兩張不同坐標(biāo)系下的人臉圖像合成一個(gè)三維人臉模型。 同時(shí)為了驗(yàn)證上述模型的可靠性，在實(shí)驗(yàn)中引入相似度約束條件。經(jīng)試驗(yàn)驗(yàn)證，本發(fā)明可高 效實(shí)現(xiàn)采集、特征提取以及三維建模的工作，完全符合各領(lǐng)域?qū)D像識(shí)別的需求，能夠有效 可靠的實(shí)現(xiàn)人臉建模。
[0050] 本發(fā)明的雙目立體視覺(jué)理論，在原有算法中加入準(zhǔn)確的約束條件，提出了一種高 效的三維人臉建模技術(shù)。該技術(shù)不僅可高效的完成三維人臉建模，還可避免因?yàn)槎S人臉 圖片中提取特征點(diǎn)不準(zhǔn)確造成的三維人臉建模效果差的弊端。
【附圖說(shuō)明】
[0051] 圖1是本發(fā)明基于ASM算法的人臉特征點(diǎn)采集及三維人臉建模方法圖；
[0052] 圖2是圖1中兩幅圖的圖像對(duì)準(zhǔn)實(shí)例圖；
[0053]圖3是實(shí)線描述的中值形狀；
[0054]圖4是采集過(guò)程流程示意圖；
[0055]圖5是描述的是一個(gè)計(jì)算dX的例子；
[0056]圖6是三角形特征的自動(dòng)定位技術(shù)采用的示例圖；
[0057]圖7是倒三角形人臉特征；
[0058]圖8是平移至圖像中定位倒三角點(diǎn)的對(duì)應(yīng)位置示意圖；
[0059]圖9描述的是傳統(tǒng)ASM算法與優(yōu)化后ASM算法的檢測(cè)結(jié)果；
[0060]圖10描述了傳統(tǒng)ASM算法檢測(cè)誤差；
[0061]圖11描述了優(yōu)化后ASM算法的檢測(cè)誤差；
[0062]圖12為針孔攝像機(jī)模型；
[0063] 圖13是機(jī)位示意圖以及P點(diǎn)在各種坐標(biāo)系下的人臉特征點(diǎn)；
[0064] 圖14是對(duì)眼睛、鼻子、嘴邊、臉部輪廓的特征點(diǎn)進(jìn)行描述示意圖；
[0065] 圖15描述的是拍攝的標(biāo)定模板圖像；
[0066]圖16是通過(guò)Harris角點(diǎn)檢測(cè)器獲取的特征點(diǎn)；
[0067]圖17是拍攝過(guò)程中獲取的效果圖；
[0068]圖18實(shí)驗(yàn)中所塑造的三維人臉模型；
[0069]圖19通過(guò)OpenGL軟件完成對(duì)模型的實(shí)體填充示意圖；
[0070]圖20是對(duì)模型中各部位100個(gè)特征點(diǎn)的約束條件進(jìn)行統(tǒng)計(jì)示意圖。
【具體實(shí)施方式】
[0071] 下面結(jié)合附圖和【具體實(shí)施方式】對(duì)本發(fā)明進(jìn)行詳細(xì)說(shuō)明。
[0072] 下面列舉具體實(shí)施例進(jìn)行說(shuō)明：
[0073]步驟1，人臉特征采集，首先用用Matlab工具箱對(duì)采集人臉圖像的攝像機(jī)進(jìn)行標(biāo) 定，并對(duì)ASM算法進(jìn)行優(yōu)化，為獲取人臉圖像關(guān)鍵特征點(diǎn)做準(zhǔn)備。
[0074] 對(duì)采集樣本的訓(xùn)練集特征點(diǎn)進(jìn)行標(biāo)定，再在同一坐標(biāo)中完成訓(xùn)練集中全部形狀的 校準(zhǔn)，從而實(shí)現(xiàn)人臉特征的統(tǒng)計(jì)分析。
[0075] 假設(shè)存在兩個(gè)相似的形狀?與X2,如圖1所示，上圖人臉為XI，下圖人臉為X2:
[0076] 為了達(dá)到將X2變成M(X2)+t時(shí)，使得訓(xùn)練值達(dá)到最小，需獲取旋轉(zhuǎn)角度Θ、縮放因子s
的值，tx、ty為平移矢量中的平移分量，W為常數(shù)。
[0077]當(dāng)E值最小時(shí)，也就是：
[0078] E=[Xi-(M(s,0)X2+t)]Tff[Xi-(M(s,0)X2+t)] 2-(1)
[0079] 取最小值。
[0080]其中，Μ為平均形狀，XLX2為初始模型中的模式分量。
[0082]其中，M(s，0)用于描述一個(gè)對(duì)角矩陣，Xjk用于描述特征點(diǎn)j在k時(shí)刻相應(yīng)的權(quán)值， yjk用于描述點(diǎn)j在k時(shí)刻相應(yīng)的閾值。同時(shí)，
[0084] 其中，Distanced 1)描述第1(點(diǎn)與第1點(diǎn)之間的距離，貝ljVariance(K, 1)用于描述 訓(xùn)練集中全部Distance (K, 1)的方差。
[0085]為了便于運(yùn)算，假設(shè)：
[0087]其中，s為縮放因子。
[0088]則可獲取下述線性方程：
[0090] 2-(5)
[0091] 式中，Z為總偏移量，&、&為^7軸上的偏移量，&\、 &^。、。為平移矢量中的平移分 量，W為常數(shù)。
[0093] 其中，Z為總偏移量，&、(：2為1，7軸上的偏移量。
[0094] 通過(guò)式2_(5)即可計(jì)算出權(quán)值矢量αχ，閾值矢量ay，計(jì)算權(quán)值所需時(shí)間tx，計(jì)算閾值 所需時(shí)間t y的值，進(jìn)而獲取s，0，t的值，從而完成形狀12向^的校準(zhǔn)。根據(jù)上述方法，即可完 成訓(xùn)練集中全部形狀的對(duì)準(zhǔn)。
[0095]人臉庫(kù)中的圖1中兩幅圖的圖像對(duì)準(zhǔn)實(shí)例如圖2所示。
[0096] 通過(guò)上述分析的方法將訓(xùn)練集中的形狀對(duì)準(zhǔn)至同一坐標(biāo)中，即可得到其統(tǒng)計(jì)信 息。
[0097] 假設(shè)已完成多個(gè)個(gè)形狀的對(duì)準(zhǔn)，首先需對(duì)圖3中實(shí)線描述的中值形狀即前面步驟 中得到的統(tǒng)計(jì)信息進(jìn)行計(jì)算，如式2_( 7)所示：
[0099]其中:N為常數(shù)，Xi為實(shí)際數(shù)據(jù)量。
[0100]則通過(guò)PCA主成分分析法，即可清除其中的冗余數(shù)據(jù)，則進(jìn)行歸一化的協(xié)方差矩陣 (2nX2n)可描述如下：
[0102] 式中，Xi為實(shí)際數(shù)據(jù)量、；為計(jì)算的數(shù)據(jù)量，T為構(gòu)成方差矩陣數(shù) 值，N為常數(shù)。
[0103] 然后，依據(jù)Spk = AkPk，/)/A = I對(duì)矩陣奇異值進(jìn)行分解，從而獲取s矩陣的特征值以 及特征向量。
[0104]取 λ^λχ,λ〗，，··λ2η]中前 ，使得：
[0106] 式中，Explained-rate為定值，Ak為數(shù)值k的波長(zhǎng)。
[0107] 由于訓(xùn)練集中特征點(diǎn)的位置密切相關(guān)，因此，可通過(guò)其中的幾個(gè)變量對(duì)訓(xùn)練集中 的大部分形狀進(jìn)行描述：
[0108] λ· =： x+ Pb 2-(10)
[0109] 式中，Ρ=(ρι，ρ2, · . .pt)，b = (bi，b2, · · .bt)T，x為特征點(diǎn)在X軸的位置。
[0110]通常采用的采集過(guò)程如圖4所示。
[0111] 首先在新圖像中確定一個(gè)初始化位置，再通過(guò)該初始化位置獲取更接近于目標(biāo)對(duì) 象點(diǎn)的位置。從而獲取初始化各個(gè)點(diǎn)的移動(dòng)方向：
[0112] dX=(dX〇,dY〇,.....dXn-i,dYn-i)T
[0113] 2-(11)
[0114] 式中，X、Y分別表不點(diǎn)的移動(dòng)的橫縱坐標(biāo)值，T為構(gòu)成方差矩陣數(shù)值。
[0115]圖5描述的是一個(gè)計(jì)算dX的例子，其中波浪線代表初始化位置，虛線代表dX矢量。
[0116] 假設(shè)該循環(huán)的初始化位置為：
[0117] X=M(s,0)[x]+Xc
[0118] 2-(12)
[0119] 通過(guò)公式2-(12)分析的對(duì)準(zhǔn)兩個(gè)形狀的方法將X和X+d進(jìn)行對(duì)準(zhǔn)，從而獲取新的姿 勢(shì)參數(shù)：
[0120] s(l+ds),0+d0,Xc+dXc
[0121] 2-(13)
[0122] 依據(jù)
[0123] M(s(l+ds),0+d0)[x+dx] + (Xc+dXc) = X+dX
[0124] 2-(14)
[0125] 其中，d用于描述空間三角形的邊長(zhǎng)，X為ASM優(yōu)化算法的初始模型，X。為平移距離。
[0126] 通過(guò)上式可獲取
[0127] M(s(l+ds),0+d0)[x+dx] = (M(s,0)[x]+dX)-(Xc+dXc)
[0128] 2-(15)
[0129] 由于
[0131] 因此可獲取dX:
[0132] dX=M((s(l+ds))-1,-(0+d0))[y]-x
[0133] 2-(17)
[0134] 式中，y=M(s，9)[x]+dX-dXc。
[0135] 基于
[0136] χ 十 dX t χ+ Ρφ + (Jb) 2-(18)
[0137] 可近似獲?。?br>[0138] dX ? PTdb
[0139] 2-(19)
[0140] 式中，pT=p-!。
[0141] 所以，通過(guò)公式2-(18)及dX的計(jì)算公式即可求出db的值。同時(shí)，對(duì)db的取值進(jìn)行約 束，即可獲取一個(gè)合理的形狀。
[0142] 對(duì)形狀參數(shù)以及姿勢(shì)參數(shù)進(jìn)行計(jì)算，也就是
[0144] 式中，'?^，'^，'^屬用于描述各參數(shù)的權(quán)值。
[0145] 通過(guò)上式即可獲取用于下次循環(huán)的更加可靠的初始化位置X，通過(guò)該X能夠更加有 效的完成對(duì)目標(biāo)特征的定位。
[0146] 因?yàn)樵趯?duì)目標(biāo)進(jìn)行定位的過(guò)程中，一個(gè)可靠有效的初始位置是完成高校人臉定位 的重要因素。而ASM并未通過(guò)人臉特有的全局紋理信息完成搜索。所以，為了達(dá)到系統(tǒng)對(duì)實(shí) 際應(yīng)用中實(shí)時(shí)性和精度的要求，需對(duì)當(dāng)前算法進(jìn)行優(yōu)化。