基于自适应粒子滤波的ASM新技术

2755793 2017-12-19 | rar | 0.66 MB | 次下载 | 3积分

资料介绍

　　人脸跟踪和特征提取是人脸识别和机器视觉的关键技术。主动形状模型（Ac tive Shape Model，ASM）是由Cootes等人于1995年提出的一种基于点分布模型算法，已经被广泛应用于单幅人脸或视频流的人脸特征提取和跟踪。ASM基于统计方法，将一系列人脸图像进行标点训练得到原始形状向量，再进行对齐操作和PCA分析建立形状建模。其中需要设置形状模型参数，约束其变化范围，确保模型能适应目标形状的不确定性。

　　ASM模型的初始化过程非常重要，如果不能准确定位目标图像中的人脸位置，后续的ASM搜索过程将会失败。传统人脸检测技术包括基于肤色、Harr特征等方法，大多局限于良好背景、均匀光照和人脸无遮挡等约束环境，无法检测视频流中快速头部移动的人脸。为了自动确定跟踪目标，本文方法仅视频流的第一帧利用人脸自动检测捕获目标，获得人脸位置、大小和旋转等参数，并将人脸的位置作为粒子滤波人脸跟踪算法的初始化窗口。此后采用粒子滤波方法定位特定目标的人脸位置，以检测并跟踪复杂背景、光照变化、局部遮挡，以及快速移动的人脸图像。

　　ASM大多采用PCA方法建立形状模型，需要大量数据集构建特征墓。但利用传统PCA不能准确定位复杂状况下的人脸目标，且无法适应目标特征的最新变化。本文采用递增PCA（lncremental PCA，IPCA）方法构建更新特征空间，保持目标模式的最新表达，以适应目标本身的变化和周围环境的改变，实现复杂环境下的人脸特征点跟踪。

　　本文后续部分将依次介绍ASM方法，基于IPCA的ASM人脸跟踪方法和自适应粒子滤波人脸跟踪技术，描述验证实验，讨论改进ASM方法的实验效果。

基于自适应粒子滤波的ASM新技术