利用AAM進行3D人臉的快速自動建模

1、利用利用AAMAAM進行進行3D3D人臉的快速自動建人臉的快速自動建模模報告人：朱報告人：朱 珠珠 2011年年6月月2日日參考文獻 范小九，彭強，Jim X Chen2;利用主動外觀模型進行3D人臉的快速自動建模;計算機輔助設(shè)計與圖形學學報;2009年第5期目標目標 以實時應(yīng)用和視頻傳輸為目標,本文將人臉特征定位方法與MPEG-4兼容的CANDIDE-3線框模型相結(jié)合,完成3D個性化人臉模型的構(gòu)建和表情模擬. 實驗結(jié)果證明,該方法真實感較強,構(gòu)造速度較快,適合于對圖像質(zhì)量要求不高而實時性要求較高的視頻應(yīng)用領(lǐng)域.改進的改進的AAM人臉特征點快速定位方法人臉特征點快速定位方法 本文從初始位置和模

2、型實例兩方面對傳統(tǒng)AAM算法擬合過程進行改善. 首先采用Adaboost統(tǒng)計模型算法對圖像中人臉特征(眼睛、鼻子、嘴巴等)進行預檢測; 然后充分利用YCbCr色彩空間中人臉膚色特性對無法檢測或檢測不完全的圖像進行特征提取; 最后根據(jù)特征區(qū)域計算鼻尖坐標和人臉平面偏轉(zhuǎn)角及側(cè)深度偏轉(zhuǎn)角.鼻尖坐標和平面偏轉(zhuǎn)角組合用于校正中心位置參數(shù),側(cè)深度偏轉(zhuǎn)角則用于選擇模型實例. 本文實驗采用丹麥科技大學信息控制和數(shù)學建模(informatics and mathematical modelling,IMM)標準人臉庫中后28人,共168幅靜態(tài)圖像構(gòu)建AAM. 最終擬合結(jié)果比傳統(tǒng)AAM算法的準確率提高約43%,時

3、間消耗降低約62%.4改進的AAM人臉特征點快速定位過程及結(jié)果5 AdaBoost算法原理算法原理 AdaBoost算法針對不同的訓練集訓練同一個基本分類器（弱分類器），然后把這些在不同訓練集上得到的分類器集合起來，構(gòu)成一個更強的最終的分類器（強分類器）。AdaBoost算法中不同的訓練集是通過調(diào)整每個樣本對應(yīng)的權(quán)重實現(xiàn)的。最開始的時候，每個樣本對應(yīng)的權(quán)重是相同的，在此樣本分布下訓練出一個基本分類器h1(x)。對于h1(x)錯分的樣本，則增加其對應(yīng)樣本的權(quán)重；而對于正確分類的樣本，則降低其權(quán)重。這樣可以使得錯分的樣本突出出來，并得到一個新的樣本分布。同時，根據(jù)錯分的情況賦予h1(x)一個權(quán)重，

4、表示該基本分類器的重要程度，錯分得越少權(quán)重越大。在新的樣本分布下，再次對基本分類器進行訓練，得到基本分類器h2(x)及其權(quán)重。依次類推，經(jīng)過T次這樣的循環(huán)，就得到了T個基本分類器，以及T個對應(yīng)的權(quán)重。最后把這T個基本分類器按一定權(quán)重累加起來，就得到了最終所期望的強分類器。6AdaBoost算法的具體描述如下：假定X表示樣本空間，Y表示樣本類別標識集合，假設(shè)是二值分類問題，這里限定Y=-1,+1。令S=(Xi,yi)|i=1,2,m為樣本訓練集，其中XiX，yiY。 1） 初始化m個樣本的權(quán)值，假設(shè)樣本分布Dt為均 勻分布：Dt(i)=1/m，Dt(i)表示在第t輪迭代中賦給樣本(xi,yi)的

5、權(quán)值。 2） 令T表示迭代的次數(shù)。7 3） For t=1 to T do根據(jù)樣本分布Dt，通過對訓練集S進行抽樣（有回放）產(chǎn)生訓練集St。在訓練集St上訓練分類器ht。用分類器ht對原訓練集S中的所有樣本分類。得到本輪的分類器ht：X Y，并且有誤差t=Pri-Diht(xi) yi。令t=（1/2）ln(1-t)/ t。更新每個樣本的權(quán)值其中，Zt是一個正規(guī)因子正規(guī)因子，用來確保iDt+1(i)=1。end for8 4）最終的預測輸出為： 9 4）最終的預測輸出為： 3D 3D位置恢復和形狀匹配位置恢復和形狀匹配3D位置恢復位置恢復 3D位置恢復主要討論圖中Roll,Yaw和Pitch3

6、個旋轉(zhuǎn)參數(shù)的快速計算問題11 點從左到右分別為P,Q,R和S,左右嘴角點分別為M和N,相應(yīng)坐標分別為(Px,Py),(Qx,Qy),(Rx,Ry),(Sx,Sy),(Mx,My)和(Nx,Ny), 則Roll-Eye_Out=arctan(Sy-Py)/(Sx-Px),從而Roll= (Roll-Eye_Out+Roll-Eye_In+Roll-Mouth)/3 (1)12 如圖所示為Yaw旋轉(zhuǎn)前后的人臉及鼻子處示意圖,定義鼻下點為O、中線與眼角連線交點為K以及中線與嘴角連線交點為L.旋轉(zhuǎn)使原本對稱的鼻下點和左右內(nèi)外眼角點及嘴角點夾角值發(fā)生了明顯變化,本文取兩者之差的平均值Yaw-Eye_In

7、,Yaw-Eye_Out和Yaw-Mouth參與Yaw旋轉(zhuǎn)恢復參數(shù)Yaw的計算,即13 Yaw-Eye_Out= (|SOK-POK |)/2 =(|arctan(Ox-Px)/(Py-Oy) - arctan(Sx-Ox)/(Py-Oy) |)/2; 同理,Yaw-Eye_In=(|ROK-QOK|)/2, Yaw-Mouth=(|NOL-MOL|)/2.14 同時,鼻子部分因臉部Yaw旋轉(zhuǎn)也產(chǎn)生一定的側(cè)深度角度Yaw-Nose,表現(xiàn)在水平切面圖上則是經(jīng)過鼻下點的垂直直線和原始中軸線之間產(chǎn)生距離d.設(shè)水平切面圖為近似圓形,r為半徑(r值取鼻子處人臉輪廓寬度的一半,即r=s/2),則 Yaw-

8、Nose=arcsin(2(d/s), Yaw= (Yaw-Eye_Out+Yaw-Eye_In+ Yaw-Mouth+Yaw-Nose)/4 (2) 如圖所示為Pitch旋轉(zhuǎn)前后及旋轉(zhuǎn)后水平切面圖和側(cè)視圖變化情況. Pitch旋轉(zhuǎn)前A,O和Q3個點處在同一條直線上.旋轉(zhuǎn)后鼻下點O則因投影位置具有一定深度而不再與AQ處于同一直線,且形成水平切面角度,并對應(yīng)側(cè)視圖中角度1.另外,側(cè)視圖橢圓中左外眼角P和左嘴角M及AQ中心T形成三角形,設(shè)s為鼻子處人臉輪廓寬度,S為PMT的面積, , 和 分別為三角形3條邊的邊長,Tx,Ty,Px,Py,Mx和My分別為對應(yīng)點的橫縱坐標16PTMTPM于是Pitc

9、h旋轉(zhuǎn)恢復參數(shù) Pitch= (|1-2|)/2 (3)17 其中 1=arcsin(2(c/s), 1+2=arcsin(2S)/(PTMT); PT = (Tx-Px)2+(Ty-Py)2, S =（PT+MT+PM）/2（MT+PM-PT）/2（PT+MT-PM）/2（PT+PM-MT）/2）1/2; MT和PM與PT計算方法相同. 根據(jù)式(1)(3)得到的3D位置恢復參數(shù)即可 183D形狀匹配 3D形狀匹配主要考慮通過整體輪廓的全局調(diào)整和感興趣區(qū)域的局部調(diào)整,實現(xiàn)輸入的人臉圖像和3D線框模型在形狀上的對應(yīng).本文依據(jù)仿射變換計算全局的縮放和平移參數(shù). 假設(shè)圖像左右內(nèi)眉角的特征點分別為P1和Q1,下巴處為N1,鼻下點為O1,通過O1點作P1Q1的垂線和P1Q1相交,交點M1為眉心點,兩外眼角分別為A1和B1,兩鬢角分別為C1和D1, 同時,設(shè)模型相應(yīng)的特征點分別為P2,Q2,O2,M2,A2,B2,C2和D2.利用兩眼角和鬢角距離比值可得Pitch方向仿射變換系數(shù)Pitch1和Pitch2;利用眉心和鼻下點以及下巴和鼻下點距離比值可得Yaw方向仿射變換系數(shù)Yaw1和Yaw2.為減小誤差,取兩者平均值作為各自方向的縮放參數(shù),