向顺灵　马海英

摘 要：主动表观模型AAM是头部姿态估计的有效方法之一，但对初始设置很敏感。为此，利用HOG-LBP技术提取待测图像的特征直方图，根据特征直方图选择最匹配的模型参数作为初始值，并采用Adaboost进行人脸定位。实验表明该方法有效提高了算法的鲁棒性和速度。

关键词：主动表观模型；头部姿态估计；梯度方向直方图

人脸特征点定位是人脸识别的必要前提，准确快速的人脸特征检测是人脸识别、人脸表情分析、人脸姿态估计和人脸图像编码等技术的基础。人脸有着很强的结构信息，同时也具有多样的变化能力，提取人脸的几何特征与形态特征是进行各种人脸分析的基础。几何形状信息方法具有较高的准确率和鲁棒性应用广泛，AAM算法是其中的典型之一。AAM方法是在ASM方法基础上发展起来的，ASM方法采用点坐标采样来描述形状信息，并利用PCA方法建立描述形状的统计模型，最后利用一组参数来控制形状点的位置变化范围，并结合图像边缘信息逼近当前对象的形状。ASM方法仅仅利用了对象的边缘信息，准确率不高；所以提出AAM算法，该算法是对目标的形状和纹理统计信息建立模型，并用建立的模型在新图像中搜索新对象，AAM方法不仅利用了对象的边缘信息，而且利用了对象形状所能覆盖的所有图像区域信息。传统的AAM算法的拟合结果受初始位置，人脸角度偏转影响。对此过内外学者提出很多改进方法。邹北骥等人[1]提出了一种分层细化掩膜的AAM算法，提高了算法抗干扰性能，Ya Su等人[2]提出了一种基于Gabor滤波的AAM算法。牛星等人[3]提出了LBP 纹理提取人脸特征点的主动外观模型AAM 算法。呼月宁等人提出了一种基于多模板AAM的人脸特征点检测方法，通过相似度选择模板为AAM搜索提供偏离较小的初始位置，可以准确地检测到特征点。

针对AAM模型对初始值敏感的缺陷，本文提出了AAM模型位置新的初始化方法，改善AAM算法的拟合中心的初始位置，减少拟合迭代次数，并且采用了HOG-LBP梯度直方图对待测图像进行处理，在AAM匹配部分，本文选择反向组合图像对齐算法，相比传统AAM算法，反向组合图像对齐算法大大减少了AAM匹配时间，同时提高了AAM匹配的准确性。

1 AAM算法概述

1.1 AAM模型 AAM是一个关于视觉现象的参数化生成模型，主要是应用在人脸建模。AAM主要分为形状和纹理的模型，在AAM中，不仅对形状进行建模，而且还建立了反映目标物体灰度变化的纹理模型。

对每一幅目标样本图像中的目标进行标定，目标形状可以描述为一系列标定点的坐标集合，即：S=（x1，y1，x2，y2，…，xn，yn）T （1）

式中：S表示目标形状；（xi，yi）为标定点坐标集合。

在样本统计分析之前，需要对样本进行标准化处理，使所有样本具有相同的尺度意义、相同的旋转方向，并去除简单的刚性变化的影响。

调整好训练样本后，进行主成分分析（Principal component analysis，PCA），样本目标形状就表示成为平均形状S0和n个形状向量si的线性组合：S=S0+pisi （2）

式中：pi为形状参数，si是训练集图像的形状线性空间的正交基向量，S0是n个形状向量的均值。不同参数pi组成的形状模型S可以表示不同的人脸形状。

纹理模型反映人脸全局纹理变化的规律，建立时首先需要获取人脸形状轮廓区域内所有像素的灰度值，就是提取形状无关的纹理值向量，然后利用主成分分析的方法对形状无关的纹理进行分析建模。样本纹理信息的表示跟形状模型类似，也是平均纹理A0和m个纹理向量Ai的线性组合：

式中，A0是平均纹理，λi为纹理参数，Ai是训练集图像的纹理线性空间的正交基向量。不同的纹理参数λi组成的纹理模型A（x）可以表示不同的人脸纹理。

1.2 AAM拟合 一个完整的AAM 主动表现模型不仅仅包括上述介绍建立模型的部分，还包括建立模型后模型与目标匹配拟合对象对象的搜索拟合精准匹配部分。AAM 主动表现模型拟合部分的主要目的就是使得目标匹配拟合图像I（x）和已建立模型A（x）的差值最小化。根据未知图像与模型图像的差值不断调整AAM模型参数，最终使差值达到最小。x是基本网格S0中的像素点，则对应到拟合图像I（x）中的像素点表示为W（x；p）。因此建立AAM的拟合方程：

AAM拟合计算是一个非线性最优化问题。难以快速而有效地求解。传统的AAM的拟合算法是梯度下降法，这是比较标准的方法，但效率非常低，每次迭代都需要对Hessian矩形和梯度等重新计算。针对这一问题，Matthews等人提出了基于梯度下降法的反向组合图像对齐算法（Inverse Compositional Image Alignment），反向组合算法有L-K算法演变而来，该算法只需要计算一次拟合过程中的Hessian矩阵和梯度，不需要重复重新计算，提高了算法的准确性和计算效率。

2 初始位置估计

基于AAM的人脸匹配方法运用了训练集中的人脸图像和待测人脸图像的形状和纹理信息，其定位能力比较强，有较高的准确性。但是，也存在着不足。AAM的人脸匹配法是一种局部最优化方法，如果初始位置不能满足局部最优条件，最终会导致匹配的失败。传统的AAM算法都是手工为模型指定一个初始位置，或者设置一个默认的初始位置，所以初始位置对该算法有着很大的影响。所以针对这点本文提出了一种快速的初始化方法，使模型得到一个较准确的初始位置，为后面的拟合结果更准确。

Adaboost算法最早是由Freund和Schipare在1995年提出的。它是一种快速人脸检测算法，这种算法的核心是将多个弱分类器集成为一个强分类器，期间通过不断增加弱分类器的数量以达到降低最终训练误差的目标。是以 Boosting 算法为基础，整个框架如图1所示：

Adaboost算法是一种特殊的boosting 方法，它是基于Haar特征的，从图像样本中提取Haar-Like特征并进行分类器训练，将得到的强分类器用于特征区域检测。

对于每一层强分类器，它能对到达该层的检测图像进行人脸判断，如果候选图能够通过该层分类器的阈值，就进入到一下层分类器判断，如果不能通过，就停止对该图片的检测，被检测的图片就会被淘汰。

我们可以使用它的特征块进行训练，对人脸和人眼分别进行训练，找出其人眼所在位置，对人眼范围图像进行二值化处理，根据处理的结果，确定两个眼睛的位置，就可以计算得到模型的初始位置，对模型进行初值定位。

图2是Adaboost算法人脸检测结果：

3 特征描述

AAM匹配中，模型的初始位置会影响匹配的速度以及准确性，前面我们用Adaboost算法对模型初始位置进行了预检测，可以快速准确的匹配。但是当待测人脸有一定的旋转角度时，正面模型匹配是结果不是很准确。所以我们希望在匹配之前能够训练出人脸转向并且可以根据待测图像人脸旋转方向选择相应的模型实例，从而提高AAM匹配的鲁棒性。

算法概述：

3.1 HOG算法。HOG可以很好地提取形状信息，是一种解决人体目标检测的图像描述子。最初是Dalal[11]等提出的一种行人检测方法，后来被Deniz等[12]应用于人脸识别中。HOG为梯度方向直方图，是以像素点为基础的。计算如下公式：

分别计算每个小块上每个像素的梯度方向和梯度幅值，I（x，y）是图像上（x，y）坐标上的像素值，θ（x，y）是梯度方向，m（x，y）是度值。公式（5）计算（x，y）出的梯度方向，公式（6）计算（x，y）出的梯度幅值。

图3为一个基本的HOG原理图，一般将一幅图像分成16*16的图像块，同时块内又分成2*2个单元块，为细胞（cell），在单元块内计算每个像素点的梯度方向直方图，统计块内和细胞内各个方向的梯度值的分布，最后得到整幅图的梯度方向直方图。

3.2 LBP的人脸描述。局部二值模式LBP，是一种图像基本局域纹理变化的算子。对一幅图像，以3*3大小的正方形为一个计量单元，我们选取一像素点为中心，将中心点像素的灰度值作为阈值并与周边8个像素点灰度值进行数值大小比较，并把大于阈值的点置为1，反之为0，从而得到一组二进制数。计算公式如下：

gj为中心点像素（xj.yj）的灰度值，gi为邻域点i的灰度值。LBP对1幅图像中的每一个像素进行值的替换，就可以采用统计直方图方法对像素进行统计，就可以得到人脸图像的LBP直方图。图4为LBP基本原理图：

4 算法设计与实现

在2.99GHz，2GB内存的AMD Athlon（tm） ⅡX2 B24处理器下，使用工具MATLAB7.10来实现算法。在IMM人脸数据库40人（7位女性，33位男性）240幅人脸图像中，选择30个人作为训练图片，其余图片作为测试图片。

对测试图像HOG-LBP处理，判断出人脸旋转类型，然后选择合适的人脸模型进行匹配。如图5，如果测试人脸是左旋转人脸图像，就选择左旋转人脸模型实例。

AAM匹配计算，我们选择反向组合图像对准算法（Inverse Compositional Image Alignment）[6-13]，与传统的AAM算法相比，该算法计算速度快，精度也有进一步提高。反向组合算法是将平均纹理图像和输入图像的角色调换，计算反方向上的参数变换，使所需的梯度和Hessian矩阵在迭代中保持不变。我们用Adaboost的模型位置初始化算法，减少迭代次数，并且对测试图片做HOG-LBP处理，判断出图片的旋转分类，然后选用合适的人脸模型参数作为AAM模型的初始参数值，提高了AAM匹配的鲁棒性和速度。这里所指的准确度是比较AAM匹配所得特征点与手动标定特征点的误差。对实验结果表明：本文算法整体要高于传统AAM算法。

5 结束语

本文在传统的AAM算法上做了改进，利用Adaboost算法确定人脸初始化位置。针对人脸转向问题，提出了HOG-LBP人脸联合直方图，判断出人脸的几何位置，根据不同的转向选择合适的人脸模型匹配，可以根据人脸不同转向的直方图选择不同的人脸模型实例，由此获得AAM模型的高效的初始参数值，提高了AAM匹配的鲁棒性，使模型能够快速收敛到正确的参数值，减少拟合次数。但是当人脸角度过大或者外界光照强烈，背景复杂时，实验精确度不高。未来对人脸角度偏转和复杂环境下提高拟合准确度进行进一步研究。

参考文献：

[1]王磊，邹北骥，彭小宁，等.一种改进的提取人脸面部特征点的AAM拟合算法[J].电子学报，2006，34（8）：1424-1427.

[2]GAO Xin-bo，SU Ya，LI Xue-long，et al.Gabor texture in active appearance models[J].Neurocomputing，2009，72（13/14/15）：3174-3181.

[3]牛星.基于改进AAM的人脸特征点提取[J].应用科技，2011，38（4）：35-38.

作者简介：向顺灵（1989-），女，硕士研究生，研究方向为图像处理、视频处理。