人脸特征点定位

   other http://www.face-rec.org/algorithms/#Image

人脸特征点定位——ASM和AAM算法

  (2013-12-15 14:50:59)

人脸特征点定位的目的是在人脸检测的基础上，进一步确定脸部特征点（眼睛、眉毛、鼻子、嘴巴、脸部外轮廓）的位置。定位算法的基本思路是：人脸的纹理特征和各个特征点之间的位置约束结合。经典算法是ASM和AAM。

1. ASM（Active Shape Model）：分为训练和搜索两步。训练时，建立各个特征点的位置约束，构建各个特定点的局部特征。搜索时，迭代的匹配。

   第一步：训练：

                首先，构建形状模型：  

                         搜集n个训练样本（n=400）；

                         手动标记脸部特征点；

                         将训练集中特征点的坐标串成特征向量；

                         对形状进行归一化和对齐（对齐采用Procrustes方法）；

                         对对齐后的形状特征做PCA处理。

                接着，为每个特征点构建局部特征。目的是在每次迭代搜索过程中每个特征点可以寻找新的位置。局部特征一般用梯度特征，以防光照变化。有的方法沿着边缘的法线方向提取，有的方法在特征点附近的矩形区域提取。

   第二步：搜索：

                首先：计算眼睛（或者眼睛和嘴巴）的位置，做简单的尺度和旋转变化，对齐人脸；

                接着：匹配每个局部特征点（常采用马氏距离），计算新的位置；

                        得到仿射变换的参数，迭代直到收敛。

  另外，常采用多尺度的方法加速。搜索的过程最终收敛到高分辨率的原图像上。

2. AAM（Active Appreance Model）：ASM只用了形状约束（加上特征点附近的特征），AAM又加入了整个脸部区域的纹理特征。即：Appreance  = Shape + Texture。

    在对形状和纹理特征统一量纲后，建模和搜索过程和ASM基本相同。

    有个区别是纹理特征的搜索过程：由于纹理特征维数较高，搜索过程是一个高维的优化问题。解决方法是事先学习出纹理预测需要的线性模型，根据该模型调整参数，提高搜索效率。

其中矩阵A就是先验。

    下面是随着迭代次数增加，模型收敛情况示例：

3. 开源库和SDK

         am_tools（原作者提供的demo）

         Stasm

         Face++ Research Toolkit

参考：

Active Shape Models

Active Appearance Models

Statistical Models of Appearance for Computer Vision.

ASM（Active Shape Model）算法介绍

AAM（Active Appearance Model）算法介绍

几种关于ASM & AAM 模型代码实现的对比

Active Shape Models with Stasm

(学习笔记)Stasm的接口和使用