·232 智能系统学报 第6卷 型(active appearance model,AAM)[23].AAM建立 考虑全局形状模型： 了关于人脸的形状与纹理的组合模型，因此定位更 X=X+Pb 精确，但运算速度与ASM相比较慢.M.Rogers和J. 式中：X是一个形状；X表示平均形状；P是主成分 Graham4用一种具有鲁棒性的最小二乘技术来最 特征向量构成的变换矩阵；b为权值向量，使用主成 小化全局统计模型和未知形状之间的差值，这一改 分分析法控制前t个特征值的系数，不同的b对应 进使得全局统计模型表示的形状不容易受特征点中 不同的形状，并且对b加以限定：-3A:<b:< 的噪声和野值的影响，但计算工作量较大.Van Gin- 3/入：，i=1,2,…,t,其中入k(入≥入k+1,入k≠0，k=1, nenken等人[s提出一种改进局部纹理模型方法，用 2,…,2n)是协方差矩阵的特征值. “局部无序图像”[6]计算得到的局部纹理特征代替 给定局部纹理模型为： 传统ASM的法线模型，用K近邻分类器对特征点进 行匹配，但在特征属性较多时K近邻分类器的分类 G,=六6 精度大大降低.Faruquie等人[门运用ASM方法检测 5=8a,-a,G,6, N 嘴唇的轮廓，使用5条曲线代表嘴唇的轮廓，进而降 低了参数个数，将彩色信息加人ASM,获得了较好 式中：G:是对第i幅训练图像的第j个标定点的灰 的匹配效果.G.Hamarneh等人[8]将ASM的特征扩 度信息归一化后的纹理向量，即 展到时间空间的形状，并且设计出一种新的算法，使 1 得时间空间形状模型能更好地与图像序列中的目标 G=2k dsi' 轮廓匹配.李皓等人[91提出了多模板ASM定位算 ∑1dg 法，先利用全局模板定位总体，再利用局部模板定位 dg=[g到2-gg1,69.21-6,24], 局部，从而改善ASM纹理平滑区域特征点定位不精 其中第i个特征点的灰度信息是以该特征点为中心沿 确的问题.Chen等人[o1把局部变量引入到ASM 法线方向上下各取k个点的灰度来表示，即8y=[g1 中，进行图像变形检测和形状修正，从而有效避免了 8,2…8,24+1];C是平均纹理；Sc是协方差矩阵 图像的变形，提高了匹配准确性， 在目标图像搜索确定标定点的最佳匹配位置 以上这些改进方法只保留传统ASM的基本思 时，希望准确定位每个特征点，因此需搜索特征点附 想，具体操作过程与传统ASM方法差别较大，在改 近的邻域信息，最直接的方法就是分析邻域的灰度 进ASM的同时也增加了复杂性.而本文针对ASM 信息，以确定最佳匹配位置.匹配程度用式(1)的马 易陷入局部最优的缺点，提出了局部纹理模型的改 氏距离[1s来描述 进算法(expanded weighted ASM,EWASM),以每个 d(G)=(G-G)(Sc)(Gg-Gg).(1) 特征点的中垂线方向搜索其邻域信息以确定最佳匹 式中：G是由目标搜索图像在j点附近采样得到的 配位置，根据每个特征点的邻域信息，对衡量匹配程 归一化纹理向量；d(G)最小值对应的点即是最佳 度的马氏距离准则函数加权扩展，由3个子模型共 候选点。 同描述局部纹理模型的特性，更准确定位目标图像， 1.2 EWASM算法 通过特征点间的制约解决局部最小问题，并且通过 虽然ASM方法的有效性己被广泛证实，但是传 实验比较和分析，验证了改进算法的有效性， 统的ASM仍存在诸多不足.1)ASM的鲁棒性不够 理想，迭代过程的收敛性非常依赖于初始形状的定 1 EWASM算法 位，初始位置的改变往往影响迭代次数，甚至导致无 1.1主动形状模型 法达到收敛；2)ASM本质上是一个求局部最优的过 主动形状模型是基于统计学习模型的特征点提 程，有时不能发现全局最优解，容易陷入局部最小 取方法2]，其首先提取面部形状的特征点集合， 针对这些问题，本文提出了EWASM算法.如图 形成训练集，通过统计分析构造样本的全局形状模 1(a),EWASM算法中，以点P。为中心到其相邻特 型.然后利用局部纹理模型在目标图像中搜索特征 征点(P,P)连线的垂线F方向上下各取相同像 点的最佳匹配位置，同时根据匹配结果调整全局模 素，得到特征点P。的灰度信息，点P与点P,的灰 型的相关参数，从而使模型与目标图像的实际轮廓 度信息求取同点P。,对以上3个特征点分别建立局 逐步逼近，最终准确定位目标 部纹理模型9]，并命名为中心局部纹理模型、前局