一种改进的AAM人脸特征点快速定位方法

格式：pdf
大小：1.53 MB
文档页数：5

下载文档原格式

基于改进AAM的人脸特征点提取

ＮＩＸｉｇ，ＸＩＺｉｏｇＵｎｈｈｎ，ＭＡＳＡＨＩｎｋＤＥＫａｅｏ
（．ＣｌｇｆｎｏｍｔｎａｄＣｍｕｉｔｎＥｇｅｒｇＨｒｉｎｉｅｒｇＵｉｅｓｙＨｒｉ５０１Ｃｉ；．ｅａｔｅｔｆ１ｏｅｅｏｆｒａｉｎｏｍｎａｉｎｉｅｎ，ａｂｎＥｇｅｎｎｖｒｉ，ａｂｎ１００，ｈｎ２ＤｐｒｎｌＩｏｃｏｎｉｎｉｔａｍｏＭｅｈｎａＥｇｅｒｇａｄＩｔｌｇｎｙｔｓＴｅＵｉｒｉｆｌｔ — ｏｍｎｃｔｎ，ｏｙａａ，１２８８）ｃａｉｌｎｉｅｉｅｉｔｓｍ，ｈｎｖｓｙｏＥｅｒＣｍｕｉｉｓＴｋｏＪｐｎ —５５ｃｎｎｎｎｌｅＳｅｅｔｃｏａｏ８
ｉｇｎｒｄｉｔｔｏａｉｎｏｈｅｔｓｈａｅ，ａｄａｃｒｉｇｔｈｅｐｒｄｃｉｎｗｅｓｌｃｅｒｐｒｍｏｅｎ— ｍａｅａｄｐｅｃｈｅｒｔｔｏｆｔｅｔｔｅｆｃｎｃｏｄｎｏｔｅｉｔｏｅｅｔｄｐ０ｅｄｌｉｓａｃｓａｈｔｉｇｍｏｅ．Ｆｉｌｙｗｅｅｔａｔｄｔｅｆａｕｒｏｎｔｆｔｅｆｃｔｎｅｓｔｅｆｔｎｄ１ｉｎａｌｘｒｃｅｈｅｔｅｐｉｓｏｈａｅ．Ｅｘｅｍｅｔｌｒｓｌｓｐｏｅｈｔｐｒｎａｅｕｔｒｖｄｔａｉｔｓｍｅｈｄｉｃｅｓｄｔｅｆｔｎｃｕａｙｒｔｙａｏｈｉｔｏｎｒａｅｈｔｉｇａｃｒｃａｅｂｂｕｔｉ２７％ａｈｉｏｓｍｐｉｎｗａｃｅｓｄｂｂｕｎｄｔｅｔｍｅｃｎｕｔｓｄｅｒａｅｙａｏｔ９％ｏｃｍｐｒｎｔｈｔｎａｄＡＡＭｔｏｏａｉｇｗｉｈｔｅｓａｄｒｍｅｈｄ．

使用ASM与AAM方法进行器官定位

（．东科技大学信息科学与工程学院，泰安１山
要：官定位是人脸识别中的一个重要环节，的精确性影响到人脸的正确识别率。本文主要研究器它
主动形状模型（Ｓ和主动外观模型（ＡＭ）ＡＡＭ）的原理、法，以具体例子说明其在器官定位中的应用，方并分析
人脸识别的本质是三维物体在二维投影图象上的匹配。因为人脸是由不同的眼睛、子、、鼻嘴
下巴等部件构成，些部件形状和大小的差异使这每个人脸都不同，以进行器官定位，而提取其所从形状信息可作为人脸识别的重要特征。虽然因个人外貌、维姿态、部表情及光照的不同使脸部三面特征的提取比较困难，基于２图象统计分析但Ｄ基础上的ＡＭ与ＡＡＭ模型均能在器官定位中Ｓ
ｔｉｄｅａｐｅｎａｙｅｈｉｉｃｉｎｔｎａｄｓｍｅｅｓａｌｘｍｌａｄａｌｚｓｔｅｒｄｓｒｍｉａｉａｎｓ．ｅｓｎｏｎＫｅｒｓ；ｆｃｅｏｎｔｎ；ｓｒｃｕｅｏａｉｇ；ａｔｖｈｐｄｅ；ａｔｖｐｅｒｎｅｍｏｅｙｗｏｄ：ａｅｒｃｇｉｉｏｔｕｔｒｌｔｓｃｎｃｉｅｓａｅｍｏｌｃｉｅａｐａａｃｄ１

基于改进差分AAM和K-SVM的人脸表情识别

．主动表现模型是基于统计模型的方法，主要包括统计形状模３１反向合成图像算法
★ 来稿日：１－２１－基金项目：期２１０－０ｋ０西南科技大学研究生创新基金资助（９ｃ０）四川省教育厅科研基金（７Ａ７）０ｙｊ５，ｊ０Ｚ１５
第１２期
合成算法求式（）３的最小值：
假设图像中有个标定点，人脸形状可以用着Ｖ个标定点坐标组成的向量来表示：（，Ｙ一，Ｙ）中含分段放射变换作用（，，＝平移、旋转、比例变换）的效果，ＡＡＭ采用Ｐｏｒｓｓｒｃｔ分析方法是将所ｕｅ
有的形状向量对齐到同一坐标框架中。由于对齐后的形状向量分布
改进差分ＡＭ特征和ＫＳＭ算法的有效陛ｉ了验证。Ａ－Ｖ了
Ａ（）间总是正交的。之
２主动表现模型
型和统计外观模型。ＡＡＭ是由一组手工标定的训练图像计算得来。
３反向合成图像对齐算法
反向合成算法由ＬａａＫｎｄ算法演算而来，ｕｃｓａａｅ — 是一种快
在ＡＭ中，Ａ外观图像Ａ（）本质上是～幅定义在基形状ｓ
上的图像，该图像由基形状ｓ内的所有像素点组成。为了消除。
果效果最佳，ＭＭ在基于序列分类有很好的效果，但不能准确估计Ｈ
高维空间小样本训练序列的模型参数。将表隋分为申Ｉ，生高兴，生气
和惊奇４种。首先介绍了Ａ的基本内容和反向合成图像对齐算Ａ
改进。
∑［（）。（）Ｖ。 △］）（）Ａｐ；一０
假定（０：，：；）０则

基于强跟踪滤波器预测的主动表观模型人脸特征点跟踪

ｐｒｅｄｉｃｔｉｏｎｏｆｓｔｒｏｎｇｔｒａｃｋｉｎｇｉｆｌｔｅｒ（ＳＴＦ — ＡＡＭ）ｗａｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔｌｙ，ｉｔｖｉｅｗｅｄｔｈｅｈｅａｄｍｏｖｅｍｅｎｔｉｎｔｈｅｖｉｄｅｏａｓａｄｙｎａｍｉｃｓｙｓｔｅｍａｎｄｕｓｅｄＳｔｒｏｎｇＴｒａｃｋｉｎｇＦｉｌｔｅｒ（ＳＴＦ）ｔｏｐｒｅｄｉｃｔａｎｄｔｒａｃｋｉｔ．Ｓｏｔｈｅｉｆｔｔｉｎｇｉｎｉｔｉａｌｐｏｓｉｔｉｏｎｏｆｅａｃｈｆｒａｍｅｗａｓｆ０ｕｎｄａｎｄ
ＴＯＮＧＬｅｉ．ＺＨＡＯＨｕｉ
（ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＸｉｎｊｉａｎｇＵｎｉｖｅｒｓｉｔｙ，ＵｒｕｍｑｉＸｉｎｊｉａｎｇ８３００４６，Ｃｈｉｎａ）
就会使拟合过程陷入局部最小，使迭代无法收敛到正确位置，造成定位失败。针对此问题，提出了一种基于强跟踪滤波器（ＳＴＦ）预测的ＡＡＭ（ＳＴＦ — ＡＡＭ）人脸特征点跟踪方法。首先，将视频中头部运动看成动态系统，然后利用强跟踪

监控视频中正面人脸快速判别方法

监控视频中正面人脸快速判别方法杨建;徐玮;袁晶;刘煜;张茂军【摘要】视频监控领域由于其数据量巨大使得对视频分析变得更加困难，找到视频中正面人脸图片能够使得分析变得简单。

正面人脸判别采用了基于积分通道特征和Adaboost的方法，通过提取积分通道特征，利用Adaboost训练分类器，对人脸检测窗口进行正面人脸快速判别。

实验结果表明，该方法具有比较好的判别速度和精度，能够应用于大部分监控视频。

%A problem has occured when the video analysis work is done because of the big data of the surveillance video, it is convenient to analyze the video if the positive face has found. Discriminant of the positive face uses the method based on integral channel features and Adaboost, in the training section, the Adaboost uses the extracted integral channel fea-tures to train the classifier, which is used to the rapid discriminant of the positive face of the face detection window. Experi-mental results show that this method can meet most surveillance video with good computing speed and accuracy.【期刊名称】《计算机工程与应用》【年(卷),期】2014(000)020【总页数】6页(P176-181)【关键词】监控视频;视频分析;积分通道特征;Adaboost【作者】杨建;徐玮;袁晶;刘煜;张茂军【作者单位】国防科学技术大学信息系统与管理学院，长沙 410073;国防科学技术大学信息系统与管理学院，长沙 410073;国防科学技术大学信息系统与管理学院，长沙 410073;国防科学技术大学信息系统与管理学院，长沙 410073;国防科学技术大学信息系统与管理学院，长沙 410073【正文语种】中文【中图分类】TP391作为安防监控的重要组成部分，视频监控系统已广泛应用于超市、银行、政府等各部门。

人脸识别中的人脸关键点检测算法优化

人脸识别中的人脸关键点检测算法优化一、引言人脸识别技术在近年来得到了广泛的应用，其实现原理中的一个关键环节就是人脸关键点的检测。

人脸关键点检测算法的优化是提高人脸识别准确性和效率的关键。

本文将就人脸关键点检测算法的优化进行探讨。

二、人脸关键点检测算法概述人脸关键点是人脸图像中的一些特定位置，例如眼睛、鼻子、嘴巴等部位。

人脸关键点检测算法旨在通过对人脸图像的分析，准确地定位这些关键点。

常见的人脸关键点检测算法包括传统的基于模型的方法和基于深度学习的方法。

传统的基于模型的方法主要基于特征提取和模式匹配原理，通过人工设计特征或使用机器学习方法对特征进行学习。

这些方法通常需要预定义的特征模型，并且对于不同的人脸图像，需要手动调整模型参数，因而具有一定的局限性。

基于深度学习的方法则利用深度神经网络的强大学习能力，自动学习人脸的特征表示，并通过回归或分类模型得到人脸关键点的坐标。

这些方法在人脸关键点检测任务上取得了良好的效果，但是其复杂的网络结构和需要大量的训练数据使得其计算复杂度较高。

三、人脸关键点检测算法的优化方向为了提高人脸关键点检测算法的准确性和效率，研究者们提出了一系列的优化方法和技术。

以下将从多个方面对这些优化方向进行讨论。

1. 特征提取人脸关键点检测算法的准确度与特征提取的质量密切相关。

为了获得更好的特征表示，可以使用先进的特征提取算法，如局部二值模式（Local Binary Patterns, LBP）、方向梯度直方图（Histogram of Oriented Gradients, HOG）等。

这些算法可以从人脸图像中提取出更具代表性的特征，有助于提高关键点检测的准确性。

2. 模型优化对于基于模型的人脸关键点检测算法，模型的优化是一项重要的任务。

可以通过对模型进行精细的调整和优化，提高模型的性能。

此外，还可以使用更为先进的模型，如级联形状回归器（Cascade Shape Regression, CSR）、支持向量回归（Support Vector Regression, SVR）等，来取代传统的模型，提高关键点检测的精确度。

在线模板的人脸特征点对齐

Ｒｅａｌｔｉｍｅｆａｃｅａｌｉｇｎｍｅｎｔｕｓｉｎｇｏｎｌｉｎｅｆｅａｔｕｒｅｓｍｏｄｅｌ
ＸＵＧＵＯ — ｑｉｎｇ
（ＨｕｂｅｉＰｒｏｖｉｎｃｉａｌＫｅｙＬａｂｏｒａｔｏｒｙｏｆＩｎｔｅｌｌｉｇｅｎｔＲｏｂｏｔ，ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ
时进行一次，后续帧在前帧基础上更新位置，提高跟踪速度；针对人脸运动过快出现的块匹配失效问题，使用多分辨率块搜索算法围的快速移动条件下，仍然能够实现特征点匹配。在实时网络摄像头条件下进
（武汉工程大学计算机科学与工程学院智能机器人湖北省重点实验室，湖北武汉４３００７３）
摘要：为提高实时人脸对齐的精度和效率，在ＡＡＭ关键点对齐算法基础上，提出融合在线多帧特征信息的特征点更新实时人脸对齐方法。利用前帧已对齐的特征点信息，快速计算本帧运动矢量，作为本帧对齐初始位置，使本帧对齐迭代的初始点充分接近最优解，避免大范围搜索容易陷入的局部极小问题；人脸检测的初始化过程仅在完全丢失或第一帧初始化
行跟踪实验。实验结果表明，提出的特征点更新算法能够实时跟踪快速的人脸移动，并在较少的迭代次数内实现人脸对齐。关键词：人机交互；人脸对齐；在线特征点更新；主动表观模型；主方向滤波

基于特征值修正的特征点重定位方法

ｐｒｏｖｅｔｈｅｐｏｓｉｔｉｏｎｉｎｇａｃｃｕｒａｃｙｏｆｔｈｅｆｅａｔｕｒｅｐｏｉｎｔ．Ｋｅｙｗｏｒｄｓ：ａｃｔｉｏｎｕｎｉｔｓ；ａｃｔｉｖｅａｐｐｅａｒａｎｃｅｍｏｄｅｌ；ｅｉｇｅｎｖａｌｕｅ；ｒｅｌｏｃａｔｉｏｎ；ｉｓｏｌａｔｅｄｆｒａｍｅ；ｓｍｏｏｔｈ
ｎｏｔｏｎｌｙｒｅｄｕｃｅｓｔｈｅｃｏｍｐｌｅｘｉｔｙｏｆｄｉｒｅｃｔｌｙａｄｊｕｓｔｉｎｇｔｈｅｆｅａｔｕｒｅｐｏｉｎｔ，ｂｕｔａｌｓｏａｃｈｉｅｖｅｓｔｈｅｐｕｒｐｏｓｅｉｎａｃｅｒｔａｉｎｅｘｔｅｎｔｔｏｉｍ—
２０１３年６月第３４卷第６期
计算机工程与设计
ＣＯＭＰＵＴＥＲＥＮＧＩＮＥＥＲＩＮＧＡＮＤＤＥＳＩＧＮ
Ｊｕｎ．２０１３
ＶｏＬ３４Ｎｏ．６
基于特征值修正的特征点重定位ＯＨｕｉ
（ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，Ｘｉ￣ｉａｎｇＵｎｉｖｅｒｓｉｔｙ，Ｕｒｕｍｑｉ８３００４６，Ｃｈｉｎａ）

易盟数字证卡人像采集系统

前言易盟数字证卡人像采集系统随着数码相机的普及以及数字成像技术的迅猛发展，数字人像的正在成为用户电子数据中一个重要的组成部分。

数码相机伴随着联机实时采集，实时联机保存，以及所见即所得、操作简单快捷的技术优势，迅速取代了传统的摄影成像技术。

作为通过公安部认证和推荐的易盟数字证照人像采集系统的解决方案提供商，易盟在《易盟数字证卡人像采集系统V7》中集成了智能裁切、智能调整与自动入库等先进技术，我们会以优秀的产品、诚挚的合作、迅捷的技术服务，为客户提供软硬一体的整套证卡人像采集方案。

方便快捷、经济实用是易盟数码证照人像采集系统所追求的，您需要易盟数码证照人像采集系统。

第一章公司简介第一节今日易盟沈阳易盟信息技术有限公司是2000年在沈阳高新技术产业开发区注册成立的高新技术企业，注册资金500万元，是专业化的软件开发与系统集成公司。

我们致力于为客户提供领先的信息和应用整合解决方案。

沈阳易盟信息技术有限公司早在2002年末就获得了佳能（Canon）数码相机SDK软件开发包许可，并成为国内最早与佳能合作的人像采集软件开发商之一。

2003年，易盟又成功获得富士胶片（FUJIFILM）中国公司的PrintPix系列打印机SDK软件开发授权，并成为富士第二代居民身份证特约开发与集成商、指定经销商以及PrintPix系列照片打印机的区域总代理。

2006年，公司签约全球最大的热升华打印机厂商SHINKO,在驾管车管领域展开全面合作。

公司于2005年四月获得国家信息产业部“双软认证”，《易盟数码证照人像采集系统》通过了认证，被评为软件企业；四月份开始，我们开始质量认证体系培训并于2005年7月顺利通过ISO9001：2000质量管理体系认证。

同时，《易盟数码证照人像采集系统》获得国家版权局版权人证中心颁发的软件著作权证书。

目前，我们的产品广泛应用于二代证人像采集，城市一卡通、驾驶员人像采集、居民卡、残疾人证以及监狱管理等联机采集领域，在辽宁、黑龙江、吉林、河北等地都有大量应用。

人脸表情识别的研究进展

（ＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇＣｏｌｌｅｇｅ，ＭｉｎｚｕＵｎｉｖｅｒｓｉｔｙｏｆＣｈｉｎａ，ＢｅLeabharlann ｊｉｎｇ１０００８１，Ｃｈｉｎａ）２
ＡｂｓｔｒａｃｔＩｎｒｅｃｅｎｔｙｅａｒｓ，ｆａｃｉａｌｅｘｐｒｅｓｓｉｏｎｒｅｃｏｇｎｉｔｉｏｎｈａｓｂｅｃｏｍｅａｈｏｔｒｅｓｅａｒｃｈｄｉｒｅｃｔｉｏｎｉｎｈｕｍａｎｃｏｍｐｕｔｅｒｉｎｔｅｒａｃ－ｔｉｏｎ，ｍａｃｈｉｎｅｌｅａｒｎｉｎｇ，ｉｎｔｅｌｌｉｇｅｎｔｃｏｎｔｒｏｌａｎｄｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ．Ａｃｃｏｒｄｉｎｇｔｏｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｆｅａｔｕｒｅｃｌａｓｓｉｆｉｃａ－ｔｉｏｎ，ｒｅｃｅｎｔｄｅｖｅｌｏｐｍｅｎｔｓｏｆｆａｃｉａｌｅｘｐｒｅｓｓｉｏｎｒｅｃｏｇｎｉｔｉｏｎｗｅｒｅｐｒｅｓｅｎｔｅｄ．Ｆｒｏｍｓｔａｔｉｃｉｍａｇｅｓａｎｄｉｍａｇｅｓｅｑｕｅｎｃｅｓ，ｔｈｅ
ｅｎｃｅ－Ｐｏｓｅ，Ｅｘｐｒｅｓｓｉｏｎ，ＡｃｃｅｓｓｏｒｙａｎｄＬｉｇｈｔｉｎｇ）人脸数据库包［１９］含了１０４０个人的６种面部表情和动作，包括中性、闭眼、皱眉、微笑、惊奇和张嘴。
部分人脸图像库中也包含若干表情图像，比如ＡＲ图像库包［２０］含中性、微笑、生气和尖叫４种表情；Ｙａｌｅ人脸图像库包［２１］含中性、高兴、悲伤、欲睡、惊奇和眨眼６种人脸的表情和动作。另外，纽约州立宾汉姆顿大学建立的ＢＵ－３ＤＦＥ（ＢｉｎｇｈａｍｔｏｎＵｎｉｖｅｒｓｉｔｙ３ＤＦａｃｉａｌＥｘｐｒｅｓｓｉｏｎ）三维人脸表情图像库［２２］，包含了１００个人的２５００个人脸表情模型。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

传统反向组合 AAM 相比，拟合准确率提高约 43%，时间消耗降低约 62%。
关键词：人脸识别；AAM；反向组合算法；Adaboost；三维姿态估计；ATLAS
中图分类号：TP391.41
文献标识码：A
文章编号：1009-5896(2009)06-1354-05
An Improved AAM Fast Localization Method for Human Facial Features
1 引言
人脸特征定位是人脸识别的一个核心环节，在 MPEG4 视频编码、视频安全监控等领域应用广泛。利用 AAM 算法[1,2]进行特征点定位是近年来国内外学者关注和研究的热点，它相比传统基于肤色、模板以及 Gabor 小波等方法具有较高的效率和更好的准确性。
AAM 算法的拟合效率与模型的初始位置及模型实例关
α = arctg(d/l), θInEye = arctg(d/l1) − arctg(d/l2),
θ = (θInEye + θmouth )/ 2
(2)
根据计算得到的角度和前面得到的鼻尖位置，本文即完
Fan Xiao-Jiu① Peng Qiang① Jim X Chen② Xia Xu①
①
(School of Information Science & Technology, Southwest Jiaotong University, Chengdu 610031, China)
②
(Department of Computer Science, George Mason University, Fairfax VA 22030-4444, USA)
图 1 人脸分割及颈部区域分离
线以下区域，从而相对精确的提取出人脸区域。 2.2.4 脸部特征区域定位将灰度图中肤色区域以“1”表示，背景区域用“0”表示，眼睛、鼻子和嘴巴区域相对皮肤有较深的颜色，水平灰度直方图均出现波谷；内外眼角垂线受鼻子和嘴巴区域颜色影响，垂直灰度直方图也出现波谷。根据这两处可以确定左右内眼点和左右嘴角点的位置，再根据左右内眼点的中线与鼻子水平交线确定鼻尖的位置。
f (x1,x2) = e−(1/ 2)(X −μ)T C −1(X −μ)
(1)
其中μ = (156.56,117.43)T , C = ⎛⎜⎜⎜⎜⎝1126.01.4133 1229.91.4436⎞⎠⎟⎟⎟⎟⎟ 。
给定一幅人脸图像中的任意一个像素点的纯色度值，代入式 (1)即获得肤色相似度图和人脸区域的二值图像。 2.2.2 排除非人脸区域为了进一步确定人脸区域，本文选择区域填充率和长宽比两个空间特征排除二值图像中的非人脸区域，分别取经验值[0.6,0.9]和[0.6,2]，其中长宽比考虑了头肩部的连续性。处理后的人脸分割图如图 1 所示。 2.2.3 颈部区域分离本文采用多项式拟合下巴曲线达到人脸和颈部的精确分离。首先通过对分割人脸的边缘检测获得人脸区域和颈部相交的两个拐点，标出两拐点的中点，然后经验地选择距离中点间距为两拐点间距的 1/5 处为下颚最低点，最后通过这三点采用样条插值和多项式拟合，消除曲
对于一个正面的人脸，两只眼睛处于水平位置，且鼻下点与左右内眼点的夹角相等。平面偏转使两只外眼角连线不再处于水平位置，而侧深度偏转则使人脸中分线产生偏移，从而使鼻下点、左右内眼点及嘴角点产生夹角差。基于这两个方面，本文根据位置几何关系来进行简单三维姿态估计。如图 3，图 4 所示。
设平面偏转时两外眼点间的垂直距离为 d ，水平距离为 l ，人脸的平面偏转角度为 α ；侧深度偏转时鼻下点水平线
偏转较大的人脸时，会出现特征无法检测或者检测不完全的
情况。本文利用 YCbCr 色彩空间能有效区分肤色区域和背
景区域的特性，采用肤色分割和直方图处理的方法对未检测
到特征的人脸图像进行特征提取。
2.2.1 肤色模型的建立令人脸图像上任意一处的Cb ,Cr 为
(x1,x2) ，设 (x1,x2) 的概率密度函数定义为
然后充分利用 YCbCr 色彩空间人脸肤色特性对无法检测或检测不完全的图像进行特征提取，最后根据特征区域
计算鼻尖坐标和人脸偏转角，合理调整拟合中心位置和模型实例，并在拟合过程中引入 ATLAS(Automatically
Tuned Linear Algebra Software)线性代数软件包，实现矩阵优化。基于 IMM 人脸库的仿真实验表明，该方法与
Abstract: Traditional AAM (Active Appearance Models) improved methods on human facial features localization always concentrate on fitting efficiency without any concrete analysis of characteristic of the initial position and model instance, thus the location accuracy and speed are both not ideal. An initial position correction and model instance selection method based on facial features detection and simple 3D pose estimation is proposed. Adaboost algorithm is applied to pre-detection of facial features in the images firstly, then to extract features from the images that could not be detected or have been incompletely detected using facial skin properties in YCbCr color space. Finally，calculate the coordinate of the nose tip and deflection angle of the face according to features region, properly adjust the fitting center position and model instance and introduce linear algebra software ATLAS(Automatically Tuned Linear Algebra Software) into fitting process for matrixes optimization. Simulation experiments on IMM face database show that proposed method has increased the fitting accuracy rate by about 43% and the time consumption is decreased by about 62% comparing with traditional Inverse Compositional AAM Algorithm. Key words: Face recognition; Active Appearance Model (AAM); Inverse compositional algorithm; Adaboost; 3D pose estimation; Automatically Tuned Linear Algebra Software (ATLAS)
本文采用 Adaboost 和 YCbCr 色彩空间的人脸特征检测方法，结合单张二维照片的简单三维姿态估计，改善 AAM 算法的拟合中心的初始位置，合理选择模型实例，在反向组合算法的基础上引入 ATLAS 矩阵优化[6]，相比传统反向组合 AAM 在拟合准确率和拟合速度上都有明显的改善，具有较大的实用性。
到的若干强分类器级联组成级联分类器检测需要的特征区
域。本文在级联分类器时按运算量排序，通过少量运算在前
几层检测中排除大部分的非人脸图像区域，大大加快了检测
பைடு நூலகம்
的速度。
2.2 基于 YCbCr 色彩空间的肤色检测
Adaboost 特征检测方法对于训练样本产生的分类器非
常依赖，具有一定的局限性，如使用正面的人脸分类器检测
摘要：传统的 AAM(Active Appearance Models)人脸特征定位改进方法通常关注于拟合效率上，没有具体考虑
拟合初始位置和模型实例的特征，因此定位准确率和速度并不理想。该文提出了一种基于人脸特征检测和简单三
维姿态估计的拟合初始位置改进和模型实例选择方法。首先采用 Adaboost 算法对图像中人脸特征进行预检测，
图 2 脸部特征定位
2.3 基于单张照片的简单三维姿态估计本文仅仅考虑平面偏转和侧深度偏转两种情况。平面偏
转是绕 Z 轴的偏转，用于对 AAM 拟合中心位置的提前判断；侧深度偏转是绕 Y 轴的偏转，用于 AAM 拟合初始形状的选择，这两种偏转都属于绕轴偏转。绕轴偏转还包括垂直深度偏转，但此时面部主要特征点可能已经不在可见范围内，详情见文献[7,8]中相关论述。
第 31 卷第 6 期 2009 年 6 月
电子与信息学报 Journal of Electronics & Information Technology
Vol.31No.6 Jun. 2009
一种改进的 AAM 人脸特征点快速定位方法
范小九① 彭强① Jim X Chen② 夏旭①
①(西南交通大学信息科学与技术学院成都 610031) ②(乔治梅森大学计算机科学系美国弗吉尼亚 22030-4444)