[发明专利]基于回归的主动外观模型初始化方法

说明书

技术领域

本发明属于图像分析技术领域，具体地说，属于一种基于回归的主动外观模型初始化方法。 

背景技术

在计算机视觉研究领域，利用主动外观模型(Active Appearance Model，AAM)方法进行目标形状特征点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。 

AAM虽然有效，但无论是何种改进算法，其算法的拟合效率与精度都与模型初始位置的给定有着密切的关系。若初始位置较差，则AAM中基于梯度下降的拟合算法将极有可能陷入局部极小而得到非常差的目标形状定位结果。因此初始特征点的给定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。传统的AAM初始化方法包括：(1)利用均值脸作为初始形状，初始化误差较大；(2)利用人脸特征(如双眼、嘴)定位信息完成初始化，但对定位精确度有较高要求；(3)在视频跟踪中，利用前帧定位结果作为当前帧定位的初始信息，但只能适应帧间变化较小的情形。 

发明内容

本发明的目的在于：针对现有主动外观模型初始化方法的不足，以人脸特征点视频跟踪为研究对象，提出了一种基于回归的主动外观模型初始化方法。由于方法考虑了帧之间的相互关联，本发明能在丢帧的跟踪环境下大大提高目标形状的跟踪性能。 

本发明所解决的技术方案是：算法假设已知第一帧的关键特征点，首先利用双阈值方法获取前一帧与当前帧图像中精确的局部特征点对应，再利用核岭回归算法(Kernel Ridge Regression，KRR)建立的离散局部特征点对应与结构化标定点之间的映射关系，从局部特征对应中提取当前帧的标定点定位信息。本发明技术方案的具体实现步骤如下： 

1.选定训练视频，利用核岭回归算法建立散乱局部特征点与人脸特征标定点之间空间位置的映射M_v； 

2.利用Cascade Adaboost算法检测人脸，并将人脸图像归一化为250*250大小； 

3.计算前帧重建图像与当前重建图像之间的误差其中I₁和I₂分别为前帧人脸图像和当前人脸图像，x为均值形状s₀下的像素集合，p为从均值形状s₀到当前重建形状s的变形参数，W(x；p)为重建形状s下的像素集合，N为均值形状下像素的个数。当e＞e₀时，说明前帧人脸图像与当前人脸图像差别较大，转入步骤(3)，否则，转入步骤(5)，其中e₀＝5e-4为误差阈值。 

4.提取前帧人脸图像I₁和当前帧人脸图像I₂的SIFT特征，利用基于双阈值的特征匹配方法进行匹 配，得到匹配对C＝{(c_k，c′_k)，k＝1，2，…，q_C}，其中q_C为匹配对个数； 

5.在前帧人脸图像I₁中提取空间向量V＝{V_k，k＝1，2，…，n}，其中n为人脸特征点个数。 

6.根据步骤(1)中得到的映射M_v参数以及步骤(4)中得到的匹配点，建立测试阶段离散特征点空间位置矢量V作为输入送入映射M_v，输出与之相对应的人脸标定点，即得到对于当前帧跟踪所用的主动表观模型的初始值； 

上述的基于回归的主动外观模型初始化方法，步骤1中的具体实现过程如下： 

(1)数据初始化，令时刻k＝0； 

(2)在前帧人脸图像I₁(k)与当前人脸图像I₂(k)间通过建立均衡化概率模型的匹配方法得到散乱的匹配点，令k＝k+1；；