基于AAM的人臉建模與匹配技術的研究.pdf

1、處在信息化時代,數(shù)據(jù)的海量以及安全對人們造成了很多困境。隨之，生物特征識別技術越來越受到人們的重視,人臉識別作為生物特征識別研究領域之一，憑借其很多優(yōu)點，也成為了人們研究的熱門領域。人臉識別的完整過程主要包括四個方面，人臉圖像的采集、人臉檢測、特征點提取與定位以及特征匹配與識別。其中,特征點提取與定位和特征匹配與識別這兩個方面對人臉識別的準確率和效率起到至關重要的作用。本文對經(jīng)典的動態(tài)外觀模型(Active Appearance Mod

2、el, AAM)、反向合成圖像對齊算法(Inverse Compositional Image Alignment, ICIA)進行了深入的分析與研究，并且針對經(jīng)典算法的計算的時間復雜度大、容易受到光照、角度、表情等的影響做了改進，提出了半動態(tài)外觀模型(Semi-Active Appearance Model,SAAM)，此模型在建模以及匹配的過程中，降低了數(shù)據(jù)計算過程中的時間復雜度和空間復雜度，并且在匹配識別的準確率上有一定的提高。<

3、br>　　本文的主要研究方面以及創(chuàng)新結果如下：
　　(1)詳細的研究了AAM的建模以及匹配計算。AAM的建模包括形狀模型的建立、紋理模型的建立以及組合模型的建立，該模型對人臉的特征點定位較準確，很好的表示了人臉圖像的外觀，但是由于人臉圖像數(shù)據(jù)量很大，從而計算量較大；AAM的匹配計算是采用經(jīng)典的梯度下降法，效率比較低。
　　(2)在AAM的匹配計算中，考慮到經(jīng)典的梯度下降法效率較低，深入的研究了反向合成圖像對齊算法。此算法是由

4、 Lucas-kanade算法與前向合成圖像對齊算法進行推導得來，在理論上得到了證明，并且將反向合成圖像對齊算法應用到AAM的特征匹配計算中，計算效率得到了很大程度的提高。
　　(3)針對AAM建模的過程中，計算數(shù)據(jù)量大、容易受到光照、角度、表情的影響，本章提出了SAAM模型。此模型是將動態(tài)形狀模型(Active Shape Model,ASM)與灰度共生矩陣(Grey Level Co-occurrence Matrix,GLC

5、M)相結合推導出來的。該模型在建立的過程中，省去了很多計算特征值、特征向量的復雜計算，在匹配計算的過程中，為了提高匹配的計算效率以及準確率，將反向合成圖像對齊算法應用于其中。經(jīng)過試驗證明，該模型具有計算簡單、識別準確率高等特點，有效地解決了AAM在計算效率、識別準確率存在的問題。
　　(4)本章在基于OpenCV的環(huán)境下，并利用MFC實現(xiàn)了一個完整的人臉識別程序軟件。該過程包括圖像采集與人臉檢測模塊、特征點提取與定位模塊、特征匹配