融合改进的ASM和AAM的人脸形状特征点定位算法_王晶

光电子·激光

第２２卷第８期　２０１１年８月 Ｊｏｕｒｎａｌ　ｏｆ　Ｏｐｔｏｅｌｅｃｔｒｏｎｉｃｓ·Ｌａｓｅｒ Ｖｏｌ．２２Ｎｏ．８　Ａｕｇ．２０１１

融合改进的ＡＳＭ和ＡＡＭ的人脸形状特征点定位算法

王　晶＊，苏光大，刘炯鑫，任小龙

（清华大学电子工程系，北京１０００８４）

摘要：基于主动形状模型（ＡＳＭ）和主动表面模型（ＡＡＭ），提出了一种融合改进的ＡＳＭ和ＡＡＭ的人脸形状特

征点定位算法。利用ＡＳＭ定位外轮廓的形状特征点，ＡＡＭ定位内部形状特征点；采用对部分关键特征点使用

二维梯度的方法以提高特征点搜索的准确性；利用眼、鼻和嘴这些关键特征点的定位信息初始化人脸的平均形

状以改善初始位置不当造成的搜索失败；建立多尺度的ＡＳＭ以提高收敛速度。实验结果表明，本文方法比传

统的ＡＳＭ、ＡＡＭ方法以及已有的改进算法ＩＡＳＭ和ＰＡＡＭ定位更精确。

关键词：人脸形状特征点定位；主动形状模型（ＡＳＭ）；主动表观模型（ＡＡＭ）

中图分类号：ＴＰ３９１ 文献标识码：Ａ 文章编号：１００５－００８６（２０１１）０８－１２２７－０４

Ｆａｃｉａｌ　ｆｅａｔｕｒｅ　ｐｏｉｎｔ　ｌｏｃａｌｉｚａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｃｏｍｂｉｎｉｎｇ　ｉｍｐｒｏｖｅｄ

ＡＳＭ　ａｎｄ　ＡＡＭ

ＷＡＮＧ　Ｊｉｎｇ＊，ＳＵ　Ｇｕａｎｇ－ｄａ，ＬＩＵ　Ｊｉｏｎｇ－ｘｉｎ，ＲＥＮ　Ｘｉａｏ－ｌｏｎｇ

（Ｄｅｐａｒｔｍｅｎｔ　ｏｆ　Ｅｌｅｃｔｒｏｎｉｃ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｔｓｉｎｇｈｕａ　Ｕｎｉｖｅｒｓｉｔｙ，Ｂｅｉｊｉｎｇ　１０００８４，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ａｃｔｉｖｅ　ｓｈａｐｅ　ｍｏｄｅｌｓ（ＡＳＭ）ａｎｄ　ａｃｔｉｖｅ　ａｐｐｅａｒａｎｃｅ　ｍｏｄｅｌ（ＡＡＭ）ａｒｅ　ｔｈｅ　ｐｒｉｍａｒｙ　ｍｅｔｈｏｄｓ　ｏｆ

ｆａｃｉａｌ　ｆｅａｔｕｒｅ　ｐｏｉｎｔ　ｌｏｃａｌｉｚａｔｉｏｎ．Ｉｎ　ｔｈｉｓ　ｐａｐｅｒ，ａｎ　ｉｍｐｒｏｖｅｄ　ｆａｃｉａｌ　ｆｅａｔｕｒｅ　ｌｏｃａｌｉｚａｔｉｏｎ　ａｌｇｏｒｉｔｈｍ　ｔｈａｔ　ｃｏｍ－

ｂｉｎｅｓ　ＡＳＭ　ａｎｄ　ＡＡＭ　ｉｓ　ｐｒｏｐｏｓｅｄ　ｔｏ　ｏｖｅｒｃｏｍｅ　ｔｈｅ　ｓｈｏｒｔｃｏｍｉｎｇｓ　ｏｆ　ｔｈｅ　ｔｒａｄｉｔｉｏｎａｌ　ＡＳＭ　ａｎｄ　ＡＡＭ．ＡＳＭ

ｉｓ　ｕｓｅｄ　ｔｏ　ｌｏｃａｔｅ　ｔｈｅ　ｏｕｔｅｒ　ｐｏｉｎｔｓ，ａｎｄ　ｔｈｅ　ＡＡＭ　ｉｓ　ｕｓｅｄ　ｔｏ　ｌｏｃａｔｅ　ｔｈｅ　ｉｎｎｅｒ　ｐｏｉｎｔｓ，ｗｈｉｃｈ　ｓｉｇｎｉｆｉｃａｎｔｌｙ　ｉｍ－

ｐｒｏｖｅｓ　ｔｈｅ　ａｃｃｕｒａｃｙ．Ｂｅｓｉｄｅｓ，ｔｈｅ　２Ｄｃｏｎｔｏｕｒ　ｉｓ　ｕｓｅｄ　ｏｎ　ｓｏｍｅ　ｋｅｙ　ｆｅａｔｕｒｅ　ｐｏｉｎｔｓ　ｔｏ　ｉｍｐｒｏｖｅ　ｔｈｅ　ａｃｃｕｒａｃｙ

ｏｆ　ｌｏｃａｔｉｎｇ．Ｔｈｅ　ｐｏｓｉｔｉｏｎ　ｉｎｆｏｒｍａｔｉｏｎ　ｏｆ　ｆａｃｅ，ｅｙｅｓ，ｎｏｓｅ　ａｎｄ　ｍｏｕｔｈ　ｉｓ　ｕｓｅｄ　ｔｏ　ｉｎｉｔｉａｌｉｚｅ　ｔｈｅ　ａｖｅｒａｇｅ　ｆａｃｅ

ｓｈａｐｅ．Ｔｈｅ　ｍｕｌｔｉ－ｓｃａｌｅｄ　ＡＳＭ　ｍｏｄｅｌ　ｉｓ　ｕｓｅｄ　ｔｏ　ａｃｃｅｌｅｒａｔｅ　ｔｈｅ　ｃｏｎｖｅｒｇｅｎｃｅ　ｒａｔｅ．Ｅｘｐｅｒｉｍｅｎｔａｌ　ｒｅｓｕｌｔｓ

ｓｈｏｗ　ｔｈａｔ　ｏｕｒ　ｐｒｏｐｏｓｅｄ　ｍｅｔｈｏｄ　ｃａｎ　ａｃｈｉｅｖｅ　ｈｉｇｈｅｒ　ａｃｃｕｒａｃｙ　ｔｈａｎ　ｔｈｅ　ｔｒａｄｉｔｉｏｎａｌ　ＡＳＭ，ＡＡＭ　ａｎｄ　ｔｈｅ　ｉｍ－

ｐｒｏｖｅｄ　ＩＡＳＭ，ＰＡＡＭ　ｍｅｔｈｏｄ．

Ｋｅｙ　ｗｏｒｄｓ：ｆａｃｉａｌ　ｆｅａｔｕｒｅ　ｐｏｉｎｔ　ｌｏｃａｌｉｚａｔｉｏｎ；ａｃｔｉｖｅ　ｓｈａｐｅ　ｍｏｄｅｌ（ＡＳＭ）；ａｃｔｉｖｅ　ａｐｐｅａｒａｎｃｅ　ｍｏｄｅｌ

（ＡＡＭ）

１　引　言

人脸形状特征点定位是人脸识别领域的一个重要课题。对于人脸识别系统而言，人脸形状特征点定位的精度和鲁棒性是十分重要的。

主动形状模型（ＡＳＭ）［１，２］和主动表观模型（ＡＡＭ）［３］均是基于点分布模型（ＰＤＭ）的算法，已成功的应用于人脸等图像的特征定位［４～７］。ＡＡＭ与ＡＳＭ的不同之处是它不仅利用了对象的形状信息，而且利用了对象的纹理信息，将形状与纹理结合起来建模。ＡＡＭ的优点是考虑了人脸的纹理信息，对于人脸内部各个部件的特征点的定位更加准确；它的缺点在于将人脸形状与纹理混合起来建模，两者的耦合作用给ＡＡＭ的搜索过程带来了干扰，对人脸形状施加了过强的约束，使形状定位不准，尤其是外轮廓特征点的定位［８］。

本文针对ＡＳＭ和ＡＡＭ的优缺点，对人脸形状特征点定位算法进行了改进：一是有选择性地对部分特征点使用二维梯度［９］；二是考虑到ＡＳＭ和ＡＡＭ的准确定位依赖于平均模型的初始化位置，使用脸、眼、鼻和嘴的这些关键部位的定位信息初始化人脸形状，并建立多尺度的ＡＳＭ提高收敛速度，改善初始位置不当造成的搜索失败；三是考虑到ＡＳＭ对外轮廓有较好的定位精度，而ＡＡＭ对人脸内部各部件的特征点定位比较准确，提出外轮廓ＡＳＭ与内部特征点ＡＡＭ相结合的正面人脸配准方法。在ＴＨ－ＦＡＣＥ人脸数据库上进行测试结果表明，本文方法的准确性比传统的ＡＳＭ、ＡＡＭ方法以及已有的改进算法ＩＡＳＭ、ＰＡＡＭ都有显著提高。

＊Ｅ－ｍａｉｌ：ｊｗａｎｇ０８＠ｍａｉｌｓ．ｔｓｉｎｇｈｕａ．ｅｄｕ．ｃｎ

收稿日期：２０１０－０６－２２　修订日期：２０１１－０５－０３

基金项目：公安部重点攻关计划资助项目（２００５ＺＤＧＧＱＨＤＸ００５）；国家“９７３”计划资助项目（２００７ＣＢ３１０６００）DOI:10.16136/j.joel.2011.08.026

２　结合ＡＳＭ和ＡＡＭ的人脸形状特征点定位算法

选择了１

０５个特征点描述正面人脸形状，如图１所示。在建立模型前，

需要手工标定训练人脸图像的特征点位置

。图１　

１０５点正面人脸形状Ｆｉｇ．１　１０５ｆｅａｔｕｒｅ　ｐ

ｏｉｎｔｓ　ｏｆ　ｔｈｅ　ｆｒｏｎｔａｌ　ｆａｃｅ２．１　初始形状的估计

为了提高拟合算法的收敛速度，

避免因为算法陷入局部收敛而产生拟合错误，初始形状应尽可能的逼近人脸轮廓。为此，通过对平均模板进行几何变换（平移，旋转，拉伸）估计初始形状。

首先定位人脸以及眼球位置［１０

］，计算两眼间距ｄ′ｅｙ

ｅ，然后根据平均模板计算出两眼间距ｄｅｙ

ｅ，计算出缩放因子ｓ＝ｄ′ｅｙｅ／ｄｅｙｅ，取左眼为参考点，计算平移向量ｔ＝（ｔｘ，ｔｙ）Ｔ

，

计算模板两眼连线和待识别人脸图像两眼连线的夹角作为旋转因子θ

，做

ｘ０ｉ

ｙ

０

（）ｉ

＝

ｓｃｏｓ（θ）－ｓｓｉｎ（θ

）ｓｓｉｎ（θ）ｓｃｏｓ（θ（

））ｘｉｙ（）ｉ

＋

ｔｘｔ（）

ｙ（１

）其中：（ｘ０ｉ，ｙ０ｉ）Ｔ为调整后模板Ｖ０的第ｉ个特征点；（ｘｉ，ｙｉ）

Ｔ

为平均模板珚Ｖ

的第ｉ个特征点。 接着利用Ｋｒｕｐｐ

ａ［１１］

训练的检测器定位嘴角坐标，计算到两眼的垂直距离ｄ′ｖｅｒｔｉｃａｌ，

然后根据平均模板计算出相应的垂直距离ｄｖｅｒｔｉｃａｌ，根据比例ｓ＝ｄ′ｖｅｒｔｉｃａｌ／ｄｖｅｒｔｉｃａｌ对初始模板的纵坐标进行拉伸调整。

２．２　Ａ

ＳＭ和ＡＡＭ模型 Ａ

ＳＭ方法的问题是容易收敛到局部极值，从而不能得到全局最优解，原因在于迭代优化过程中它是对各个特征点独立地进行搜索。不过，

对于人脸外轮廓边缘这种灰度梯度比较明显的部位，在背景、光照等条件不带来太大影响时，能够得到准确的定位结果。ＡＡＭ的优点是考虑了人脸的纹理信息，对于人脸内部各个部件的特征点的定位更加准确；它的缺点在于将人脸形状与纹理混合起来建模，两者的耦合作用给ＡＡＭ的搜索过程带来了干扰，

对人脸形状施加了过强的约束，会使形状定位不准，尤其是外轮廓特征点的定位。实验中，用于训练的人脸共１７７张，单独使用ＡＡＭ方法的结果如图２所示。可见，虽然内部点能准确的定位，但是外轮廓的误差比较大。于是提

出了ＡＳＭ与ＡＡＭ相结合的正面人脸形状特征点定位方法，如图３所示就是本文选用的ＡＳＭ与ＡＡＭ形状模型

。

图２　ＡＡＭ方法的配准结果Ｆｉｇ．２　Ｌｏｃａｔｉｎｇ　

ｒｅｓｕｌｔｓ　ｏｆ　ｔｈｅ　ＡＡＭ

１）ＡＳＭ模型。为外部的５１个点建立ＡＳＭ模型，并且建立多尺度的ＡＳＭ（共４层），训练出每个尺度上的灰度模型和形状模型。为了进一步提高ＡＳＭ算法搜索的准确度，采用二维梯度（１３×１３图像块）与一维梯度（１７维向量）特征相结合的方法。二维的纹理特征包含的信息更多，但是运算量也更大。

为此，只对最大的两个尺度模型并且只对３个关键点使用了二维梯度特征，３个点在图３（ａ）中用“ｏ

”标识出

。图３　ＡＳＭ与ＡＡＭ的形状模型Ｆｉｇ．３　Ｓｈａｐ

ｅ　ｍｏｄｅｌ　ｏｆ　ｔｈｅ　ＡＳＭ　ａｎｄ　ＡＡＭ 设图像块为Ｉ（ｘ，ｙ），二维梯度特征Ｇ（ｘ，ｙ）

的计算式为Ｇ（ｘ，ｙ）＝［Ｉ（ｘ，ｙ）－Ｉ（ｘ＋１，ｙ）］＋［Ｉ（ｘ，ｙ）－Ｉ（ｘ，ｙ＋１）］（２

） 对于某一个点的一维梯度，

需要确定采样线的方向，采用指定前序和后序点，然后计算角平分线的方式来确定，如图４所示

。

图４　一维梯度特征的采样线Ｆｉｇ．４　Ｓａｍｐｌｅ　ｌｉｎｅ　ｏｆ　１－Ｄ　ｇ

ｒａｄｉｅｎｔ　ｆｅａｔｕｒｅ 假设已经得到了采样线上的像素点灰度向量｛ｆ１，ｆ２，

…，ｆｎ，ｆｎ＋１｝

，一维梯度特征向量珔ｇ的计算式为 珔ｇ＝｛ｆ１－ｆ２，ｆ２－ｆ３，…，ｆｎ－ｆｎ＋１｝（３） 无论是二维还是一维的纹理特征，

最终都写为向量的形·８２２１·

光电子·激光　２

０１１年　第２２卷　

式，并且按照

ｖ＝

ｖ‖

ｖ‖１（４

）进行归一化来消除光照等环境因素的影响。其中，‖ｖ‖１表示向量ｖ的ｌ１范数。

２）ＡＡＭ模型。由于ＡＳＭ模型能较好地配准人脸的外轮廓，而ＡＡＭ算法的内部点配准精度较高，因而只对内部点建立ＡＡＭ形状模型。对于ＡＡＭ纹理模型，按照１０５个特征点的Ｄｅｌａｕｎａｙ三角化结果进行采样和归一化，但是在进行主成分分析（ＰＣＡ）形状建模时只取图３（ｂ）所示的７８个特征点；纹理采样时则是在整个人脸区域进行。ＡＡＭ的搜索速度较慢，因而只建立单尺度的ＡＡＭ。

２．３　配准的过程

结合Ａ

ＳＭ和ＡＡＭ的人脸形状特征点定位的流程如下：

１）载入１０５点平均人脸形状，并根据眼、鼻与嘴的定位信息调整该形状；

２）以外部５１个特征点作为初始形状，利用外部５１点的ＡＳＭ模型搜索并得到配准后的形状；

３）根据外部５１点的人脸形状信息，更新１０５点形状的眉毛部分；

并进一步确定眉、鼻与嘴部位的特征点需要平移或者缩放的参数值，作相应调整；

４）取内部７８个特征点作为初始形状，利用内部７８点ＡＡＭ模型搜索并得到内部特征点的位置；

５）将ＡＳＭ与ＡＡＭ定位的结果相融合：对眉毛部分的特征点位置采取加权求和，然后取各自不相重叠的其余特征点，合并得到完整的人脸形状。

３　实验结果和分析

将改进的人脸形状特征点定位算法用于Ｔ

Ｈ－ＦＡＣＥ人脸库（证件照）进行测试（测试环境：双核２．８ＧＣＰＵ，２Ｇ内存）。选取２００张图像进行模型的训练，１０００张进行测试。测试过程

中，手工挪动矫正特征点的位置，同时记录下每一个特征点的像素偏移值，作为特征点的偏移量ｅｒｒ。测试用的人脸图像尺度均归一化到３６０×４８０（下颌点到两眼中心连线的距离为２００ｐ

ｉｘｅｌ），测试结果如图５所示

。图５　融合改进的Ａ

ＳＭ和ＡＡＭ的人脸形状特征点定位结果

Ｆｉｇ．５　Ｌｏｃａｔｉｎｇ　ｒｅｓｕｌｔｓ　ｃｏｍｂｉｎｉｎｇ　

ｉｍｐｒｏｖｅｄ　ＡＳＭ　ａｎｄ　ＡＡＭ 采用平均定位准确性衡量算法的定位结果。由于特征点

定位的主观误差，可以认为特征点偏差在３ｐｉｘｅｌ内为定位正确，误差在３ｐｉｘｅｌ内所占的比例Ｅ为

Ｅ＝１Ｎ∑Ｎ

ｉ＝１［１ｎ∑ｎ

ｊ＝１

Ｉｓ（ｅｒｒｉｊ≤３）］（５）其中：Ｎ是测试图像的总数；ｎ代表每幅图像中标记点数（本实验ｎ＝１０５）；ｅｒｒｉｊ是特征点偏移量；

Ｉｓ（ｘ）为判定函数，ｘ为真则为１，ｘ为假则为０

。 用传统Ａ

ＳＭ和ＡＡＭ方法以及ＩＡＳＭ［１２］、ＰＡＡＭ［１３］

和本文算法进行测试，实验结果见表１。可以看出，结合ＡＳＭ和

ＡＡＭ的定位算法的准确性最高。

表１　不同算法的定位结果

Ｔａｂ．１　Ｌｏｃａｔｉｎｇ　

ｒｅｓｕｌｔｓ　ｏｆ　ｄｉｆｆｅｒｅｎｔ　ａｌｇｏｒｉｔｈｍｓＡｌｇｏｒｉｔｈｍｓ　Ａｖｅｒａｇｅ　ｌｏｃａｔｉｏｎ　ａｃｃｕｒａｃｙ　Ｏｐｅｒｖａｔｉｏｎ　ｔｉｍｅ／ｓＡＳＭ　０．８６３　１．１ＡＡＭ　０．９０４　１０．０ＩＡＳＭ　０．９２１　２．３ＰＡＡＭ　０．９３９　１２．３ＡＳＭ＋ＡＡＭ　

０．９５９　

１０．５

为了更好分析算法的性能，

详细记录了几个有代表性的特征点的偏移量ｅｒｒ

，测量结果见表２。表２　特征点定位的偏差

Ｔａｂ．２　Ｌｏｃａｔｉｎｇ　

ｅｒｒｏｒｓ　ｏｆ　ｆｅａｔｕｒｅ　ｐｏｉｎｔｓＮｏ．ｅｒｒ≤３　

ｅｒｒ≤６　

ｅｒｒ≤９

１　０．９６８　０．９８７　０．９９４１４　０．９９０　０．９９３　０．９９５２８　０．９７４　０．９７９　０．９８９４０　０．９８８　０．９９２　０．９９４４８　０．９８３　０．９９４　０．９９６６８　１．０００　１．０００　１．０００８０　０．９８４　０．９９３　０．９９３９４　０．９２１　０．９７５　０．９９３１０３　

０．９４７　

０．９８２　

０．９８８

表２中，ｅｒｒ≤

Ｃ表示１０００个测试图片中，特征点的定位偏差在Ｃ个像素内所占的比例。根据测试结果，

绝大部分特征点定位的偏差在３ｐｉｘｅｌ以内；

眼眉鼻的定位都比较准确；而嘴的定位（９４，１０３

）相对稍差，原因主要在于嘴部的特征点数不够多，但嘴型的差异性却很大，而且还有胡须、皱纹等的干扰。

４　结　论

利用Ａ

ＳＭ和ＡＡＭ方法的优点，并改进了其不足，而提出了一种将改进的ＡＳＭ和ＡＡＭ融合的人脸形状特征点定位算

法。在定义１０５点正面人脸形状的基础上，对外部的５１个点

建立ＡＳＭ模型，对内部７８个点建立ＡＡＭ形状模型。实验表明，本文算法能精确地定位面部的特征点，而且不增加使用时间。

参考文献：

［１］　Ｃｏｏｔｅｓ　Ｔ，Ｔａｙｌｏｒ　Ｃ，Ｃｏｏｐｅｒ　Ｄ　ｅｔ　ａｌ．Ａｃｔｉｖｅ　ｓｈａｐ

ｅ　ｍｏｄｅｌｓ－ｔｈｅｉｒｔｒａｉｎｉｎｇ　

ａｎｄ　ａｐｐｌｉｃａｔｉｏｎ［Ｊ］．Ｃｏｍｐｕｔｅｒ　Ｖｉｓｉｏｎ　ａｎｄ　Ｉｍａｇｅ　Ｕｎｄｅｒ－·

９２２１·第８期　王　晶等：融合改进的ＡＳＭ和ＡＡＭ的人脸形状特征点定位算法

ｓｔａｎｄｉｎｇ，１９９５，６１（１）：３８－５９．

［２］　Ｃｏｏｔｅｓ　Ｔ，Ｔａｙｌｏｒ　Ｃ，Ｌａｎｉｔｉｓ　Ａ．Ｍｕｌｔｉ－ｒｅｓｏｌｕｔｉｏｎ　ｓｅａｒｃｈ　ｗｉｔｈ　ａｃ－ｔｉｖｅ　ｓｈａｐｅ　ｍｏｄｅｌｓ［Ａ］．Ｉｎｔ．Ｃ．Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ，ＩＥＥＥ　ＳｉｇｎａｌＰｒｏｃｅｓｓ［Ｃ］．１９９４，６１０－６１２．

［３］　Ｃｏｏｔｅｓ　Ｔ，Ｅｄｗａｒｄｓ　Ｇ，Ｔａｙｌｏｒ　Ｃ．Ａｃｔｉｖｅ　ａｐｐｅａｒａｎｃｅ　ｍｏｄｅｌｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ　Ｐａｔｔｅｒｎ　Ａｎａｌｙｓｉｓ　ａｎｄ　Ｍａｃｈｉｎｅ　Ｉｎｔｅｌｌｉｇｅｎｃｅ，２００１，２３（６）：６８１－６８５．

［４］　Ｈｕ　Ｊ，Ｌｉ　Ｙ，Ｄｅｎｇ　Ｗ，ｅｔ　ａｌ．Ｌｏｃａｔｉｎｇ　ｆａｃｉａｌ　ｆｅａｔｕｒｅｓ　ｂｙ　ｒｏｂｕｓｔ　ａｃ－ｔｉｖｅ　ｓｈａｐｅ　ｍｏｄｅｌ［Ａ］．Ｎｅｔｗｏｒｋ　Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ　ａｎｄ　Ｄｉｇｉｔａｌ　Ｃｏｎ－ｔｅｎｔ［Ｃ］．２０１０，１９６－２００．

［５］　Ｌｉ　Ｄ，Ｋｏｎｇ　Ｆ．Ｆａｃｉａｌ　ｆｅａｔｕｒｅ　ｐｏｉｎｔ　ｅｘｔｒａｃｔｉｏｎ　ｕｓｉｎｇ　ａ　ｎｅｗｑ　ｉｍ－

ｐｒｏｖｅ　ａｃｔｉｖｅ　ｓｈａｐｅ　ｍｏｄｅｌ［Ａ］．Ｉｍａｇｅ　ａｎｄ　Ｓｉｇｎａｌ　Ｐｒｏｃｅｓｓｉｎｇ（ＣＩＳＰ）［Ｃ］．２０１０，９４４－９４８．

［６］　Ｙｉ　Ｆ，Ｘｉｏｎｇ　Ｗ，Ｈｕａｎｇ　Ｚ，Ｚｈａｏ　Ｊ．Ａ　Ｍｕｌｔｉ－ｖｉｅｗ　Ｎｏｎｌｉｎｅａｒ　ＡｃｔｉｖｅＳｈａｐｅ　Ｍｏｄｅｌ　Ｂａｓｅｄ　ｏｎ　３Ｄ　Ｔｒａｎｓｆｏｒｍａｔｉｏｎ　Ｓｈａｐｅ　Ｓｅａｒｃｈ［Ａ］．Ｉｎｆｏｒｍａｔｉｏｎ　Ａｓｓｕｒａｎｃｅ　ａｎｄ　Ｓｅｃｕｒｉｔｙ［Ｃ］．２００９，１５－１８．

［７］　Ｗａｎｇ　Ｊ，Ｓｕ　Ｇ．Ｆａｃｅ　ｃｏｌｏｒ　ｔｒａｎｓｆｅｒ　ｆｏｒ　ｓｐｅｃｉｆｉｅｄ　ｉｍａｇｅ　ｒｅｇｉｏｎ

［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｏｐｔｏｅｌｅｃｔｒｏｎｉｃｓ·Ｌａｓｅｒ，２０１０，（１）：１１６－１１９．

王晶，苏光大．确定区域的人脸彩色传递［Ｊ］．光电子·激光，２０１０，（１）：１１６－１１９．

［８］　Ｈａｓｓａｎｐｏｕｒ　Ｒ，Ａｔａｌａｙ　Ｖ．Ｄｅｌａｕｎａｙ　ｔｒｉａｎｇｕｌａｔｉｏｎ　ｂａｓｅｄ　３Ｄ　ｈｕ－ｍａｎ　ｆａｃｅ　ｍｏｄｅｌｉｎｇ　ｆｒｏｍ　ｕｎｃａｌｉｂｒａｔｅｄ　ｉｍａｇｅｓ［Ａ］．Ｉｎｔ．Ｃ．Ｃｏｍ－

ｐｕｔｅｒ　Ｖｉｓｉｏｎ　ａｎｄ　Ｐａｔｔｅｒｎ　Ｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］．ＩＥＥＥ　Ｃｏｍｐｕｔｅｒ　Ｓｏｃｉ－ｅｔｙ，２００４，７５－７５．

［９］　Ｍｉｌｂｏｒｒｏｗ　Ｓ．Ｌｏｃａｔｉｎｇ　ｆａｃｉａｌ　ｆｅａｔｕｒｅｓ　ｗｉｔｈ　ａｃｔｉｖｅ　ｓｈａｐｅ　ｍｏｄｅｌｓ［Ｄ］．ｃａｐｅ：Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｃａｐｅ　Ｔｏｗｎ，２００７．

［１０］ＺＨＯＵ　Ｊｕｎ．Ｆａｃｅ　ｒｅｃｏｇｎｉｔｉｏｎ　ｒｅｓｅａｒｃｈ　ｉｎ　ｍｏｎｉｔｏｒｉｎｇ　ｓｙｓｔｅｍ［Ｄ］．Ｂｅｉｊｉｎｇ：Ｔｓｉｎｇｈｕａ　Ｕｎｉｖｅｒｓｉｔｙ，２００８．

周筠．监控系统中人脸识别的研究［Ｄ］．北京：清华大学电子

系，２００８．

［１１］Ｋｒｕｐｐａ　Ｈ，Ｓａｎｔａｎａ　Ｍ，Ｓｃｈｉｅｌｅ　Ｂ．Ｆａｓｔ　ａｎｄ　ｒｏｂｕｓｔ　ｆａｃｅ　ｆｉｎｄｉｎｇｖｉａ　ｌｏｃａｌ　ｃｏｎｔｅｘｔ［Ａ］．ＶＳ－ＰＥＴＳ　Ｊｏｉｎｔ　ＩＥＥＥ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｗｏｒｋ－ｓｈｏｐ　ｏｎ　Ｖｉｓｕａｌ　Ｓｕｒｖｅｉｌｌａｎｃｅ　ａｎｄ　Ｐｅｒｆｏｒｍａｎｃｅ　Ｅｖａｌｕａｔｉｏｎ　ｏｆＴｒａｃｋｉｎｇ　ａｎｄ　Ｓｕｒｖｅｉｌｌａｎｃｅ［Ｃ］．Ｎｉｃｅ　Ｆｒａｎｃｅ：２００３，１５７－１６４．［１２］Ｗｅｉ　Ｙ，Ｘｉｅ　Ｍ．Ａｎ　ｉｍｐｒｏｖｅｄ　ａｃｔｉｖｅ　ｓｈａｐｅ　ｍｏｄｅｌ　ｆｏｒ　ｆａｃｉａｌ　ｆｅａ－ｔｕｒｅ　ｌｏｃａｔｉｏｎ［Ａ］．ＣＮＭＴ［Ｃ］．２００９，１－４．

［１３］Ｋｉｍ　Ｄ，Ｋｉｍ　Ｊ，Ｊａｎｇ　Ｙ，ｅｔ　ａｌ．Ｐｒｏｇｒｅｓｓｉｖｅ　ＡＡＭ　ｂａｓｅｄ　ｒｏｂｕｓｔｆａｃｅ　ａｌｉｇｎｍｅｎｔ［Ａ］．Ｐｒｏｃ．ｏｆ　ｗｏｒｌｄ　ａｃａｄｅｍｙ　ｏｆ　ｓｃｉｅｎｃｅ，ｅｎｇｉ－ｎｅｅｒｉｎｇ　ａｎｄ　ｔｅｃｈｎｏｌｏｇｙ［Ｃ］．２００７，４８８－４９２．

作者简介：

王　晶　（１９８６－），女，南京人，博士研究生，主要从事图像处理、人脸识别等的研究．

·

０

３

２

１

· 光电子·激光　２０１１年　第２２卷