下载文档原格式
一种改进的基于主动形状模型的人脸特征定位方法田建华【摘要】主动形状模型是目前一种常用的人脸特征定位方法.针对传统的主动形状模型过度依赖模型初始参数的设置问题,提出了一种改进的基于主动形状模型的人脸特征定位方法.首先,通过样本学习得到输入新图像的灰度重构系数,并将这组系数用于人脸形状的重构,再由重构出的人脸形状得到主动形状模型的初始参数,然后通过不断调整模型参数减少模型与目标轮廓的距离误差,最后在数次迭代后达到模型与实际人脸特征轮廓的匹配.与基于传统主动形状模型的特征定位相比,改进的主动形状模型具有较高的准确性,能快速定位出各目标特征.【期刊名称】《菏泽学院学报》【年(卷),期】2011(033)002【总页数】5页(P43-47)【关键词】人脸特征定位;样本学习;主动形状模型【作者】田建华【作者单位】菏泽学院远程教育学院,山东,菏泽,274000【正文语种】中文【中图分类】TP391在人脸表情识别中，人脸特征的精确定位对于特征提取和表情识别起着至关重要的作用.但在实际应用中，由于人脸差异、图像质量等原因，准确定位人脸特征并不容易.例如在人脸特征定位中，人脸形状各异，大小也不一样，或者是带有表情的人脸、非正面人脸等等，这些都使得定位的难度加大.但是如果能够找到一种目标物体的通用模型，定位问题就会变的相对容易些.主动形状模型(ASM)，最初是由Cootes等人提出的一种用于在图像中搜索某一特定类型对象的方法［1，2］.其主要思想和snake［3］方法类似，不同的是它在搜索目标模型的变形时依赖于训练集，这就保证了目标搜索的正确性.ASM定位方法是对主动轮廓模型的推广，它通过对样本图像的训练，通过统计分析得到较为准确的局部灰度模型，再以此模型作为依据，在测试图像中与目标人脸特征进行快速匹配.ASM的优点在于它能通过形状建模得到目标轮廓的初始位置，通过选取合理的参数更新机制加速匹配，并借助于特征点周围的局部纹理特征更好的匹配图像，精确地定位出人脸特征.目前使用的传统ASM，由于其依赖于先验模型，如果模型的初始位置与目标位置相差太远，则特征定位会出现较大的偏差，甚至和目标特征位置完全不一样.鉴于传统ASM以上的缺陷，本文提出了一种改进的ASM，用样本学习的方法得到人脸形状，获取模型的初始位置信息，再由此初始位置不断调整模型参数，最后得到与实际人脸特征轮廓匹配的模型实例.本文利用样本学习的方法［4］粗定位出人脸特征.因为在归一化后的灰度图像中，人脸的灰度差和形状差之间存在一种近似的线性关系，即相似的人脸图像在较大程度上蕴涵相似的人脸形状.对标定了特征点的人脸样本集，任意输入一幅人脸图像，可以用训练集中的人脸图像进行该图像的重建，并得到一组线性系数，那么这组系数同样可以用来从训练集中的人脸形状重构出该输入图像的人脸形状.将这个预测得到人脸形状作为模型的初始位置.通过这种初始化模型位置的方法，加快匹配速度，使得到的特征位置更准确.对训练集中的每个样本在人脸轮廓和各个特征部件周围标定N个特征点，并将这N个特征点坐标按次序排列，得到一个 2N 维的矢量(x0，y0，x1，y1，…，xN－1，yN－1)，其中(xi，yi)表示第 i个标定点.这样来自样本空间的每个训练样本可用一个矢量表示其形状，称这个矢量为形状矢量，因此整个样本集就可以用m个形状矢量的集合{x0，x1，…，xm－1}来表示(m 为样本数).其中 Xi=(xi0，yi0，xi1，yi1，…，xi(n－1)，yi(n－1))表示样本集中第i个样本的形状.由于不同图像中的人脸形状和位置存在较大的偏差，因此必须对样本集中的形状矢量用相似性变换进行归一化处理.对上面得到的样本空间中的任意两个形状矢量X和X＇，通过变换T()，使得X和X＇所代表的目标轮廓中对应的点的距离平方和最小，也就是使误差项最小化:这里T()选用计算机视觉中最常用的仿射变换，即伸缩，平移，旋转，用如下矩阵表示:式中u=s·cosθ，v=s·sinθ，这样，s2=u2+v2，θ=tan－1(v/u)，将式(2)代入式(1)得:最小化式(3)，使误差项E最小.即通过对式(3)求各变量的偏导，并令其为0，求相应的变换参数:归一化后的训练样本集中，对于固定的参考图像，图像的灰度差和形状差之间存在一种近似的线性关系，即相似的人脸图像在较大程度上蕴涵相似的人脸形状.选择200幅图像作为测试样本，按预先的形状在人脸轮廓和特征区域周围标定特征点，将样本形状按照标准人脸形状作校准，各样本图像也作同样的校准，并将样本图像灰度归一化.因此得到训练数据，200幅人脸图像以及对应的形状矢量，随机选择一幅作为参考图像，其他的样本图像作为训练图像，得到训练图像和参考图像的残差:式中m为测试样本数，I＇是参考图像，ΔIi即为训练图像与参考图像之间的欧式距离.同样形状差也可以表示为:式中S＇为参考图像形状矢量，ΔSi为训练图像形状矢量与参考图像形状矢量之间的欧式距离.对于任意固定的参考图像得到图像灰度差和形状差这两组数据集合，将这两组数据分布在二维坐标后发现，对于固定的参考图像，图像灰度差和形状差之间存在一种近似的线性关系.即对于固定的参考图像，这些数据对在二维坐标系中可以拟合成一条直线.根据这个结论，可以用下面的方法提取人脸形状.对一幅新图像，寻找样本集人脸图像的最优化的线性重构系数，使得重构的人脸图像和新图像之间的差最小，并将这组最优系数应用于样本集人脸形状，重构出新图像对应的人脸形状.对给定的新图像，首先在尺度和灰度级上进行归一化，得到包含n个像素的图像，表示为I=(b1，b2，…，bn)T.样本集中的每个样本图像表示为 Ij=(aj1，aj2，…，ajn)T，A=(I0，I1，…，Im－1)为样本集图像矢量排成的矩阵，S=(s0，s1，…，sm－1)是样本集中的形状矢量排成的矩阵.用样本集中的图像重构该图像:在这个方程组中，A是训练样本集，I是输入的图像，X=(w1，w2，…wm)T是系数矢量，那么为输入图像的线性近似，即重建的图像，Y和I之间有一个误差:最小化误差项(11)得到最优化的线性重构系数X=((A＇A)－1A＇)I，由系数矩阵X，则可以把X用于新人脸图像形状的重建，得到S＇=(s1，s2，…，sm)X，S＇就是对输入图像特征边缘的粗定位结果.按照这种粗定位得到的特征点位置，与特征的实际位置比较接近，因此以它作为ASM的初始位置，可以减少定位误差，加快定位速度.对于样本集中的每个样本的形状矢量可以看成2N维空间的一个随机样本.由于各矢量之间存在相关性，为了去相关以及减少计算量，采用主成分分析的方法［5］，得到一组正交基.对于任何一个人脸图像形状都可以由这组正交基的线性组合得到. 将训练样本形状矢量的总体散布矩阵作为主成分分析的生成矩阵，记样本空间中m个形状矢量的协方差矩阵为:求得C的特征值和特征矢量，并保留前j个最大的特征值λ=(λ0，λ1，…，λj－1)以及对应的特征矢量P=(P0，P1，…Pj－1)，这j个特征矢量集中了大部分的能量，形成了整个形状矢量空间，对于任意一个输入的形状矢量X，可以近似表示为X=+pb，b=(b0，b1…，bj－1)是权值矢量，为了保证得到合理的形状矢量，形状控制参数b必须加以限制.一般bk控制在［－3，3］范围内.调整参数b，可以得到不同的人脸形状，如图1所示.粗定位得到的特征点位置与实际的特征位置未必一致，因此要对此形状调整使其与真实的形状更加接近，即每个特征点都移动到最佳的位置.选取一幅测试图像，将先验模型应用于该测试图像，ASM使用轮廓的灰度信息进行迭代，在每一步迭代中通过调整参数b来改变当前模型的位置和形状，进而得到一个新的模型，最终完成模型与测试图像特征区域轮廓的匹配.该迭代过程描述如下:1)初始化模型参数b，通常情况下取b=0，这样模型的初始位置就是样本集形状矢量的均值，在改进模型中，由于模型的初始位置和形状是由基于样本的学习得到，假设由样本学习得到的初始模型为X，将该初始模型投影到形状矢量空间P，得到初始模型控制参数b0，所以当前模型可以表示为X=+pb，(b=b0).2)沿着当前模型的每个特征区域的边缘特征点周围进行搜索，寻找各边界点(xi，yi)的最佳匹配点(x＇i，y＇i).3)根据得到的新的特征点位置(x＇i，y＇i)更新模型参数b，更新的同时对b进行约束(bk控制在［－3，3］)，由生成的新的特征点位置更新当前模型X.4)重复2)和3)，直到模型的变化在给定的阈值范围内.在上面的模型更新中，特征区域搜索是最为关键的一步.对训练样本的每个特征点沿轮廓法线方向，分析其局部灰度信息，假设对人脸形状中第i个特征点，在其法线方向两侧各取k个特征点，这2k+1个特征点的灰度值构成矢量gi，对样本集图像中相同位置的特征点做同样的工作，得到一组矢量集g={g0，g1，…，gm－1}，一般来说，g服从高斯分布，记矢量集的均值为，协方差矩阵记为sg.对样本集图像中每个特征点作同样的灰度采样分析，从而构成目标轮廓的灰度统计模型.对于一个待测特征边界点P，沿其法线方向得到灰度矢量gp，定义如下的匹配函数:寻找最佳匹配点也就是最小化f(gp)，等价于求gp的最大概率分布问题.在搜索过程中，在当前特征点沿搜索方向两侧各取W个点(W＞K)，从这2W+1个点中每次取2K+1个点的灰度与灰度模型进行比较，从这2(W－K)+1个位置中找出最佳匹配位置.对所有的特征点做相同的工作，更新模型参数b，产生新的模型，使模型与目标特征轮廓更加接近.在实验中，使用Cohn－Kanade人脸表情数据库来评估本文的方法.实验采用200幅人脸图像作为训练样本，60幅作为测试样本，对每个样本中的人脸，按如下规则取特征点.眼睛:两个眼角各取1点，上下眼帘各取3点，两眼共16个特征点.眉毛:眉毛的内角、外角各取1点，眉毛上下边缘各取3点，两侧眉毛共8个特征点.鼻子:人中，两个鼻孔外边缘各1取点，鼻子左右边缘各取4点，共11个特征点. 嘴巴:两个嘴角各取1点，上下嘴层边缘各取3点，两嘴层间取3点，共11个特征点.人脸轮廓:下巴取1点，两侧人脸轮廓等间距各取8点，共17个特征点.整个人脸共71个特征点，将各个特征点按顺序编号{1，2，…，71}，用点分布模型［6，7］构造先验模型，对给定的测试样本，由训练集图像灰度和形状信息学习得到其形状矢量，作为ASM初始位置，并计算得到ASM的初始参数b0，对每个特征点取k=4进行灰度模型训练，在特征边缘搜索迭代中沿模型边界点方向取w=8进行灰度匹配，经过20次迭代后，模型特征点定位到了目标特征位置.实验中，改进的ASM方法仅需40ms就能定位到目标特征位置，特征点定位的平均误差为1.87个像素，而传统的ASM方法需要70ms才能定位到目标位置，并且特征点定位的平均误差为2.15个像素.可以看出，改进的ASM人脸特征定位方法的速度比传统ASM快，并且平均误差也比传统ASM降低，总的性能提高了13.02%.本文提出了结合样本学习与主动形状模型的人脸特征定位方法，解决了传统ASM 人脸特征定位方法中存在的模型无法收敛到目标特征位置的问题，能快速、准确地定位出各目标特征，为以后的人脸表情识别奠定了较好的基础.【相关文献】［1］Cootes T，Taylor C，Cooper D，et al.Active shape models－Their training and application［J］.Computer Vision and Image Understanding，1995，61(1):38－59. ［2］Cootes T F，Taylor C J.Active shape models—Smart snakes［C］.Berlin:British Machine Vision Conference，1992:266 －275.［3］Kass M，Witdin A，Terzopoulous D.Snakes:active contour Model［J］.International Journal of Computer Vision，1987，1(4):321－331.［4］柴秀娟，山世光，高文.基于样例学习的面部特征自动标定算法［J］.软件学报，2005，16(5):718－725.［5］Cootes T F，Hill A，Taylor C J，et al.The use of active shape models for locating structures in medical images［J］.Image and vision computing，1994，12(6):355 －366. ［6］Abdullah A.Al－Shaher，Edwin R.Hancork.Learning mixtures of point distribution models with the EM algorithm［J］.Pattern Recognition，2003，36(12):2805－2818. ［7］Cootes T，Taylor bining point distribution models with shape models based on finite element analysis［J］.Image Vision Compute，1995，13(5):403－409.。
基于ASM的改进型人脸特征点定位方法王洋;李俊【摘要】针对主动形状模型中局部灰度模型结构简单、初始搜索位置偏移较大的问题,提出一种基于ASM的改进型人脸特征点定位方法.利用左右瞳孔和嘴巴中心的坐标,调整模型的初始搜索位置,在以特征点为中心的一定矩形区域,建立二维局部加权灰度模型和局部纹理模型,并采用新的模型匹配方法定位目标特征点.实验结果表明,基于ASM的人脸特征点定位改进方法相比传统ASM方法,定位精度提高了26.15％.【期刊名称】《桂林电子科技大学学报》【年(卷),期】2016(036)006【总页数】6页(P477-482)【关键词】主动形状模型;局部灰度模型;灰度共生矩阵;局部纹理模型;模型匹配【作者】王洋;李俊【作者单位】桂林电子科技大学电子工程与自动化学院,广西桂林541004;桂林电子科技大学电子工程与自动化学院,广西桂林541004;桂林电子科技大学广西信息科学实验中心,广西桂林541004【正文语种】中文【中图分类】TP391.4人脸特征点定位在人脸识别及三维人脸重建中扮演着重要的角色，是计算机视觉和模式识别等领域的关键技术。
在人脸三维模型重建中，面部特征点的定位精确极为重要，其直接关系到重建模型的逼真度和稳定性[1-2]。
主动形状模型[3-5](active shape model，简称ASM)是在Snakes[6]的基础上提出的一种基于统计学习的特征点自动定位方法，具有很强的适应性和广泛的有效性。
对ASM方法，许多学者进行了深入研究。
针对彩色图像中人脸特征点定位问题，Mahoor等[7]利用颜色模型建立了新的局部灰度模型，提高了彩色图像中特征点的定位精度。
范玉华等[8]利用左右瞳孔坐标调整模型初始位置，提出了基于Log-Gabor小波系数的局部纹理模型，提高了方法的精度和鲁棒性。
李皓等[9]对文献[8]的初始位置调整方案进行优化，提出了多模板的匹配方法，解决了纹理平滑区域特征点定位精确低的问题，但当被搜索目标有一定倾斜角度时，初始位置优化方案将变得更复杂。
基于主动形状模型的人脸特征提取的研究的开题报告一、研究背景人脸特征提取在计算机视觉和人机交互中具有重要的应用价值。
传统的人脸特征提取方法主要是基于分析人脸图像中的特定几何结构或模式，然后根据这些几何结构或模式提取人脸特征。
这种方法有一定的局限性，因为它受到人脸表情变化、遮挡、光照变化等因素的影响，因此导致提取的人脸特征不够准确。
基于主动形状模型的人脸特征提取是一种新型并且有效的方法，它是通过建立人脸的形状模型，从而在图像中自动搜索人脸的位置和特征点位置，然后进行人脸特征的提取。
该方法具有很好的鲁棒性，并且能够应对人脸表情变化和光照变化的影响，因此得到了越来越广泛的应用。
二、研究目的本研究旨在从理论和实践两方面对基于主动形状模型的人脸特征提取方法进行深入研究，并且在此基础上进行优化和改进，从而得到更加准确、稳定和可靠的人脸特征提取方法。
三、研究内容本研究将分为以下几个方面进行：1. 介绍基于主动形状模型的人脸特征提取方法和相关技术；2. 探究主动形状模型的建立和优化，包括模型的形态参数和纹理参数的确定，模型的主动形状追踪等；3. 提出一种基于多特征融合的人脸特征提取方法，通过将多种不同的特征进行融合，可以进一步提高人脸特征的准确性；4. 在实际应用中进行验证和实验，比较本研究的方法与其他人脸特征提取方法的效果和优缺点；5. 总结本研究的工作，进一步提出未来的研究方向和发展趋势。
四、研究方法本研究采用文献研究、案例分析、理论推导和实验验证相结合的方法，从理论到实际进行全面深入的研究。
五、预期成果本研究将得出一种基于主动形状模型的人脸特征提取方法，并对其进行优化和改进，得到具有更高准确性和鲁棒性的人脸特征提取技术，具有实际应用价值和学术研究意义。
同时，本研究将为未来相关领域的研究提供一些新的思路和方法。
基于改进AAM的人脸特征点提取牛星;席志红;金子正秀【摘要】提出了具有鲁棒性的基于局部二值模式LBP纹理提取人脸特征点的主动外观模型AAM算法(LBP-AAM).首先建立3种人脸模型实例(正面,左转及右转人脸模型);然后应用LBP判断和预测测试图片的旋转类型,依据预测结果选择合理的模型实例去匹配;最后提取出人脸特征点.实验结果证明本方法比传统的AAM方法在精度上提高了27%,效率上提高了9%.【期刊名称】《应用科技》【年(卷),期】2011(038)004【总页数】4页(P35-38)【关键词】主动外观模型;局部二值模式;局部二值模式主动外观模型;模型实例;人脸特征点【作者】牛星;席志红;金子正秀【作者单位】哈尔滨工程大学,信息与通信工程学院,黑龙江,哈尔滨,150001;哈尔滨工程大学,信息与通信工程学院,黑龙江,哈尔滨,150001;东京电气通信大学,情报理工研究科,东京,182-8585【正文语种】中文【中图分类】TP232人脸识别由于具有友好、直接和方便的特点，有着广泛的应用前景，目前已逐渐成为生物识别技术的研究热点.在人脸识别领域，人们提出了很多特征定位方法.利用AAM算法进行特征点定位是近年来国内外学者关注和研究的热点，与传统基于肤色、模板以及Gabor小波等方法相比具有较高的效率和更好的准确性.AAM的拟合是一个非线性优化问题，难以快速而有效地求解.卡耐基梅隆大学的Baker［1］等人提出了反向组合算法，提前计算 Hessian矩阵和梯度，减少了迭代量，大大提高了拟合算法的速度.浙江大学邹北骥［2］等人在反向组合的基础上提出了分层细化掩膜的改进算法，提高了算法抗干扰性能.西北工业大学呼月宁［3］等人提出了一种基于多模板AAM的人脸特征点检测方法，该算法有效解决了AAM方法在拟合具有水平偏转的人脸时陷入局部优化而无法准确检测的缺点，但是在寻找特定AAM模板时需要利用每个AAM模板搜索特征点，影响了拟合的效率.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 主动外观模型AAM算法1.1 AAM 模型1.1.1 形状模型独立AAM的形状模型［4-5］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: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:式中:s0为平均形状，si为正交基地，pi为一组形状参数.图1 形状模型1.1.2 纹理模型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.图2 纹理模型1.2 AAM 匹配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2 LBP人脸分类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［6］.2.1 局部二值模式LBP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.图3 LBP原理2.2 LBP方法处理人脸图4 人脸直方图计算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 LBP建立平均人脸直方图首先建立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.图5 平均人脸直方图2.4 判断测试人脸旋转方向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）.图6 人脸旋转方向判断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 人脸模型建立应用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.图7 平均人脸模型4 实验结果应用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8 测试图片与模型选择图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9 匹配过程图10 匹配结果图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%.表1 L-AAM，多模板AAM与AAM方法的比较方法精确度/% 拟合时间/ms L-AAM 90.96 85 632.167多模板 AAM 80.4 95 734.364 AAM 63.8 116 752.052 5 结束语传统的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型，有效解决了有旋转角度人脸的匹配问题，提高了传统AAM算法的鲁棒性.但是当测试人脸旋转角度很大时（如侧脸）本算法效果不佳.实验结果表明当人脸旋转角度超过60°时，拟合效果出现恶化，人脸特征点提取精确度下降到85%以下.因此下一步要考虑建立旋转角度更广的人脸模型实例（如侧脸模型）及与其相对应的人脸预测估计算法.参考文献:［1］MATTHEWS I，BAKER S.Active appearancemodels revisited［J］.International Journal of Computer Vision，2004，60（2）:135-164.［2］王磊，邹北骥，彭小宁，等.一种改进的提取人脸面部特征点的 AAM 拟合算法［J］.电子学报，2006，34（8）:1424-1427.［3］呼月宁，张艳宁，朱宇，等.AAM在多姿态人脸特征点检测中的应用［J］.计算机工程与应用，2010，46（12）:161-165.［4］COOTES T F，WALKER K，TAYLOR C J.View-based active appearancemodels［C］//Proc of IEEE International Conference on Automatic Face and Gesture Recognition.Grenoble，France，2002:227-232. ［5］COOTEST F，EDWARDSG J，TAYLOR C J.Active appearancemodels ［J］.IEEE Trans Pattern Recognition and Machine Intelligence，2001，23（6）:681-685.［6］范小九，彭强，CHEN JX，等.一种改进的AAM人脸特征点快速定位方法［J］.电子与信息学报，2009，31（16）:1354-1358.。
