[发明专利]基于条件外观模型的人脸特征点自动标定方法

说明书

技术领域

本发明属于图像分析技术领域，具体地说，属于一种基于条件外观模型的人脸特征点自动标定方法。

背景技术

在计算机视觉研究领域，对目标物体进行定位与描述是一个备受关注的研究课题，从图像中找到感兴趣的目标区域并借助计算机进行解释是计算机视觉研究中的一个基本问题，也是将计算机视觉技术应用于工业检测、目标识别和图像处理等领域中一个必不可少的重要步骤。这一技术已得到众多研究工作者的注意。对于人脸图像，虽然人类可以从一幅入脸图像中轻松地辨别出面部特征点的准确位置，但是对于计算机而言却并非一件易事。

人脸特征点的定位是人脸识别系统中的一项关键技术，对一个自动人脸识别系统来说，面部特征点定位的精确度和鲁棒性十分重要，而且精确快速的特征点定位跟踪在三维人脸的重建，姿态估计以及视点跟踪等方面也有着重要的应用。利用主动外观模型(Active Appearance Model，AAM)方法进行人脸特征点进行定位是近年来关注和研究的热点，它于1998年由Edwards等人首次提出的，并在人脸和其他非刚体的配准与识别中得到了广泛的应用。

AAM算法是对主动形状模型方法(Active Shape Model，ASM)的一种改进，与ASM相比，它考虑了全局信息的约束，采用形状和纹理融合的统计约束，即统计表观约束。并且，AAM的搜索原理借鉴了基于合成的分析技术(analysis-by-synthesis，ABS)的主要思想，通过对模型中参数的不断调整而使模型逐渐逼近实际的输入模型。

在AAM方法的应用中，一般是采用统计分析的方法，对一组手工完成标定的人脸图像进行训练，得到人脸的形状及其外观模型，并通过不断的改变形状和外观参数使生成的虚拟人脸图像与输入图像之间的差值在均方意义上达到最小，从而达到人脸的精确定位。

AAM的配准算法假定误差图像与模型参数的增量之间是满足一种简单的线性关系，这个线性关系可以通过回归的方法或是其他的数值方法计算得到，但是实际上这种假设并不准确，Baker等人在文献[117]中举出了反例，而且利用这种差值线性不断更新模型参数的过程中，每次迭代都将产生新的纹理，使算法计算速度大大降低。因此，针对这些缺点，Baker等人又在Lucas-Kanade算法的基础上提出了AAM反向合成匹配算法(lnverse Compositional AAM)，该算法不再使用AAM中假设的简单线性关系，不是进行简单的数学估计，而是遵循严格的数学推导，采用的参数更新方法也在原有的简单叠加的基础上使用了新的更新策略，因此，算法具有了更高的计算精度和效率。

此外，AAM算法的拟合效率与模型初始位置的给定有着密切的关系，而手动进行训练图片的特征点标定不但效率低，而且准确率也并不理想，因此初始特征点的给定也是影响算法鲁棒性和速度的关键因素，能够自动进行人脸特征点的自动准确标定可以使算法的效率及精确度大大提高。

发明内容

本发明的目的在于：针对现有基于外观模型进行人脸特征点自动标定方法的不足，提出了一种条件型主动外观模型及其相应的反向合成匹配算法。算法假设已知正面人脸的关键特征点，将原始的AAM反向合成匹配算法形状模型与基本形状的对应关系，演变为任意姿态人脸关键特征点与正面人脸的关键特征点之间的对应关系，通过建立形状模型，并根据反向合成拟合算法，对模型参数不断迭代优化，最后得到精确的任意姿态人脸特征点。算法中初始的人脸标定点由核岭回归算法(Kernel Ridge Regression，KRR)学习得到，KRR算法的核心在于建立离散特征点对应与结构化标定点之间的映射关系，其中，离散对应关系是通过任意姿态人脸与正面人脸的图像特征匹配得到。

本发明所解决的技术方案是：假设某个体正面人脸已经标定的条件下，首先建立正面人脸与侧面人脸之间的离散特征点对应，通过回归算法获得的离散特征点与结构化标定点之间的映射关系，获得侧面人脸的初始化标定结果。然后，建立侧面人脸关键特征点与正面人脸关键特征点之间的对应关系，建立条件型形状模型，并根据反向合成拟合算法，通过对模型参数的不断迭代优化，得到最终的标定结果。本发明技术方案的具体实现步骤如下：