对模型对象的形状进行构建，从而得出对象的形状构建模型，然后通过PCA(Principal component analysis，特征脸方法)算法实现模型特征点的动态描述，同时降低数据维数处理,再加之辅以另一组参数对形状特征点的位置信息进行控制。随着ASM算法在实际的应用过程中由于只是单纯的利用了对象的形状，而暴露出的准确率不高的缺点，在1998年，Cootes等人在ASM算法的基础上提出了AAM(ActiveAppearance Model，主动轮廓模型)算法。和ASM一样，AAM也是建立在对训练数据进行统计分析的基础上，首先建立人脸模型，然后利用先验模型对图像中的目标物体进行匹配运算。但与ASM的不同之处在于它不仅利用目标对象的形状信息，而且对脸部的纹理信息也进行统计分析，并构建了形状与纹理相互联系的混合模型。但是在AAM算法过程中为了最小化差异性而需要不断迭代，使得整个算法的运算量大。

发明内容

本发明的发明目的在于：针对上述存在的问题，提供一种基于AAM的人脸特征点快速对齐的方法。其中主要包括：AAM模型建立和AAM搜索匹配两个部分，其中AAM模型建立包括：形状建模、纹理建模和混合建模(形状与纹理的关联性组合)三个阶段。AAM模型建立主要是通过对物体的形状和纹理进行统计学习，建立物体的轮廓模型；AAM搜索匹配则主要是找出合适的模型参数，以使模型实例和样本实例通过不断的拟合迭代以最小的差异化达到一致。同时在利用AAM算法进行人脸特征点对齐的过程中引入模板匹配的预估计方法，即在处理连续的多帧图像时，由于多帧连续图像之间存在着一定程度的运动相似性，所以通过利用当前帧图像的对齐结果计算估计下一帧图像人脸特征点形状的初始位置，并以此作为下一帧图像匹配拟合迭代的初始位置，让迭代初始位置位于AAM匹配搜索最优解的附近，缩小了AAM搜索范围，减少迭代次数，减少庞大数据的运算量。

本发明的基于AAM的人脸特征点快速对齐方法，包括下列步骤：

对输入的人脸图像标定人脸特征点，作为轮廓模型的训练样本；

采用AAM主动轮廓模型法对训练样本进行轮廓模型训练，得到轮廓模型；

输入待处理的连续多帧视频图像，若当前帧为起始帧，则对全图像进行AAM搜索匹配，得到当前帧与轮廓模型的人脸特征点对齐结果；若当前帧为非起始帧，则以上一帧的人脸特征点对齐结果为起始位置，对当前帧进行AAM搜索匹配，得到当前帧与轮廓模型的人脸特征点对齐结果。

综上所述，由于采用了上述技术方案，本发明的有益效果是：因在匹配拟合迭代过程中，一旦确定了起始位置，则以该起始位置为核心进行迭代匹配，本发明通过上一帧的对齐结果指定下一帧的匹配拟合迭代的初始位置，让迭代初始位置位于AAM匹配搜索最优解的附近，缩小了AAM搜索范围，减少迭代次数，减少庞大数据的运算量，从而使得在人脸特征点对齐的过程中的时间消耗得以大幅降低。从而提高了特征点预估对齐初始位置与待测图像中形状实际位置的鲁棒性和精准度，使后续计算能在更小的范围内进行搜索匹配，减少了AAM算法过程中为了最小化差异性而进行的不断迭代，使得基于AAM的人脸特点对齐的运算量在很大程度上得以减少，从而使得人脸特征点对齐的实时性得到了极大的提升，特别是在视频流中的特征点对齐跟踪有着尤为明显的效果。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合实施方式，对本发明作进一步地详细描述。

本发明的基于AAM的人脸特征点快速对齐方法，包括下列步骤

步骤1：训练集样本标定

采集人脸图像，然后利用直方图均衡和图像平滑去噪进行灰度增强等预处理，即预处理主要处理光线太暗和光照太强的情况，削弱光照对后续结果的影响。对预处理后的人脸图像样本进行人脸特征点的标定，本具体实施方式中，人脸特征点设置为64个，即在每幅人脸图像样本上标定64个带有位置信息的人脸特征点，作为轮廓模型训练。

步骤2：训练样本数据，建立轮廓模型

对轮廓模型训练构成的训练样本数据进行训练，通过使用ASM算法的相关原理构建模板的形状模型，然后再利用AAM在ASM的基础上拓展延伸的算法原理，对样本的人脸特征点的纹理信息进行提取分析，构建起模板的纹理模型，最后对所构建的形状模型和纹理模型，分析两者之间数据的关联性，以此关联性为基础构架形状和纹理相融合的混合模型，即轮廓模型。

步骤3：人脸特征点的对齐

输入待处理(待匹配)的连续多帧视频图像，对于连续多帧视频图像中的起始帧，采用现有的AAM搜索匹配(对全图像进行AAM搜索匹配)得到起始帧与轮廓模型的人脸特征点对齐结果；而对于非起始帧的当前帧，则以上一帧的人脸特征点对齐结果为起始位置，对当前帧进行AAM搜索匹配，得到当前帧与轮廓模型的人脸特征点对齐结果。本发明通过把当前需要匹配的人脸图像的AAM搜索匹配的起始位置设定为上一帧的对齐结果位置，而不用进行一个全图像的迭代匹配，来对当前帧的搜索匹配区域进行一个精简，从而使得迭代时排除了很大部分无用的迭代区域，使得迭代次数和计算量大幅减少。

为了进一步表面本发明的有益效果，以本发明的对齐方法于原AAM算法的对齐方法进行了对比测试，其测试方式和结果如下：

采集了15000张人脸图像，每张人脸标定64个人脸特征点的位置信息，作为训练样本，包括不同光照，不同角度，不同表情以及不同场景下的各类人脸图像。测试时采用了两组不同的视频，然后分别用本发明提出的对齐方法和原AAM对齐方式对两段视频进行测试。测试结果如下：(测试时间单位：毫秒(ms))

表1

	本发明	原AAM对齐方式
			视频总帧数	565	565
测试总时间	49868	155610
			平均每帧时间消耗	88.2619	275.4159

表2

	本发明	原AAM对齐方式
			视频总帧数	7489	7489
测试总时间	679303	2097083
			平均每帧时间消耗	90.7068	280.0218

通过上述实验结果可知：采用本发明的对齐方法在每帧的处理速率上明显快于原AAM对齐方式，相对于原AAM算法而言，平均时间消耗降低了67.78％

以上所述，仅为本发明的具体实施方式，本说明书中所公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换；所公开的所有特征、或所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以任何方式组合。

Claims (1)

1.基于AAM的人脸特征点快速对齐方法，其特征在于，包括下列步骤：

对输入的人脸图像标定人脸特征点，作为轮廓模型的训练样本；

采用AAM主动轮廓模型法对训练样本进行轮廓模型训练，得到轮廓模型；

输入待处理的连续多帧视频图像，若当前帧为起始帧，则对全图像进行AAM搜索匹配，得到当前帧与轮廓模型的人脸特征点对齐结果；若当前帧为非起始帧，则以上一帧的人脸特征点对齐结果为起始位置，对当前帧进行AAM搜索匹配，得到当前帧与轮廓模型的人脸特征点对齐结果。