基于Canny-AAM的人脸特征定位算法

主动表观模型(AAM)是经典的特征点检测方法,该模型对外轮廓的定位不是十分准确,且计算复杂度高,迭代次数大,容易陷入局部最优解,很难满足多姿态人脸特征点检测的要求.针对上述问题,提出了一种基于Canny边缘检测的AAM人脸特征定位方法.在使用AAM之前先利用Canny算法进行边缘检测,滤去非人脸轮廓部分像素点的纹理信息,使特征点极大限度的定位到人脸轮廓部分.实验结果表明:该方法减少了迭代次数,降低了计算的复杂度,提高了匹配的准确率,时间消耗降低了27.7%.     

一种基于MPEG-4的三维人脸表情动画算法

面向模型基人脸视频编解码领域,提出了一种基于MPEG-4的三维人脸表情动画算法.首先对编码端发送视频的首帧图像,利用Adaboost+Camshift+AAM(active appearance model算法检测人脸和定位特征点,接着特定化一个简洁人脸通用网格模型得到FDP(facial definition parameter);对于得到的FDP,解码端先用其特定化一个精细人脸通用网格模型,然后基于肌肉模型和参数模型相结合的方式来生成人脸表情动画,同时对人脸功能区进行划分.实验表明,该算法在FAP(facial animation parameter)流的驱动下可以生成真实感较强的三维人脸表情动画.     

基于三维重建的人脸姿态估计

人脸姿态估计是计算机视觉及人脸识别领域的一项关键研究内容.将三维模型应用于估计人脸图像姿态参数,提出了基于三维重建的人脸姿态估计算法.根据人脸正面图片上的特征点计算出形状参数,实现三维人脸重建.基于三维人脸模型,由姿态图片上提取的特征点信息推知等姿态下模型上对应特征点的信息,针对照模型正面姿态,运用线性回归估计姿态参数.实验表明,重建的三维人脸具有较好的真实感,在较大的姿态变化范围内,该方法也能够取得较好的估计精确并具有鲁棒性.     

基于贝赛尔曲面的三维人脸特征点定位方法

三维人脸识别技术中,人脸特征点的精确定位和匹配对后期的人脸识别起了极为关键的作用,为此提出了一种新的三维人脸特征点定位方法,利用矩阵特征分解求解每个特征点的基准平面,进而可用贝塞尔曲面来表达特征点附近的局部三维表面结构,对不同复杂结构的表面可用不同的精度描述,采用局部搜索和全局形状模型的约束相结合得到三维人脸特征点的精确定位.对三维人脸的特征点进行定位的实验结果证明,该方法比其他基于曲率分析的方法具有更精确的定位精度.     

基于改进AAM的人脸特征点提取

提出了具有鲁棒性的基于局部二值模式LBP纹理提取人脸特征点的主动外观模型AAM算法（LBP-AAM）.首先建立3种人脸模型实例（正面,左转及右转人脸模型）;然后应用LBP判断和预测测试图片的旋转类型,依据预测结果选择合理的模型实例去匹配;最后提取出人脸特征点.实验结果证明本方法比传统的AAM方法在精度上提高了27%,效率上提高了9%.     

基于形变模型的三维人脸快速重建改进算法

针对传统三维人脸重建算法效率低且难以满足实际应用的缺陷, 提出一种三维人脸重建改进算法。该算法基于ASM（Active Shape Model) 增强算法, 自动地对特定二维人脸特征区域进行准确定位, 并实现三维人脸数据库的归一化; 利用稀疏形变模型对特定正面二维人脸进行快速三维重建; 采用明暗纹理恢复算法对重建后的三维模型人脸特征区域的每个顶点法线进行约束, 并将其应用于人脸识别中。实验结果表明, 该方法可实现对特定正面二维人脸快速三维重建, 并取得较好的三维重建精度与识别率, 与经典ASM算法相比, 精度提高12.3%, 迭代次数减少6次。     

AAM图像处理方法的不同最优化性能研究

主动外观模型(Active Appearance Model,AAM)是一种统计参数化模型,AAM模型在人脸特征点提取和识别中有广泛的应用。AAM模型拟合的主要思想是使测试图像与模板图像之间的纹理差异值最小,也就是一个最优化问题。传统的AAM方法利用最小二乘法求解这个最小化问题,在最小二乘法中当计算Hessian矩阵以及逆矩阵时,由于该逆矩阵可能是奇异矩阵将会产生较大的误差。因此,在研究不同的最优化算法基础上,分别采用遗传算法、QPSO、牛顿法、最小二乘法求解AAM拟合中的优化问题。通过实验展现AAM在不同优化算法下的拟合性能。     

由粗到精的三维人脸稀疏重建方法

针对传统三维人脸重建算法精度不高的问题, 提出一种由粗到精的三维人脸稀疏重建方法。根据稀疏形变模型方法对待重建人脸的部分区域显著点进行重建, 得到第1步重建结果, 并在此基础上进行后续重建。将第1步的重建结果作为新的参考模型, 求取待重建人脸与参考模型的特征点的坐标投影距离, 从而求取参考模型的形变因子, 完成最终三维人脸的重建。由于两步稀疏重建的作用不同, 对重建过程中参数的选取也采用不同方式。实验结果表明, 该方法能有效提高人脸重建精度, 同时保持较快的重建速度。     

面部吸引力提升的定量分析与实现

为了改进用平均脸对原始脸的纹理进行美化的方法,建立了基于主动外观模型(AAM)的人脸美化方法,找到了在相似和美丽度提升之间的一个平衡。使用包含98张女性正面照片的数据库,首先利用主动形状模型(ASM)对每张脸进行特征点点集定位,对标定的人脸进行形状对齐及灰度标准化,建立形状及灰度模型,加权形成主动外观模型(AAM),从而将人脸同人脸空间中高维的点对应起来;然后用逐步趋近的方法,对平均脸和原始脸之间的关系应用AAM外观参数进行定量分析,实现最终的美化。     

融合Gabor特征的SFM算法三维人脸建模

采用运动恢复结构(structure from motion,SFM)算法进行三维人脸建模一直以来受到研究者的关注,但其对错误的匹配点比较敏感,因此,文章提出了一种融合Gabor特征的SFM算法三维人脸建模方法。该方法利用Gabor滤波器提取纹理特征,判别轮廓特征点匹配的准确性;针对图像数增多,传统因子分解法不易修正旋转矩阵的问题,利用旋转矩阵的性质求得修正矩阵,避开方程组的求解;提出引入迭代最近点算法将稀疏三维特征点与三维模型进行配准,缩小空间距离,并结合薄板样条函数插值生成特定的三维人脸模型,为增强真实感,进行纹理映射。实验结果表明,该方法有效提高了匹配点的准确性,能够重建出具有较强真实感的三维人脸。     

基于统计形状模型的面部特征提取随机方法

针对在复杂背景和部分遮挡情况下提取面部特征轮廓的困难，提出了一种基于统计模型的随机方法．该方法将面部特征轮廓作为动态随机过程的状态序列，并应用统计方法建立人脸整体形状模型和特征形状模型，分别构造面部特征间和面部特征内控制点样本的预测方程，最后利用序列蒙特卡洛方法估计随机状态．该方法给出了面部特征提取的随机描述，打破了确定性方法对单高斯分布和轮廓形状线性变化的依赖性，实现了轮廓的准确可靠提取．对100幅正面人脸图像的实验结果表明，轮廓定位相对误差仅为2．7％．对标准人脸检测数据库中传统算法很难处理的复杂背景和部分遮挡情况，该方法能够正确定位面部特征轮廓．     

融合加速稳健特征的子空间人脸识别方法

为了充分利用人脸特征信息更加准确全面地描述人脸,提高现有识别算法的识别率,提出一种融合改进的加速稳健特征和子空间特征进行人脸识别的方法。利用AAM形状模型的训练方法,训练得到41个点的人脸形状模型;对每幅图像进行特征点初歩定位,找到并保留与初歩定位的特征点空间距离最近的SURF特征点。将SURF特征点描述子利用PCA降维,得到改进的SURF局部特征向量。然后利用PCA对图像进行全局特征提取,将局部特征与全局特征进行融合,组成全新的特征向量。最后通过特征向量的匹配实现识別。对包括本算法和PCA-SIFT算法在内的6种不同识别算法进行了验证。实验结果表明,提出的算法在改变ORL人脸库中训练集样本数的情况下,识别率均优于其他算法;在样本数为5的情况下比PCA-SIFT方法提高了4.3%,可见该算法提高了人脸的识别率具有较强的鲁棒性和分类性。     

融合主动外观模型与局部二元模式的人脸识别

提出一种新的人脸识别算法.首先,利用主动外观模型(active appearance model,AAM)提取人脸五官特征点,进而获得人脸区域的全局纹理特征;然后对人脸区域中的若干个局部子块进行加权局部二元模式(local binary pattern,LBP)的特征组合;接着分别对这两类特征进行最近邻法则匹配;最后,采用基于模糊综合的原理对这两大类特征进行数据融合,给出最终识别结果.实验表明该算法的有效性,能够很好地结合人脸图像全局和局部的互补信息,识别效果优于各单一模块的分类性能.     

基于面部表情GEM和稀疏立方矩阵的三维人脸识别方法

针对姿态和表情变化对3D人脸识别影响较大的问题,提出一种基于面部表情通用弹性模型(generic elastic models,GEM)和稀疏立方矩阵的3D人脸识别方法.利用面部表情通用弹性模型构造3D人脸数据库,3D重建模型为所有人脸姿态创建稀疏立方矩阵(sparse cubic matrix,SCM),并利用自动头部姿态估计法获得人脸图像中三元组角度的初始估计值;为每个子集估计的三元组角度选择SCM的阵列;通过稀疏表示从SCM中选择阵列与探针图像.在FERET,CMU PIE和LFW数据库上的实验验证了提出方法的有效性.与几种优秀3D人脸识别方法相比,提出的方法识别率更高,当姿态变化角度较大时尤为明显.此外,对于480×640图像,LFW数据库上,预处理、人脸检测和分类的总平均处理时间仅为89.4 ms.     

基于照片的人脸三维建模

研究由一张正面照片和一张侧面照片合成头部三维模型的自动方法。从照片中提取面部特征点后,修改基本模型生成特定人的面部三维模型。从两张照片可以合成任意角度视图,纹理映射后可以获得较好的三维效果。