基于局部二值模式lbp纹理提取人脸特征点的主动外观模型aam算法

基于局部二值模式lbp纹理提取人脸特征点的主动外观模型aam算法

由于其友好、直接、方便，人脸识别具有广泛的应用前景，已成为生物识别技术的研究热点。在人脸识别领域，有许多基于analyzer算法的资源定位方法。这是近年来国内外科学家关注和研究的焦点。与传统的基于皮肤、模型和gaor指数的方法相比，这具有更高的效率和更快的相关性。缺陷的克隆是一个非线性优化问题，很难快速有效地求解。去年，大学的瓦金等人提出了一种反演组合算法，早期计算hessian矩阵和梯度，减少重复，显著提高了匹配算法的速度。基于反向组合，毛月宁等人提出了一种基于多个模型的apmm识别方法。该算法有效地解决了appm方法在平面上盲目调整的面部时陷入局部优化，无法正确识别的缺点。然而，在寻找特定的apm模型时，需要使用不同的apm模型来搜索不同的属性，这会影响匹配效率。文中在传统的反向AAM方法基础上提出了基于LBP的改进的AAM算(L-AAM).首先从测试图片中检测出人脸区域,对人脸区域进行大小设置后将其平均分割为4部分;然后对每一部分进行局部二值模式法处理,判断人脸的旋转方向,选择合适的人脸模型去拟合.实验结果表明LBP方法在判定人脸旋转类型上具有快速准确的优点,拟合效果相比传统反向组合AAM算法,在准确率和速度上都有明显改善.1独立外观模型的am算法1.1模型aam1.1.1两组形状模型独立AAM的形状模型是由一组图像上的三角网格和这些三角网格的顶点集s构成,通常s记为坐标点的集合的形式:s=(x1,y1,x2,y2,⋯,xv,yv)Τ.(1)AAM中的形状模型,如图1所示.通过训练这样的一组给定顶点集得到,对数据进行对齐,统计处理,PCA等做法,最终能得到一组形状模型:s=s0+n∑i=1pisi.(2)式中:s0为平均形状,si为正交基地,pi为一组形状参数.1.1.2纹理模型建立纹理模型是建立在基本网格S0上的,如图2所示.同样对这些数据进行统计处理并采用主成成分分析,可以得到一组纹理模型,其矩阵表达为A(x)=A0(x)+m∑i=1λiAi(x).(3)式中:A0(x)为平均纹理,Ai(x)为一组正交基地,λi为一组纹理参数.1.2aam匹配方程AAM匹配的过程就是利用AAM去定位特征点的过程,根据未知图像与模板图像的差值不断调整AAM模型的参数,最终使差值达到最小.把求图像之间的纹理差放在基本网格S0的框架下进行,并记I(W(s·p))为在图像I(x)处的采样.因此可建立AAM的匹配方程∑x∈S0[A0(x)+m∑i=1λiAi(x)-Ι(W(x;p))]2.(4)2旋转角度确认匹配结果AAM匹配中,模型的初始位置会影响匹配的速度以及结果的准确性,当测试人脸有一定旋转角度时,利用正面模型实例匹配结果往往不够理想.所以如果在匹配之前能够预测测试人脸的转向并根据旋转方向选择合理的模型实例,可以提高AAM匹配的鲁棒性.2.1局部像素转换局部二值模式LBP可以有效地描述图像的纹理特征,已被广泛应用于人脸识别.图3为一个基本的LBP原理.在一幅图像中,对于每一个像素点,都有8个相邻像素.LBP比较中心像素值与其相邻像素值的大小,如果中心像素值小于相邻像素值,将这个相邻像素值设为1,相反设为0.这样就可以得到一组二进制数,将这个二进制数转换为十进制数,并用此十进制数替换原来的中心像素值.LBP对1幅图像中的每一个像素进行值替换,最后便可以得到1个可以描述图像纹理特征的人脸直方图,直方图描述了一幅图像中像素值出现的频率.2.2人脸系统lbp处理对一幅人脸图片进行LBP处理前,首先检测人脸图片中人脸区域,并将检测到的人脸区域设置为100×100像素大小.然后将人脸平均分割为4部分,分别对其进行LBP处理,得到相应的4个直方图.将这个4个人脸直方图连接得到了可以表示人脸灰度特征的直方图.具体过程如图4所示.2.3转人脸图像的特征首先建立3组不同转向(正面,左转,右转)人脸.每组包含10张相同转向人脸图片.对每一个人脸进行LBP处理,得到相应的直方图,并计算每个人脸组的平均直方图.这样就可以得到3个人脸平均直方图,分别代表正面人脸,左转人脸及右转人脸的灰度特征,如图5所示.2.4直方图旋转角度测试通过计算测试人脸的直方图与前面得到的平均直方图之间的距离判断所测试人脸的旋转类型.直方图之间的距离计算可表示为X2ω(x,ξ)=∑j,iωj(xi,j-ξi,j)2xi,j+ξi,j.(5)式中:x为测试图片的直方图矩阵元素,ξ为平均直方图矩阵元素,wj为权重(文中将权重设为1).比较测试图片与平均人脸直方图的3个距离大小,最小距离表明测试图片与这个人脸直方图所对应的人脸具有相同的旋转方向,具体过程如图6所示.3人脸模型训练应用IIM人脸数据库作为训练集建立人脸模型.此人脸数据库包含了40个人(7位女性,33位男性)的240幅人脸图片.利用FaceFit软件对其中的20个人脸手动进行特征点提取,作为人脸模型训练库,其余作为测试图片.FaceFit软件是由日本东京电气通信大学金子实验室提供的人脸特征点提取软件,该软件将人脸特征点分成6组,分别代表眼睛、眼球、眉毛、鼻子、嘴及人脸轮廓,共175个特征点.手工标定特征点后,将所有人脸图片分为3组,即正面人脸组,左旋转人脸组和右旋转人脸组,分别利用这3组人脸图片进行模型实例建立.可以得到3个不同转向的人脸模型,如图7所示.4形状模型和纹理模型的融合应用LBP对人脸分类以后,选择合理的人脸模型进行匹配.AAM匹配中,文中选择向后合成AAM算法(ICAAM),该算法是由CamegieMellon大学的研究人员最早提出的,近年来又有了进一步的发展.与传统的AAM算法相比,其计算速度快,更能满足实时的要求,且精度有了进一步的提高.ICAAM在处理形状模型和纹理模型时没有将两者混合,而是保持相互独立.在图像匹配时,ICAAM通过在分片映射的框架下,将形状模型和纹理模型融合在AAM匹配计算过程中.首先对测试图片做LBP处理,判断图片旋转类型,图8中测试图片为正面人脸,所以选择正面人脸模型实例.图9为AAM匹配过程.经过若干次迭代(测试图片不同,迭代次数有所不同,此正面人脸的迭代次数为12)匹配后,模型与测试人脸达到最小差,迭代结束,最后提取出人脸特征点.图10为本方法对人脸图片处理后提取出特征点的结果.结果准确度的计算实际是比较AAM拟合所得的特征点与手动标定的特征点的误差.文中设定误差范围在15像素以内认定拟合较为准确.通过比较文中与传统方法的匹配精度与时间,结果如表1所示.可以发现与多模板AAM算法相比,文中提出的L-AAM算法精度提高了12.5%,同时效率也提高了4%.传统AAM方法相比,算法精度提高了27%,效率提高了9%.5旋转角度测试人脸模型时,实验效果差,效果恶传统的AAM算法没有考虑模型的初始位置与测试人脸转向问题.在测试人脸有一定旋转时,由于初始拟合位置不够理想会造成迭代次数增加以及匹配精度严重下降问题.文中建立了3种转向的人脸模型实例,首先利用LBP方法预测测试人脸的几何转向位置,根据不同的转向选择合理的人脸模