基于ASM的人脸定位研究

第二章基于主动统计对象模型的人脸定位

从该组方案中选择最优的一种，其值是由能量相叠加来完成。这样，在寻找显著的图像特征时，高层机制可能通过将图像特征选择一个适当的局部极值点而与模型进行交互。基于这样一种思想，Ｋａｓｓ等人在１９８７年提出了称为Ｓｎａｋｅ的主动轮廓线模型【“］（ＡｃｔｉｖｅＣｏｎｔｏｕｒＭｏｄｅｌ，ＡＣＭ）。

蛇模型被定义为能量达到最小的曲线，Ｓｎａｋｅ的能量根据它的形状和在图像中的位置确定，内力约束它的形状，外力引导它的行为，图像力将其拖向显著的图像特征。该能量的局部极小值与期望得到的图像属性相关。Ｓｎａｋｅ可以被理解为一种更为一般的变形模板匹配模型技术的特殊情况，后者也是使用能量最小化的思想。不像大多数其他的模型那样，Ｓｎａｋｅ是主动的，总是最小化它的能力函数，因此表现出一种动态特性。Ｓｎａｋｅ模型的引人之处在于，它对于范围广泛的一系列视觉问题提出了统一的解决方法．它已经被越来越多的研究者成功地应用于计算机视觉的许多领域，如边界提取、图像分割和分类、运动跟踪，３Ｄ重建、立体视觉匹配等。图２．１表示了Ｓｎａｋｅ的搜索过程。

Ｓｎａｋｅ并不能完全解决在图像中寻找轮廓的问题，实际上它往往依靠其他机制，如与用户交互－与一些更高的视觉理解处理方法交互，或是利用在时间或是空间上邻近的图像数据信息。这个交互必须为Ｓｎａｋｅ具体指定一个估计的形状或开始位置．通常在期望轮廓的附近。这是使用先验信息将Ｓｎａｋｅ向适合解的位置移动。

（ａ）初始位置（ｂ）搜索过程（ｃ）搜索结果

图２１Ｓｎａｋｅ搜索过程

２．１．２变形模板

在计算机视觉研究中．模板匹配是一种相当经典的技术。其基本的形式是采用相关计算。这种方法对于某些领域是相当有效的，但是却具有许多缺点，例如当物体存在变形或光照条件发生改变的时候，这种经典的方法常常会失败，因此需要一种技术能够克服上述困难。变形模板就是一种试图解决这类问题的方法。

第二章基于主动统计对象模型的人脸定位

以及它的变化。在这里，我们可以认为是一些通过边界表示的形状的实例（象素坐标的序列）。另外，在每条边界上选出一定数量的标记点（ＬａｎｄｍａｒｋＰｏｉｎｔ），如图２．２。设有Ｎ个标记点。这些点对应于所属目标的特征。如果形状表示一只手，那么可以选择指尖、手指之间分隔点以及一些数量合适的中间点；如果形状表示人脸，那么可以选择眼角、嘴角、以及眼睛、鼻子、嘴和人脸外轮廓边界上的点。如图２．３所示，是手和人脸用标记点标出的形状，其中手用了２８个标记点，人脸用了８７个标记点。

图２．２高曲率（ＨｉｇｈＣｕｒｖａｔｕｒｅ）的一些交界点为好的标记点

中间点（ｉｎｔｅｒｍｅｄｉａｔｅｐｏｉｎｔｓ）可用来使边界描述得更精确

图２．３手工标定的手和人脸

如果这样表示的手或人脸放在大致相同的地方，那么对应Ｎ个标记点，它们也会出现在大致一样的地方。这些点位置的偏差可以归结为不同人之间自然的差别。我们可以期望这些差别的度量相对于整个形状空间而言是“小的”。点分布模型方法允许为这些“小的”差别建立模型。

１６

本文来源：https://www.bwwdw.com/article/7qxl.html