待比对人脸图像D(X)的灰度值，构成待比对人脸图像D(X)纹理向量 I (W( X，Pk)),然后进入步骤008。
[0030] 作为本发明的一种优选技术方案:所述人脸特征点跟踪方法应用于基于ARM的树 替派平台。
[0031] 本发明所述一种基于人脸特征点跟踪方法采用W上技术方案与现有技术相比，具 有W下技术效果:本发明所设计的人脸特征点跟踪方法，基于主动表现模型，采用全新设计 方法，克服了现有技术中的缺陷与不足，能够有效提高人脸的跟踪精度，而且针对主动表现 模型算法效果欠佳的情况，引入快速反向合成算法，进一步保证了人脸跟踪的精度。
【附图说明】
[0032] 图1是本发明设计的人脸特征点跟踪方法的流程示意图；
[0033] 图2是特征点的预设标记规则示意图；
[0034] 图3是根据特征点进行德劳内（Delaunay)S角变换原理图；
[0035] 图4是根据德劳内（Delaunay)S角剖割之后对S角形内特征点进行彷射变换原理 图；
[0036] 图5a是平均人脸样本形状向量示意图；
[0037] 图化、图5c、图5d均是平均人脸形状向量所对应预设前L个表情特征向量中部分表 情特征向量示意图；
[0038] 图6a是平均人脸样本纹理向量示意图；
[0039] 图6b、图6c、图6d均是平均人脸纹理向量所对应预设前M个表情纹理特征向量中部 分表情纹理特征向量示意图；
[0040] 图7a和图7b是本发明设计人脸特征点跟踪方法实际应用效果图。
【具体实施方式】
[0041] 下面结合说明书附图对本发明的【具体实施方式】作进一步详细的说明。
[0042] 传统的主动表现模型算法(Active Appearance Model，简称AAM)作为一种可形变 模板模型，由T.F.Cootes等人于1998年首次研究提出，其是对Snake模型W及主动形状模型 (Active Shape Model，简称ASM)等传统的可形变模板模型的衍生改进，可W为任何物体形 状建立模型，被广泛应用于语音识别、嘴唇轮廓和特征提取、人像和汽车图像的跟踪。
[0043] 本发明所设计一种人脸特征点跟踪方法在实际应用过程当中，硬件平台为树替派 (Raspberry PiKB+)，是基于ARM 11的开发板，内置GPU支持1080P高清视频硬解码，树替派 开发板分A/B/B+S个版本，面积与信用卡相差无几，它提供了 W太网(B/B+版）、USB，HDMI接 口，系统为基于Linux的操作系统。
[0044] 树替派平台上的实现，运行最终本发明所设计人脸特征点跟踪方法的可执行文 件，将自动打开窗口运行，按下R键可实现重新初始化，捕捉人脸的第一帖图像，并初始化主 动表现模型，按下Q键可推出程序运行，整个应用操作简单目标明确，实际应用过程中，如图 1所示，具体包括如下步骤：
[0045] 步骤001.针对人脸面部关键特征区域进行主动形状建模的第一步是选择合适的 训练样本集，因此采集预设数量脚长人脸样本图像，构成人脸训练样本库，并分别针对各张 人脸样本图像，按预设标记规则在人脸样本图像上标记出预设个数的特征点，然后进入步 骤002。
[0046] 步骤002.分别针对各张人脸样本图像，获得人脸样本图像上所标记各个特征点的 坐标，并根据图2所示，按预设标记规则中的特征点标记顺序，将该人脸样本图像上各个特 征点的坐标进行排序组合，构成该人脸样本图像的形状向量;进而分别获得N张人脸样本图 像的形状向量，然后建立主动表现模型坐标框架，并进入步骤003。
[0047] 步骤003.采用Procrustes Analysis方法分别针对各张人脸样本图像进行旋转、 平移W及缩放等操作，将脚长人脸样本图像的形状向量对齐到该主动表现模型坐标框架中， 并在该主动表现模型坐标框架中，针对该脚长人脸样本图像的形状向量进行降维，然后进入 步骤004。
[0048] 形状是指去除平移、缩放和旋转变换作用后，目标物体保留下最本质的几何信息。
[0049] 步骤004.获得N张人脸样本图像的形状向量的平均人脸样本形状向量S0,如图5a 所示，并进入步骤005。
[0050] 步骤005.获得平均人脸样本形状向量SO所对应的所有表情特征向量，并将该所有 表情特征向量按其特征值由大至小进行排序，获得平均人脸样本形状向量SO所对应的预设 前L个表情特征向量，进而获得如下人脸形状模型：
[0化1 ]
[0052]其中，Ski表示主动表现模型坐标框架上所有人脸样本图像上特征点中所对应的任 意人脸形状向量，k={l，…，K}，pk表示第k个预设人脸形状向量参数，预设人脸形状向量参 数的总个数为K，ti表示平均人脸形状向量所对应预设前L个表情特征向量中的第I个表情 特征向量，如图化、图5c、图5d所示;然后进入步骤006。
[0053] 人脸图像的纹理信息是指整个图像的像素强度信息，纹理信息的获取需要使用统 一的图像变换来得到。由于人脸图像的原始数据就包含形状向量信息，所W人脸图像的形 状特征可W直接通过标记面部的关键特征点来获取，但是人脸图像的纹理特征并没有显性 的表示在人脸图像中，运里就需要通过德劳内（Delaunay)S角变换和仿射变换来获取，如 下所示。
[0054] 步骤006.在主动表现模型坐标框架中，根据各张人脸样本图像的形状向量，如图3 和图4所示，通过德劳内（Delaunay)S角变换和仿射变换获得人脸表观模型，具体包括如下 步骤：
[0055] 步骤00601.在主动表现模型坐标框架中，分别针对各张人脸样本图像的形状向 量，基于人脸样本图像的各个特征点坐标，针对该人脸样本图像进行=角剖割，并分别针对 该人脸样本图像中的各个=角形，任意取=角形所对应的其中一个特征点，将该特征点的 灰度值作为该=角形区域的灰度值;进而获得主动表现模型坐标框架中各张人脸样本图像 分别所对应的各个=角形区域的灰度值，然后进入步骤00602。
[0056] 步骤00602.在主动表现模型坐标框架中，针对平均人脸样本形状向量S0,基于平 均人脸样本形状的各个特征点坐标，针对平均人脸样本形状进行=角剖割，并针对平均人 脸样本形状中的各个=角形，根据该各个=角形区域与各张人脸样本图像中=角形区域的 对应关系，获得平均人脸样本形状中各个=角形区域的灰度值，进而获得平均人脸样本形 状所对应各S角形区域灰度值所组成的纹理向量，即平均人脸样本纹理向量Ao,如图6a所 不;然后进入步骤00603。
[0057] 步骤00603.获得平均人脸样本纹理向量Ao所对应的所有表情纹理特征向量，并将 该所有表情纹理特征向量按其特征值由大至小进行排序，获得平均人脸样本纹理向量Ao所 对应的预设前M个表情纹理特征向量，进而获得如下人脸表观模型：
[0化引
[0059] 其中，Akm表示主动表现模型坐标框架上所有人脸样本图像上特征点中所对应的任 意人脸纹理向量，Ak表示第k个预设人脸纹理向量参数，预设人脸纹理向量参数的总个数为 K，Vm表示平均人脸纹理向量所对应预设前M个表情纹理特征向量中的第m个表情纹理特征 向量，如图化、图6c、图6d所示;然后进入步骤007。
[0060] 由于人脸检测的研究已经比较成熟，运里不再深入，所W直接调用Adaboosting人 脸检测方法，来检测判断图像中是否含有人脸，来获得待比对人脸图像。
[0061] 步骤007.根据人脸形状模型，获得待比对人脸图像D(X)位于主动表现模型坐标框 架