数据融合作业.docx

《数据融合作业.docx》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、基于ASM的人脸定位鲁春安徽工程大学，芜湖，E-mail:@qq.com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,WuhuE-

2、mail:@qq.comAbstract:Thispaperintroducesthecurrentmaintechnologyoffacedetectionandlocation.Firstly,itexpoundstheseveraltestingmethodsandcomparestheiradvantagesanddisadvantages,Thehumanfacelocalizationisanimportantlinkinthewholefatiguetesting.Thispaperch

3、oosesandimplementsthefacepositioningmethod.Itmainly introducesthebasicprincipleofASM,andthenusethepositioningfacefeaturepoints,withhiseyesfeaturepointsonthecoarsepositionofthehumaneyearea.Keywords:facelocationfacedetectionASM1引言ASM（ActiveShapeModel）主动形状

4、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

5、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

6、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：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

7、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：将对比图f(X)经过平移、缩放、旋转等变换与基准图像对齐，使最小。对于相似性变换函数f的描述，f应该是：其中，，，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

8、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：假设W的非零特征值