一種改進的AAM頭部姿態估計算法

向順靈　馬海英

摘 要：主動表觀模型AAM是頭部姿態估計的有效方法之一，但對初始設置很敏感。為此，利用HOG-LBP技術提取待測圖像的特征直方圖，根據特征直方圖選擇最匹配的模型參數作為初始值，并采用Adaboost進行人臉定位。實驗表明該方法有效提高了算法的魯棒性和速度。

關鍵詞：主動表觀模型；頭部姿態估計；梯度方向直方圖

人臉特征點定位是人臉識別的必要前提，準確快速的人臉特征檢測是人臉識別、人臉表情分析、人臉姿態估計和人臉圖像編碼等技術的基礎。人臉有著很強的結構信息，同時也具有多樣的變化能力，提取人臉的幾何特征與形態特征是進行各種人臉分析的基礎。幾何形狀信息方法具有較高的準確率和魯棒性應用廣泛，AAM算法是其中的典型之一。AAM方法是在ASM方法基礎上發展起來的，ASM方法采用點坐標采樣來描述形狀信息，并利用PCA方法建立描述形狀的統計模型，最后利用一組參數來控制形狀點的位置變化范圍，并結合圖像邊緣信息逼近當前對象的形狀。ASM方法僅僅利用了對象的邊緣信息，準確率不高；所以提出AAM算法，該算法是對目標的形狀和紋理統計信息建立模型，并用建立的模型在新圖像中搜索新對象，AAM方法不僅利用了對象的邊緣信息，而且利用了對象形狀所能覆蓋的所有圖像區域信息。傳統的AAM算法的擬合結果受初始位置，人臉角度偏轉影響。對此過內外學者提出很多改進方法。鄒北驥等人[1]提出了一種分層細化掩膜的AAM算法，提高了算法抗干擾性能，Ya Su等人[2]提出了一種基于Gabor濾波的AAM算法。牛星等人[3]提出了LBP 紋理提取人臉特征點的主動外觀模型AAM 算法。呼月寧等人提出了一種基于多模板AAM的人臉特征點檢測方法，通過相似度選擇模板為AAM搜索提供偏離較小的初始位置，可以準確地檢測到特征點。

針對AAM模型對初始值敏感的缺陷，本文提出了AAM模型位置新的初始化方法，改善AAM算法的擬合中心的初始位置，減少擬合迭代次數，并且采用了HOG-LBP梯度直方圖對待測圖像進行處理，在AAM匹配部分，本文選擇反向組合圖像對齊算法，相比傳統AAM算法，反向組合圖像對齊算法大大減少了AAM匹配時間，同時提高了AAM匹配的準確性。

1 AAM算法概述

1.1 AAM模型 AAM是一個關于視覺現象的參數化生成模型，主要是應用在人臉建模。AAM主要分為形狀和紋理的模型，在AAM中，不僅對形狀進行建模，而且還建立了反映目標物體灰度變化的紋理模型。

對每一幅目標樣本圖像中的目標進行標定，目標形狀可以描述為一系列標定點的坐標集合，即：S=（x1，y1，x2，y2，…，xn，yn）T （1）

式中：S表示目標形狀；（xi，yi）為標定點坐標集合。

在樣本統計分析之前，需要對樣本進行標準化處理，使所有樣本具有相同的尺度意義、相同的旋轉方向，并去除簡單的剛性變化的影響。

調整好訓練樣本后，進行主成分分析（Principal component analysis，PCA），樣本目標形狀就表示成為平均形狀S0和n個形狀向量si的線性組合：S=S0+pisi （2）

式中：pi為形狀參數，si是訓練集圖像的形狀線性空間的正交基向量，S0是n個形狀向量的均值。不同參數pi組成的形狀模型S可以表示不同的人臉形狀。

紋理模型反映人臉全局紋理變化的規律，建立時首先需要獲取人臉形狀輪廓區域內所有像素的灰度值，就是提取形狀無關的紋理值向量，然后利用主成分分析的方法對形狀無關的紋理進行分析建模。樣本紋理信息的表示跟形狀模型類似，也是平均紋理A0和m個紋理向量Ai的線性組合：

式中，A0是平均紋理，λi為紋理參數，Ai是訓練集圖像的紋理線性空間的正交基向量。不同的紋理參數λi組成的紋理模型A（x）可以表示不同的人臉紋理。

1.2 AAM擬合 一個完整的AAM 主動表現模型不僅僅包括上述介紹建立模型的部分，還包括建立模型后模型與目標匹配擬合對象對象的搜索擬合精準匹配部分。AAM 主動表現模型擬合部分的主要目的就是使得目標匹配擬合圖像I（x）和已建立模型A（x）的差值最小化。根據未知圖像與模型圖像的差值不斷調整AAM模型參數，最終使差值達到最小。x是基本網格S0中的像素點，則對應到擬合圖像I（x）中的像素點表示為W（x；p）。因此建立AAM的擬合方程：

AAM擬合計算是一個非線性最優化問題。難以快速而有效地求解。傳統的AAM的擬合算法是梯度下降法，這是比較標準的方法，但效率非常低，每次迭代都需要對Hessian矩形和梯度等重新計算。針對這一問題，Matthews等人提出了基于梯度下降法的反向組合圖像對齊算法（Inverse Compositional Image Alignment），反向組合算法有L-K算法演變而來，該算法只需要計算一次擬合過程中的Hessian矩陣和梯度，不需要重復重新計算，提高了算法的準確性和計算效率。

2 初始位置估計

基于AAM的人臉匹配方法運用了訓練集中的人臉圖像和待測人臉圖像的形狀和紋理信息，其定位能力比較強，有較高的準確性。但是，也存在著不足。AAM的人臉匹配法是一種局部最優化方法，如果初始位置不能滿足局部最優條件，最終會導致匹配的失敗。傳統的AAM算法都是手工為模型指定一個初始位置，或者設置一個默認的初始位置，所以初始位置對該算法有著很大的影響。所以針對這點本文提出了一種快速的初始化方法，使模型得到一個較準確的初始位置，為后面的擬合結果更準確。

Adaboost算法最早是由Freund和Schipare在1995年提出的。它是一種快速人臉檢測算法，這種算法的核心是將多個弱分類器集成為一個強分類器，期間通過不斷增加弱分類器的數量以達到降低最終訓練誤差的目標。是以 Boosting 算法為基礎，整個框架如圖1所示：

Adaboost算法是一種特殊的boosting 方法，它是基于Haar特征的，從圖像樣本中提取Haar-Like特征并進行分類器訓練，將得到的強分類器用于特征區域檢測。

對于每一層強分類器，它能對到達該層的檢測圖像進行人臉判斷，如果候選圖能夠通過該層分類器的閾值，就進入到一下層分類器判斷，如果不能通過，就停止對該圖片的檢測，被檢測的圖片就會被淘汰。

我們可以使用它的特征塊進行訓練，對人臉和人眼分別進行訓練，找出其人眼所在位置，對人眼范圍圖像進行二值化處理，根據處理的結果，確定兩個眼睛的位置，就可以計算得到模型的初始位置，對模型進行初值定位。

圖2是Adaboost算法人臉檢測結果：

3 特征描述

AAM匹配中，模型的初始位置會影響匹配的速度以及準確性，前面我們用Adaboost算法對模型初始位置進行了預檢測，可以快速準確的匹配。但是當待測人臉有一定的旋轉角度時，正面模型匹配是結果不是很準確。所以我們希望在匹配之前能夠訓練出人臉轉向并且可以根據待測圖像人臉旋轉方向選擇相應的模型實例，從而提高AAM匹配的魯棒性。

算法概述：

3.1 HOG算法。HOG可以很好地提取形狀信息，是一種解決人體目標檢測的圖像描述子。最初是Dalal[11]等提出的一種行人檢測方法，后來被Deniz等[12]應用于人臉識別中。HOG為梯度方向直方圖，是以像素點為基礎的。計算如下公式：

分別計算每個小塊上每個像素的梯度方向和梯度幅值，I（x，y）是圖像上（x，y）坐標上的像素值，θ（x，y）是梯度方向，m（x，y）是度值。公式（5）計算（x，y）出的梯度方向，公式（6）計算（x，y）出的梯度幅值。

圖3為一個基本的HOG原理圖，一般將一幅圖像分成16*16的圖像塊，同時塊內又分成2*2個單元塊，為細胞（cell），在單元塊內計算每個像素點的梯度方向直方圖，統計塊內和細胞內各個方向的梯度值的分布，最后得到整幅圖的梯度方向直方圖。

3.2 LBP的人臉描述。局部二值模式LBP，是一種圖像基本局域紋理變化的算子。對一幅圖像，以3*3大小的正方形為一個計量單元，我們選取一像素點為中心，將中心點像素的灰度值作為閾值并與周邊8個像素點灰度值進行數值大小比較，并把大于閾值的點置為1，反之為0，從而得到一組二進制數。計算公式如下：

gj為中心點像素（xj.yj）的灰度值，gi為鄰域點i的灰度值。LBP對1幅圖像中的每一個像素進行值的替換，就可以采用統計直方圖方法對像素進行統計，就可以得到人臉圖像的LBP直方圖。圖4為LBP基本原理圖：

4 算法設計與實現

在2.99GHz，2GB內存的AMD Athlon（tm） ⅡX2 B24處理器下，使用工具MATLAB7.10來實現算法。在IMM人臉數據庫40人（7位女性，33位男性）240幅人臉圖像中，選擇30個人作為訓練圖片，其余圖片作為測試圖片。

對測試圖像HOG-LBP處理，判斷出人臉旋轉類型，然后選擇合適的人臉模型進行匹配。如圖5，如果測試人臉是左旋轉人臉圖像，就選擇左旋轉人臉模型實例。

AAM匹配計算，我們選擇反向組合圖像對準算法（Inverse Compositional Image Alignment）[6-13]，與傳統的AAM算法相比，該算法計算速度快，精度也有進一步提高。反向組合算法是將平均紋理圖像和輸入圖像的角色調換，計算反方向上的參數變換，使所需的梯度和Hessian矩陣在迭代中保持不變。我們用Adaboost的模型位置初始化算法，減少迭代次數，并且對測試圖片做HOG-LBP處理，判斷出圖片的旋轉分類，然后選用合適的人臉模型參數作為AAM模型的初始參數值，提高了AAM匹配的魯棒性和速度。這里所指的準確度是比較AAM匹配所得特征點與手動標定特征點的誤差。對實驗結果表明：本文算法整體要高于傳統AAM算法。

5 結束語

本文在傳統的AAM算法上做了改進，利用Adaboost算法確定人臉初始化位置。針對人臉轉向問題，提出了HOG-LBP人臉聯合直方圖，判斷出人臉的幾何位置，根據不同的轉向選擇合適的人臉模型匹配，可以根據人臉不同轉向的直方圖選擇不同的人臉模型實例，由此獲得AAM模型的高效的初始參數值，提高了AAM匹配的魯棒性，使模型能夠快速收斂到正確的參數值，減少擬合次數。但是當人臉角度過大或者外界光照強烈，背景復雜時，實驗精確度不高。未來對人臉角度偏轉和復雜環境下提高擬合準確度進行進一步研究。

參考文獻：

[1]王磊，鄒北驥，彭小寧，等.一種改進的提取人臉面部特征點的AAM擬合算法[J].電子學報，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.基于改進AAM的人臉特征點提取[J].應用科技，2011，38（4）：35-38.

作者簡介：向順靈（1989-），女，碩士研究生，研究方向為圖像處理、視頻處理。