·428 智能系统学报 第4卷 在匹配中需要对大量参数进行复杂连续优化，非常 水平和垂直方向上的平移量；3为缩放因子；0为平 耗时.Ahlberg等[1o]提出了基于3D-AAM的人脸建 面内旋转角度；3为平均形状，其初始值为关键特征 模与跟踪方法，它首先定义一个三维Candide人脸 点集合；Φ为主成分特征向量构成的变换矩阵，反 模型，通过拟合该模型来获得三维物体的深度信息， 映了形状变化的主要模式.该模型可以直观解释为， 并用AAM跟踪获得人脸的相应运动姿态和三维形 任意形状均可近似表示为对平均形状的“形变”，这 状参数，进而计算脸部动画参数(facial animation pa- 种形变是通过形状参数b,对若干形状变化模式的 rameters,FAP)来驱动Candide模型来获得三维动 加权和来呈现的： 画效果.Vogler等把ASM和3DMM融合在一起， 形状的初始化对ASM搜索过程至关重要，如果 3DMM用来控制全局形状、方向和位置，ASM则用 偏离目标太远，则可能会陷入到局部最小利用人脸 于二维特征点的跟踪并从失效中恢复形状.这些方 检测器「16]估测出人脸大致位置可以得到相应的缩 法满足了恢复建模的实时性要求，但需要借助于三 放因子s和平移量(：，飞，)，从而避免了搜索中局部 维人脸模型定义并设置大量参数.Bregler等12]和 最小情况的出现 Brand[1s]提出的分解因数方法能从视频中恢复人脸 ASM中局部纹理的建立是假定特征点在其某 等非刚性形变物体的三维形状，但其不支持实时在 个邻域内的图像亮度的一阶导数服从高斯正态分 线形状恢复.Xiao等[14)和Zhu等[5]分别对该方法 布，在模型适应阶段则用来进行标定点位置的自动 进行了扩展，使之满足在线形状恢复的要求；但X- 更新.也就是说，对p点邻域内的每个候选点q,都 ao的模型对特定人脸具有依赖性且模型更新过于 计算其局部纹理飞。与训练集合中p点局部纹理间 复杂，Zhu的方法实时性则得不到保证. 的马氏距离： 针对上述问题，本文提出了一种从视频中实时 d(g)=(,-,)r∑，(-)： (2) 恢复三维人脸模型的方法.该方法首先利用ASM方 ASM搜索的目标是寻找最优匹配点p·使得代 法对视频样本进行跟踪和特征提取，获得二维形状 价函数d(p·)最小.对大多数图像解释任务而言， 序列：进而采用非刚体形状和运动估计方法从视频 特征点通常选择为具有较强边缘信息的点，而这些 流中恢复三维人脸形状和姿态，并创建三维形变基； 点可以通过边缘检测操作算子得到，因此，通过给式 最后，利用非线性优化算法估算人脸姿态参数和三 (3)增加一个权值来调整匹配算法： 维形变基参数，从而恢复出三维人脸的形状和姿态 由于采用了ASM跟踪二维形状并利用非线性优化 dg)=(c-0·(4-,)Σ0-，.(3) 式中：C为常量（在实验中取为400），K为目标点的 方法，避免了形状跟踪和三维形变模型的复杂参数 Sobel边缘灰度.式(3)使得具有较强边缘信息的点 优化的问题，保证了三维人脸模型恢复的实时性. 在搜索过程中更可能被确定为最佳候选点， 1 三维人脸实时恢复和建模方法 1.2三维形状的非刚体运动恢复建模 形变模型的特征可概括为，任意形状可看作是 1.1基于ASM的人脸特征跟踪 个平均（中性）形状与一系列形变基的线性组合， 主动形状模型(ASM)是基于统计学习模型的 即二维形状s、三维形状S可统一表示为 特征点提取方法，主要包括两大部分：形状建模和形 状匹配.形状建模过程通过同一类目标物体进行统 S=S0+∑c·3:(,:∈R2m,c:∈R), 计建模，得到反映形状变化的形状统计模型及特征 点区域内灰度变化的局部纹理模型；在匹配阶段，则 S,+P:·S(SS∈RA∈R). 利用先验知识进行模型初始定位，再利用局部纹理 式中：$o和So分别为二维和三维平均形状，s:和S: 模型进行特征点搜索，并利用形状模型对形状进行 分别为二维和三维形变基；R2x"和R3x"分别为二维 合理近似调整.在ASM方法中，任意形状先由训练 和三维欧氏几何空间，c:和P:为二维和三维形变基 集预定义的图像关键特征点集合来描述，再通过采 参数，R为实数集.通常，So和S。及S:和S:需要从 用形状对齐算法将训练集中所有形状对齐到同一坐 诸如扫描三维数据中主成分分析得到，本文则采用 标体系，最后利用主成分分析方法按式(1)计算获 非刚体运动恢复(non-rigid structure from motion,NS 得统计形状模型，即主动形状模型： FM)方法来自动创建三维形状 S=T,0·(s+重·b,): (1) 为生成三维形变模型，需将三维形状S转换成 式中：T为对齐算子，即复合几何变换；t、,分别为 二维网格.在弱透视投影下，三维点(x,y,)投影