基于asm算法的人脸特征点采集及三维人脸建模方法
【技术领域】
[0001] 本发明属于人脸识别技术领域，涉及基于ASM算法的人脸特征点采集及三维人脸 建模方法。
【背景技术】
[0002] 对于三维动态人脸识别而言，一般以单帧图像为基础，完成二维单帧人脸图像特 征点的定位是重中之重。首先在前阶段获取的人脸的二维图片中，对人脸重要特征点的位 置进行确定，为人脸建模提供有效依据。
[0003] 由于人脸特征采集的计算量较大，同时其检测准确度和响应速度会对下一阶段三 维人脸建模的效率产生影响，所以是三维动态识别效率的瓶颈之一。对于部分识别方法而 言，特征点定位所需时间能够达到整个三维动态人脸识别所需时间的二分之一。不仅如此， 特征点的准确定位对之后的三维坐标转化也起到了至关重要的作用，所以高效高精度的人 脸特征点定位是增强三维特征识别实时性及准确性的关键。
[0004] 在对人脸特征点进行采集时，通常采用的方法主要包括下述两类:依据形状模型 的特征采集方法与依据纹理的特征点定位方法。特征采集方法中，通常采用主动形状模型 技术(ASM)，依据主动形状模型的技术不仅可有效实现物体外轮廓点的定位，同时可获取内 在的轮廓点，使得定位结果更加准确。其详细实现过程如下所述:首先利用人机交互对目标 轮廓的边界点集合进行采集，获取训练集，用矩阵形式对其进行描述。再通过主成分分析法 (PCA)完成对该训练集的描述，塑造出可反映出训练集平均轮廓及关键形变方式样本的先 验模型。最后通过灰度匹配法完成先验模型的搜索，在进行迭代搜索时需对先验模型的参 数进行调整，从而使模型和目标物体的实际轮廓逐渐吻合，实现准确定位。
[0005] 尽管ASM算法在实际的应用中可准确实现目标定位，然而其仍存在下述弊端:训练 所需时间长;在定位过程中，为了达到理想的建模效果，需最大程度的获取准确的特征点坐 标。为此，需改进搜索过程，使得人脸识别效果更优。
[0006] 人脸的计算机模拟技术在很长的一段时间内被相关学者广泛研究。但随着科技的 不断的发展，学者们提出了一些适用于三维人脸建模的数据采集技术。其中最常用也是最 有效的是数三维扫描高端仪器，其依据光学理论获取整个三维人脸模型。然而，因为高质量 激光扫描仪器成本很高，使其在实际应用中受到约束，并未得到广泛应用。
【发明内容】
[0007] 本发明的目的是提供一种基于ASM算法的人脸特征点采集及三维人脸建模方法， 解决了现有技术中存在的三维人脸识别不够精准的问题。
[0008] 本发明基于ASM算法的人脸特征点采集及三维人脸建模方法，首先对人脸特征进 行采集，然后在人脸特征点采集的基础上，提出一种依据计算机双目立体视觉的三维人脸 建模技术，其结合计算机标定，通过两张二维人脸图片，利用双目立体视觉方法，对人脸特 征点的三维坐标进行塑造，最后利用OpenGL软件实现三维人脸模型的塑造。
[0009] 本发明采用的技术方案是以下步骤：
[0010] 步骤1，人脸特征采集，对采集样本的训练集特征点进行手工标定，再在同一坐标 中完成训练集中全部形状的校准，采用依据三角形特征的自动定位技术，同时通过准确的 重要的特征完成人脸特征的精准定位，采用全局纹理信息对局部特征点搜索效果进行优 化，从而实现人脸特征的统计分析；
[0011] 步骤2:设置用于建模的设备参数；
[0012] 步骤3:三维人脸建模，通过双目立体视觉理论对人脸正面及侧脸的图像特征点进 行提取，通过两张不同坐标系下的人脸图像合成一个三维人脸模型。
[0013] 进一步，所述步骤1对采集样本的训练集特征点进行标定方法为：首先搜集η个训 练样本并手动记录下每个训练样本中的Κ个关键特征点，构建训练集的形状向量如下所示：
[0015] 其中，表示第i个训练样本上第k个特征点的坐标η表示训练样本的个数；
[0016] 其次:计算平均形状向量及方差矩阵并将其按从大到小依次排序，完成形状向量 进行PCA处理，求取特征点的均值和方差，以便获得局部特征之间的距离，构建局部特征：
[0022] (6)局部特征距离:fsim=(g-gi) · (g-gi)T
[0023] 其中:η表示训练样本的个数，T样本参数向量，P为最大样本数，j为常数，glj为局部 纹理，g为整体纹理，最后，构建初始模型，完成ASM算法优化，其公式如下所示
[0024] ：X=M(s,0)[ai]+Xc
[0025] 其中，Μ为平均形状，M(s,9)为平均形状以其中心逆时针旋转Θ缩放s，[ai]为训练 集的形状向量，X。为平移距离。
[0026]进一步，所述步骤1三角形特征的自动定位技术的步骤为：
[0027] (1)首先在人脸图像的范围内，通过PCA特征采集技术对人脸嘴唇的大致位置(X3， y3)进行确定，将该位置看作是初始位置的一个点，从而实现人脸位置的确定；
[0028] (2)将该位置作为一个矩形框的左下顶点，基于人脸先验概率提供的相应尺寸，设 定上述矩形框的长宽比和与之对应的长度，再对该图形进行平滑操作，通过下式求出上述 初始矩形区域内像素的平均灰度值I mean;
[0030] 式中，wo与ho依次用于描述初始矩形框的长和宽；
[0031] (3)在矩形框长宽比不发生改变的条件下，沿右上方延伸一个像素的步长;针对经 平滑处理后的图像，获取矩形右侧及上侧边缘线上灰度值最小的像素点，其灰度值用I m.h进 行描述；
[0032] (4)求出矩形框平均灰度值和Im.h之间的差值，将其和统计获取的特定阀值D相较； 若I m_-Im.h<D，则上述矩形框没有抵达瞳孔区，需继续进行矩形延伸，否则，矩形框已抵达 瞳孔区；
[0033] (5)通过灰度值最小像素点所处位置对瞳孔所在的大致区域进行判断；
[0034] (6)在上述区域中，对每个像素点在某一固定矩形区域中完成高斯卷积计算，将经 高斯卷积计算后，图像中像素灰度值最小的点看作是瞳孔中心，用( X1，yi)，（x2，y2)进行描 述。
[0035]进一步，所述步骤1采用全局纹理信息对局部特征点搜索效果进行优化步骤：
[0036] 首先将形状范围内的纹理变形至平均形状中，同时对其进行归一化操作，获取变 形后的纹理向量，用g进行描述，再在纹理模型空间中对获取的纹理向量进行重构，获取经 重构后的纹理= ，其中，g为纹理模型的部分向量，§)，求出向量 gr和重构值gr之间的欧氏距离d = diSt(g，gr)，形成纹理差，最后依据该纹理差对形状调整 和局部纹理搜索在迭代时是否采用ASM的搜索结果进行判断，如果和上一循环相比匹配度 升高，则采用上述方法继续完成搜索，否则，采用依据全局纹理的搜索方法，并对获取的结 果进行评估，直至达到最佳匹配度，再重新采用ASM搜索策略，交替采用上述两种方法，直至 匹配度达到最高。
[0037] 进一步，所述步骤2中设置用于建模的设备参数方法：
[0038]摄像机:数据输出端是IEEE 1394接口，最大分辨率是659*493像素，最大采集帧率 是60帧/秒，图像类型为灰度图像；
[0039] 采集和处理设备：手提电脑，CPU为Pentium2.4-GHz，内容量是256MB，软件开发工 具是微软的VisualC++6.0。
[0040]进一步，所述步骤3中引入相似性约束，从而减少三维坐标的歧义性：
[00411 1)首先完成三维人脸数据点的三角剖分；
[0042] 2)确定相似性约束向量，将三角剖分的角度看作是唯一相似性约束向量，求出三 角形边长，同时将其看作是几何相似性约束向量；
[0043] 3)确定相似性约束判别公式:SzSi+S^其中，Si用于描述唯一相似性的约束函数 值，&用于描述几何相似性约束函数值，同时有，
[0045]式中，0^cU用于描述待检测样本特征向量的第i个特征分量；'与cU '用于描述 三维人脸模型中第i个标准特征分量;lu用于描述第i个特征分量的权值，0,用于描述人脸三 维模型特征点的角度，d用于描述空间三角形的边长，同时，
[0047]其中，Xi、yi、zi与X2、y2、Z2为三维模型中两个点的的空间坐标值。
[0048]对相似性约束函数值S及阈值S'进行比较，从而确定三维人脸特征点建立的有效 性，若s<s '，则获取的特征点有效，否则，重新采集三维特征点。
[0049] 本发明的有益效果是，依据双目立体视觉理论，完成了初步三维人脸模型轮廓的 塑造。首先对采集人脸图像的摄像机进行标定，获取用于建模的摄像机参数。再依据双目立 体视觉理论，结合摄像机参数，通过