精密制造与自动化
基于ASM的人脸检测
朱清智张毅
（河南工业职业技术学院河南南阳473000）
2016年第3期
摘要针对煤矿并下复杂环境中的人脸检测，研究了基于主动形状模型的ASM算法。算法结合人脸面部几何参数，经平移、伸缩、旋转等，调整人脸在整体图像中的位置，经过学习训练集中的局部形变，建立了脸部线性形状模型和块模型。该算法较好地解决了煤矿考勤系统中并下人员人脸检测和跟踪间题，
煤矿考勤系统
关键词人脸检测ASM算法人脸模型人脸检测器
主动形状模型ASM的算法是用来检测特征位
置的算法，检测完全由数据驱动。依赖人脸部几何轮廉和脸部特征的外观模型，该依赖性由人脸样本
集中人脸间的相对位置决定的。 1数据收集
数据收集是提取人脸部的特征点，通常脸部特征点越多，则具有更好的鲁棒性，但脸部特征点数的增多也使计算的代价呈线性增长，本文选择76 个标记特征点，计算量不太大的同时鲁棒性也很高，具体标记的人脸特征点数如表1所示。
标注人脸训练样本集中脸部特征点的相对应位
置，人险图像需要进行标记。标出产险部特证点即完成了人脸脸部特征的定位。
表1
特征点分布
脸部轮廊 15
瞬巴 19
鼻子 12
眉毛 12
眼靖 18
样本集的大小影响算法鲁桂性，样本集越大算法鲁棒性越强。在同等数量的样本的基础上，为了使训练集大小增加一倍，定义了镜像训练集。它是将对称的面部特征点保留一个编号，即沿Y轴对称化数据。可以对镜像训练集进行对称性案引。图像应当进行镜像图像的相应标注，：最后形成
annotations.yaml文件，如图1所示。 2局部----全局的组合形状模型
人脸脸部几何参数化由全局变换参数和局部的形变参数组成。全局变换和局部形变组合得到图像顺的形状。将全局变换看作一个线性子空间，并将
60
这个线性子空间加到局部形变子空间中。对于一个固定的人脸形状，可用子空间来表示相似变换，用
式（1）为具体表示，[ ]+[]
-y1
yi M
[-]] +[
x
Xn L Yn
xi M-y1 x1
1 0 M
0
0 1 M
a(1)
0
[t, 1
用Procustes对齐后得到的标准形状是该子空间表示的形状。构成子空间后要归一化矩阵的每列。在学习局部形变模型之前，由于已经从数据中删除全局变换引起的变化，所产生的形变子空间会与全局变换子空间正交，因此，通过拼接两个子空间得到脸型的局部-全局先行表示。并将这两个子客间作为所组合的子空间矩阵的次空间，这种模型计算出形状参数的函数如式（2）所示。
P =V.tO*s
(2)
其中，s表示一个向量化的人脸，P为用人脸子空间表示脸型的坐标。
股移数E特证酒
美茶
6882141 中区用量销信号
前否十特向量分对对应的不同模式香 a宝
图1特征值与特征向量关系
线性模型化脸型通过约束子空间坐标使生成的形状有效。在图2中，依次对子空间表示的人脸增加坐标的值在某个固定变化的方向上，增量越小，