文摘
这是一个重要的任务来定位人脸特征点由于3 d人脸模型的广泛应用在医学领域。在本文中,我们提出一个三维面部特征点定位法与多尺度约束相结合的相对角度直方图。首先,每个顶点的相对角度直方图在3 d点分布模型计算;然后确定集群的面部特征点使用集群算法。最后,根据多尺度特征点位于精确积分特性。实验结果表明,该算法的特征点定位精度优于使用相对定位方法的角度直方图。
1。介绍
随着三维信息获取技术的发展,三维面部特征的研究得到了越来越多的广泛关注。面部特征点的自动定位是一个医疗计算机视觉领域的研究热点,是人脸识别的前提,面对动画,脸跟踪,真实感三维人脸重建。目前,三维面部特征点定位算法尚未深入研究虽然2 d面部特征点定位算法已经成熟。王等人。1]的飞机群算法应用2 d面部特征点定位的过程三维面部特征点定位;徐et al。2)提出了一种分层滤波算法,定位特征点的鼻尖。虽然这些方法有利于检测其他面部关键特征点,对噪声和旋转,平移不变性特征与一个贫穷的普遍性,以及定位结果不满意除了鼻尖特征点。冯et al。3)提出了一种基于相对角度直方图特征点定位算法。在3 d点分布模型中,所有点的相对角度直方图计算第一,然后是特性是根据直方图的相似度。效率高、稳定的算法,但它定位特征点就在一个小范围与一个不准确的结果。李和Da (4)提出了一个三维面部特征点定位算法,结合先验知识与微分特性,但结果并不令人满意,因为独特的表面模型的复杂多样性。
为了解决这些问题,我们提出了一个三维面部特征点定位法基础上的相对角度直方图和多尺度约束。创建集群的面部特征点集的第一,然后是多尺度积分特性用于准确定位特征点。因此,提高特征点定位的准确性。
2。模型预处理
2.1。坐标系统转换
CT(计算机断层扫描)从生活样本在医院,获得的图像轮廓线的提取使用的方法改进的蛇算法结合射线法(5]。为了获得真实感三维人脸样本,由一层三角形网格,使用Ganapathy的三维表面重建算法来连接你的邻居等值线(6]。当CT数据收集在一个医院,每一个身体的头部的姿势是不同的,并且不可避免地重建单层3 d模型将躺在不同的坐标系统。为方便定义特征点,所有的模型都是统一的,统一的坐标系统。
面模型通常是由一个三角形网格顶点组成的()和三角片(),所以可以表示为一个线性表示,。是th的,的坐标表达的是。的中心是计算,然后点集转换成坐标系统的起源是什么。
的点集作为一个3 d随机变量,协方差矩阵是正定的吗可以获得从改变了吗。三个最大特征值,,的计算和特征值的特征向量对吗,在那里是一个正交矩阵,,在那里是一个单位矩阵。
根据代数的相关知识,,可以计算出来。定义的线性组合,,通过方程orthogonalised吗,然后集之间的方差可以表示为 是作为主成分变量,然后我们建立坐标系如图1的起源是和坐标轴,,。
2.2。特征点的定义
真实感三维人脸的特征点必须有内涵和躺在一个可辨识的关键位置。在同一样本的特征点是不同的从他们的邻居点几何特征,而在不同样本的特性相同的特征点是相似的。满足实验要求,共39个特征点覆盖前面一半脸定义根据人类学的知识,解剖学,MPEG4专家组(定义的特征点7,8]。特征点的位置如图所示2。
3所示。集群基于特征点的相对角度直方图
3.1。相对角度直方图
后面对模型统一成一个统一的坐标系统,下一步是计算点的相对角度直方图模型。根据冯et al。3),任何时候脸的模型表达向量之间的夹角和角后,改变其值范围。
的相对角点面对模型描述每一个点之间的空间关系,具有旋转、平移、缩放不变性和更好的噪声鲁棒性。模型的任何点相对角度,然后相对的角分布。的相对分布统计特征,分布曲线详细描述每一个点的全局特征的模型。
计算th相对角的任何时候在模型中。值范围分为40部分。计算点的数量在每一个地区,统计结果的相对角度直方图。图3显示了特征点的相对角分布和右前额中心的嘴角落以及那些叠加不同的样本。很明显,不同的特征点具有不同的分布,而相同的特征点在不同的样本分布相似。类似的选择特征点聚集到一组使用集群方法(9),并设置集群特征点的设置。
(一)
(b)
3.2。特征点集群
有39个标准脸模型特征点和他们的相对角度直方图特征点用。unlocated脸样本用。顶点的数目和每个特征点的相对角度直方图。让表示集群的数量th特征点,确定的步骤模型的集群特征点集如下。
步骤1。根据先验知识,选择代表点作为初始聚类中心每组。
步骤2。计算之间的相似性和点模型中和降序排序。
步骤3。选择最大的相似性点作为集群组的在模型中特征点。
图4显示集群点集的结果鼻尖和前额中心模型的特征点的位置。实验证明将包含集群越少点最优特征点的显著特征点位置的脸,鼻尖和口腔等角落,同时,在平滑的地方,如前额中心,需要更多的集群点。下一个任务是选择精确的特征点的点集。
(一)鼻尖
(b)前额中心
4所示。积分多尺度特征提取
4.1。体积积分功能
体积积分功能被定义为多尺度特征值,这可能会削弱噪声影响大的鲁棒性比微分值,和测量模型表面的凹凸层次。
一个表面点的体积积分不变量被定义为一个功能集成在当地球这一点的区域(10- - - - - -12),其数学表达式 在哪里是一个球体,将作为中心和范围随着半径。作为显示在图5。是一个表面指标函数。当点是在地区,;而已经出了地区,。的几何意义球体体积的一部分,位于外侧的表面。
方程(2)扩展到一个多项式计算价值及其限制条件下,所以功能体积积分不变量和平均曲率之间的关系是
从(3)我们知道体积不变的值与积分球的镭地区,所以半径越长,体积不变的价值就越大。是否有噪音在积分区域的内部,对体积不变的结果的影响很小,所以体积不变的是作为一个特性具有鲁棒性。在实践中,表面上点的几何特征被定义为,体积的比值不变的球体的体积区域。方程是 根据计算的值,我们描述的几何形状表面上的点凸,近似平面和凹面。当规模和在这一点上,表面的形状是凸的;当在这一点上,表面的形状是一个近似平面;当在这一点上,表面的形状是凹的。
4.2。多尺度特征提取
凹凸是一个相对的概念。凹凸层次与规模变化将改变。作为显示在图6下,大规模凸曲线在一个盒子里,在小范围内它将顺利当本地部分放大。
多尺度几何特征提取(13]意味着相同特征提取算法提取特征采用多个阈值。作为显示在图7,表面的几何特征点表面下提取3尺度:,,。大规模可以减少噪声的影响,而小范围可以更精确地评估积分不变量。大规模应该结合小规模的特征提取过程。因此,采用多尺度特征提取方法不仅能准确地描述了地方特色,还减少了噪声的影响。
4.3。特征点的精确定位
我们计算集群的整体特征点和点三种不同尺度的1、2和3倍的平均边长的三角网格。距离的平方根定义的积分特性。5所示(5),每一个点计算,以及标准的三个不同尺度下特征点。这一点的最小值,选择作为模型的特征点。考虑
5。实验比较和分析
我们设计一个真实感三维人脸的特征点定位系统(FaceLS)根据该特征点定位算法。四十套3 d人脸点分布模型数据随机选择从一个单层的脸样本库,它属于西北大学,作为面对定位特征点的样品。测试算法的定位方法并与冯et al。3]。所有的项目都由Windows 7, Core i5处理器,2.8 GHz, 2 G内存,和Matlab 2010。
特征点定位的评价方法如下:给定一个距离阈值,每个特征点的精确位置在未经测试的模型,和欧氏距离两点之间可以计算如下:
我们的方法的步骤如下。
步骤1。根据先验知识,选择代表点作为初始聚类中心每组。
步骤2。计算之间的相似性和点模型和降序排序。
步骤3。选择最大相似度点作为集群组的特征点模型。
步骤4。我们计算集群的整体特征点和点三种不同尺度的1、2和3倍的平均边长的三角网格。距离的平方根定义的积分特性。5所示(5),每一个点计算,以及标准的三个不同尺度下特征点。这一点的最小值,选择作为模型的特征点。
第5步。给定一个距离阈值,判断是正确的(6)。如果、特征点定位被认为是正确的;否则它有一定的误差。
图8显示了两种方法的结果:一个是基于我们的方法,另一个是峰的相对角度直方图定位法et al。3]相同的特征点等待模型(只显示,28个特征点和特征点的一部分是重合的前视图)。使用两种定位方法,图9显示了39的准确率特征点在一个给定的距离阈值的范围。红色虚线表示的相对角度直方图定位法冯et al。3),蓝色实线提出我们的方法。我们的方法更精确的定位结果。表1展示了我们的方法的平均准确率更高比冯et al。3]。
(一)我们的方法
(b)的相对角度直方图的方法
集群特征点集,首先取决于集群算法和相对角度直方图算法,然后是稳定的多尺度特征点定位准确的积分功能,可以大大提高定位的准确率。基于相对角度直方图的定位方法有一定的局限性,因为它定位特征点一个较小的范围内通过比较相对角度直方图的相似度,该方法适用于明显的特征点,而不显眼的特征点的精度会下降。
6。结论
在这个工作我们提出一个方法,结合多尺度的相对角度直方图约束特征点的定位在一个3 d的脸上。集群的特征点集是通过集群算法和相对角度直方图,然后多尺度特征点定位准确的积分特性,可以避免很多错误的匹配结果精度和相似性造成的局部几何特性。实验结果表明,该方法表现良好,定位的准确率提高。但是定位的准确率是不理想的条件下特征点光滑的脸上,这应该是未来的研究方向。
利益冲突
作者宣称没有利益冲突有关的出版。
确认
这项研究是由中国国家自然科学基金(批准号U1261114),河南省的关键技术研发项目(没有。142102210637),西安科技大学培养基础项目(2014032)。作者要感谢匿名审稿人的宝贵的意见和建议。