数据融合作业

基于ASM的人脸定位鲁春安徽工程大学，芜湖，241000E-mail:[e-mail]摘要:本文介绍了现今的主要人脸检测和定位的技术。首先阐述了几种检测方法并比较各自的优劣，人脸的定位是整个疲劳检测的非常重要的环节，将为下一步的参数提取奠定基础，本文选用并实现了基于的人脸定位方法。首先介绍了ASM的基本原理，然后用定位人脸特征点，用眼睛特征点进行了人眼区域的粗定位。关键词：人脸检测人脸定位ASMFaceLocationBasedonASMluchunAnhuiPolytechnicUniversity,Wuhu241000E-mail:[e-mail]:Thispaperintroducesthecurrentmaintechnologyoffacedetectionandlocation.Firstly,itexpoundstheseveraltestingmethodsandcomparestheiradvantagesanddisadvantages,Thehumanfacelocalizationisanimportantlinkinthewholefatiguetesting.Thispaperchoosesandimplementsthefacepositioningmethod.ItmainlyintroducesthebasicprincipleofASM,andthenusethepositioningfacefeaturepoints,withhiseyesfeaturepointsonthecoarsepositionofthehumaneyearea.Keywords:facelocationfacedetectionASM1引言ASM（ActiveShapeModel）主动形状模型是一种物体形状描述技术，最初由T.F.Coots等人提出的，是一种基于统计模型的图像搜索方法。它在思想上类似于主动轮廓模型ACM，即定义一个能量函数，通过调整模型参数使能量函数最小化。它们的共同点是都是不断调整初始形状，从而匹配到期望的形状。与ACM相比，ASM的优点是能根据训练数据来控制参数的调整，从而将形状的改变限制在一个合理的范围。ASM具有更好的精确度，因而也被更广泛的应用在人脸识别领域中。2ASM模型建立ASM人脸模型的建立包括人脸形状模型和灰度模型的建立。ASM的模型是基于点分布的，点分布模型的方法是假设存在一组M个样本的训练集，从中可以得到样本形状的统计描述以及它的变化。通过边界点像素坐标实例表示的形状的实例称作样本，边界点一般考虑选在可以表示出目标对象轮廓的地方。比如：高曲率点、拐角点、型连接处等应用在人脸图像中即可以选择眼角、鼻子、嘴角、瞳孔和人脸外轮廓边界上的点。本文也依据类似的原则来标定特征点，下图即为根据新一代多媒体数据压缩标准MPEG-4（国际标准组织ISO运动图像专家组，MovingPictureExpertsGroup，MPEG）定义的人脸特征点标定图，也是本文所参考的个特征点的人脸形状图。图1人脸68点特征先用手工标注的方法，训练集中每幅人脸图像的标定点形成一个向量：）（)1()1(1100,,...,,,...,,,,niniikikiiiiiyxyxyxyxxNixxxxX,...,,...,21其中，图片训练集数目为N。形成向量后将训练集中的不同的形状对准，来得到人脸形状模型。原则上标定特征点的时候有一些基本的规则，一般至少包括下面三个规则：标定点应该选择高曲率点、拐点以及外边界轮廓点等特殊点，比如说‘’形区域的交叉点，或者角度比较尖锐的位置。为每一个对象标注的点的对应位置应保持一致。特征点的位置应具有对称性。2ASM模型对齐图像标定完成后，每幅图像大小和角度各不相同，所以每幅图像之间的特征点差别也比较大，为了建立训练样本集的点分布模型，在近似的意义上将训练样本图像形状进行对齐，使训练数据处于同一级坐标系下，这样使在不同样本下的对应的处于一个数量级。具体的对齐步骤如下：选择一幅基准图像，把所有其它图像与它对齐。假设原图为，对比图为X1，它们的数学描述式应该为：nnkkyxyxyxyxx1111121211111,,...,,,...,,,,nnkkyxyxyxyxx2222222221212,,...,,,...,,,,将对比图f(X)经过平移、缩放、旋转等变换与基准图像对齐，使22|)(|XXf最小。对于相似性变换函数f的描述，f应该是：yxijijttyxabbayx其中，cossa，sinsb，s代表缩放因子，代表旋转因子，t代表平移因子。（2）在所有的样本都对齐后，对平均基准图的个向量求平均，求得平均向量。（3）规格化这个求得的平均向量，将所有对齐后的图像与这个规格化后的平均图像对齐。（4）验证这个平均图像是否达到以下标准，包括：对齐后图片与平均图像间的距离是否达到要求每次图像间距离相对于上一次规格化的平均图形的距离是否还会收敛；我们设定的最大迭代次数有没有达到。当达到我们以上的所有要求之后，说明对齐过程结束。图像的目标形状对准之后，训练集图像中的目标人脸在形状和位置上趋于归一，配准后的各个样本相对于平均形状的偏差最小，它们主要包括：XXdXiiˆiidXdXiNNW011假设W的非零特征值为，对应的特征向量为p。这些特征向量描述了形状空间的变化模式，由于计算是在2n维空间中，所以先进行降维从而来减少计算量是很好的解决方案。维数问题是解决模式识别问题时的常见问题之一。由于线性组合容易计算，所以采用组合特征的方法来降维是一种非常有效的方法，具体是对几个特征作线性组合。本质上说，这种方法就是把高维的数据投影到低维空间中。用来寻找有效线性变换的方法是主成分分析法PCA（PrincipalComponentAnalysis）。在对齐处理人脸训练样本集中的形状向量之后，就可以使用法来找出形状变化的统计信息及规律，PCA是寻找在均方意义下最能代表原始数据的投影方法。具体过程可以表示如下：设定X为样本向量的平均形状向量，那么数据的协方差矩阵S即是：)()(11XXXXNSiNii（2）在计算协方差矩阵S之后，可得S的特征值和特征向量，并将特征值按降序的顺序排列：）；；（NipppSpiiiiiii2,......,2,111最后，构造样本的统计形状模型：PbXX上式为训练样本集的形状统计模型，形状参数b的维数m，可以通过用逐步增加特征向量个数的方法来构造模型，测试每一步模型描述样本的能力，选择刚好符合要求的第一个型，即符合要求的最少特征向量所构建的模型。由于取相邻点间法线会受到很大干扰因素，所以沿着每个过该个标注点邻近的两点直线的法线方向，然后分别在标注点的两边取n个像素的灰度值，则每个对应的灰度模板就是关于这2n+1个灰度值的统计模型。记图像第i个样本上的的第j个特征点提取的长度为个np像素的灰度值为ijg，)12(21,......,,npijijijijgggg|-......,-,-|2)12(2312npijnpijijijijijijggggggg，对进行归一化，归一化后的梯度向量可以表示为ijkijijgknpgG12计算平均灰度的协方差矩阵：jijjijjGGGGiNNS11现在，灰度模型己经建立成功，可以进行此后的人脸定位。通过对平均形状进行缩放、旋转、平移初始化形状向量等操作，从而找下一步变形的点的位置，就可以进行图像的定位了，定位结果。图2基于ASM的人脸搜索结果3结论本文主要采用了ASM主动形状模型来定位人脸基本特征点，通过ASM模型的一系列建立、对齐、归一化来实现了人脸面部特征点的定位，为下一步的疲劳检测提取具体人眼位置和眼部细节特征奠定基础。参考文献［1］刘成明，张立明.一种改进的人脸特征点定位方法［J］．复旦学报（自然科学版),2006,45(4):457-460［2］杨杰，张田昊等.改进的主动形状模型方法在人脸特征点定位中的应用［J］．上海交通大学学报，2007，41:1320－1323．［3］田源，于凤芹人脸检测方法综述，［J］.计算机安全，2009，(5):76－79．［4］张向东，李波.基于Gabor小波变换和PCA的人脸识别方法［J］.电子科技,2007(4):72-74.