【摘要】 本发明公开了一种将Kinect相机提供的人体姿态分析数据和深度数据融合到Depth-AAM算法中，形成基于2.5维图像的人脸特征提取方法, 1)采用主成份分析方法训练Depth-AAM算法的表观模型；2)基于训练完成的Depth-AAM算法的表观模型进行人脸特征提取。 【专利类型】发明授权 【申请人】宁波大学 【申请人类型】学校 【申请人地址】315211 浙江省宁波市江北区风华路818号 【申请人地区】中国 【申请人城市】宁波市 【申请人区县】江北区 【申请号】CN201210376751.4 【申请日】2012-09-29 【申请年份】2012 【公开公告号】CN102880866B 【公开公告日】2014-12-17 【公开公告年份】2014 【授权公告号】CN102880866B 【授权公告日】2014-12-17 【授权公告年份】2014.0 【IPC分类号】G06K9/00; G06K9/46 【发明人】赵杰煜; 金秋 【主权项内容】1.一种人脸特征提取方法，其特征在于，包括以下步骤，1)采用主成份分析方法训练Depth-AAM算法的表观模型：①利用Kinect相机采集训练用人脸图像的纹理图像和深度图像，将深度图像从0～65535像素范围压缩到0～255像素范围，代入四通道图像的α通道，再与纹理图像合并为RGBD四通道图像，并对其进行手工标定若干个轮廓点；②定义人脸形状为组成网格的ν个顶点坐标s＝(x1, y1, ..., xν, yν)T；顶点构成的形状向量用主成份分析方法建立二维线性模型，形状向量被表示成基本形状s0加上m个形状向量si的线性组合p＝(p1, ..., pm)T是形状矩阵的特征值向量，s0为人脸图像的标准姿态，si是特征值pi对应的特征向量；③将s0，RGBD四通道图像Ii和其对应的手工标记si*用分块仿射变换转换到标准姿态下的RGBD四通道人脸图像，即s0与si'的三角网格一一对应，分块仿射变换表达式为x'＝a1x+a2y+a3和y'＝b1x+b2y+b3，(x, y)为s0上一个坐标，(x', y')为si'上与(x, y)对应的坐标，a1与b2为X方向和Y方向的缩放尺度，a2和b1为旋转尺度，a3和b3为X方向和Y方向的平移大小，采用待定系数法求出对应的参数(a1, a2, a3, b1, b2, b3)；④将所有训练人脸图像经过第③步变换，得到其在标准姿态下的人脸图像Ii'，并采用主成份分析方法这里λi是第i个表观向量的参数，表观参数向量λ＝{λ1, λ2, ..., λn}是输入图像对应于该AAM模型表观参数的特征值，以表示输入图像的全部信息，第i个表观向量Ai(x)对应于表观参数向量中第i大的特征值；通过①②③④步训练得到各表观特征的特征值即完成Depth-AAM算法的表观模型的训练；2)基于训练完成的Depth-AAM算法的表观模型进行人脸特征提取：⑤Kinect相机根据人体深度图像，采用Kinect winsdk的API分割出人体图像，并得到头部节点位置坐标、头部节点转动方向θ及其置信度Confθ，根据人体深度图像，将人体区域置白，人体之外的区域置黑，从头部节点位置不断向上下左右同时扩大范围，当上左右都达到黑色边界时，停止下边界的，并确定人脸的最大区域，其左上角顶点坐标 记为(xheadLU, yheadLU)，区域长度和宽度记为(lengthhead, widthhead)；⑥全局形状参数q定义为参数(a, b)表示为a＝kcosθ-1和b＝ksinθ，(tx, ty)为X方向和Y方向的平移，为了书写方便，(a, b, tx, ty)记为(q1, q2, q3, q4)即为全局形状参数q；⑦Depth-AAM算法拟合的目标函数为输入图像与表观合成图像差的绝对值 第一次的Depth-AAM拟合使用转动方向θ初始化q1、q2，使用⑤中得到的人脸位置信息初始化q3、q4，求解p和q使图像能量差最小时获得的所述轮廓点的坐标值以及表观参数向量即完成人脸特征提取，具体为，对参数p和q求导，求得参数p和q的变化量Δp和Δq，迭代求取最小的图像能量差， i的范围为i＝1，...，4， j的范围为j＝1，...，68，其中 k的范围为k＝1，...，4， l的范围为l＝1，...，68，H为Hessian矩阵，。 【当前权利人】宁波大学 【当前专利权人地址】浙江省宁波市江北区风华路818号宁波大学 【统一社会信用代码】123300004195291066 【引证次数】3.0 【被引证次数】1 【他引次数】3.0 【被他引次数】1.0 【家族引证次数】3.0 【家族被引证次数】37

未经允许不得转载：http://www.zhongzhencnc.com/1791359237.html