毕业论文——基于ASM的人脸检测.doc

1、本科毕业论文(科研训练、毕业设计)题 目：基于 ASM 的人脸检测姓 名： 学 院：软件学院系：软件工程专 业：软件工程年 级： 学 号： 指导教师（校内）： 职称： 二XX 年 X 月厦门大学本科毕业论文基于 ASM 的人脸检测摘要 ASM（Active Shape Model）主动形状模型是一种对在图片中的已知实物对象的进行识别定位的概率工具。这是当今很流行的一种基于灰度差别的对象识别算法，具有相当的通用性，可用于对各种形状相对稳定的物体进行识别，如常见的人脸识别。1995 年，Cooteset al 1提出 ASM，从那以后，ASM 已经发展和完善了很多年。ASM 2对图片中已知对象的检

2、测是利用之前用希望在图片检测到的模型对其进行训练，然后在新给的图片中进行搜索，并与之前的训练样本作参照，找到尽可能匹配的模型。ASM 是由一组轮廓模型集和一组可改变形状的模型组成，ASM 模型描述了一组手动标注的形状轮廓的集合（有的可以用程序标注）的典型变化，轮廓模型描述了每个形状轮廓点的灰度值的结构的统计情况，通过各个点的灰度值统计模型，我们可以在被搜索的图片上找到具有类似灰度值结构的点，通过足够准确的起始点，ASM 会利用轮廓模型（之前用来训练的数据模型）试图在新给的图像数据中寻找最佳的匹配模型，在搜索过程中，ASM 会应用全局变量限制来保证模型在一个可能的变化范围内变形以匹配新的数据中的

3、模型。目前有很多关于 ASM 的扩展研究，很多人在单纯的 ASM 基础上加入了一些新的算法以弥补 ASM 的一些不足， 如 ASM 易受图片采集时的光照条件的影响。 有人把 LBP (Local Binary Pattern) 2与 ASM 结合来强化 ASM 对光照变化的稳定度和健壮性。有一种模型，叫 AAM(Active Appearance Model)3，这种模型是 ASM 的直接扩展，它除了应用图片的灰度结构外，还利用了图像的颜色信息（也可以称为纹理数据）来定位欲识别的对象（比如一个人脸）。这种模型的匹配精度比较好，但与 ASM 相比，其执行一交搜索的时间要长一些。关键字主动形状模型

4、 轮廓模型 灰度结构 AAM1厦门大学本科毕业论文Detect Face Using ASMAbstract Active Shape Model (ASM) is a popular statistical tool for locating examples of known objects in images. It was first introduced by Cootes et al. 1 in 1995 and has been developed and improved for many years. ASM is a model-based method which mak

5、es use of a prior model of what is expected in the image. Basically, the Active Shape Model is composed of a set of profile models and a deformable shape model. The shape model describes the typical variations of an object exhibited in a set of manually annotated images and the profile models give a

6、 statistical representation of the gray-level structures around each model point. Given a sufficiently accurate starting position, the ASM search attempts to find the best match of the shape model to the data in a new image using the profile models. ASM has global constraints that allow the shape mo

7、del to deform only in ways found in the training set.There many researches try to combine the pure ASM with other approach or model to make the ASM model more robust since there are some native defeats born with the pure ASM model, i.e., the ASM model is easily effected by the illumination, some peo

8、ple refine the model by introducing LBP (Local Binary Pattern) 2 to the ASM model construction which is more robust to illumination.A direct extension of the ASM approach has lead to the Active Appearance Model 3 besides shape information, the textual information, i.e. the pixel intensities across t

9、he object, is included into the model. The AAM algorithm seeks to match both the position of the model points and a representation of the texture of the object to an image.Key Words： Active Shape Model Profile Model Gray-Level Structures AAM2厦门大学本科毕业论文目录第一章 引言 .1第二章 ASM 算法的数学思想 .22.1 数学背景 .22.2 一个重要

10、的数学工具 PCA(PRINCIPAL COMPONENTS ANALYSIS) . 3第三章 项目简介 .63.1 项目意义 .63.2 项目规划 . 63.2.1 数据采集工具开发 .63.2.2 数据处理代码包开发 .63.2.3 处理结果的预览 .73.2.4 模型的整合 .73.2.5 项目开发顺序 .8第四章 开发工具和 MFC 文档视图结构简介 .94.1 开发工具简介 .94.2 MFC 文档视图结构 .94.2.1 MFC 简介 .94.2.2 文档视图结构带来的好处 .94.3 文档视图的对应关系 . 10第五章 ASM 算法 .125.1 建立模型 . 125.1.1 标

11、注人脸 .125.1.2 取点工具介绍 .135.1.3 人脸向量的格式 .145.1.4 对齐训练形状 .15算法一 向量训练形状对齐的算法 . 155.1.5 通过 PCA 分析建立模型 .195.2 图像搜索 .255.2.1 搜索的相关算法 .25算法二 搜索匹配人脸 . 255.2.2 搜索范围 .27算法三 寻找最佳匹配模型的迭代算法 . 283厦门大学本科毕业论文5.2.3 搜索效果结论 .29第六章 程序实现 .306.1 程序引言 .306.2 程序模块相互依赖关系 .316.3 程序的工具介绍 .316.3.1 点采集工具 .326.3.2 矩阵浏览器 .326.3.3 线

12、条连接设计器 .336.3.4 模型浏览器 .356.4 主程序主要类的说明 .366.4.1 CSignalStudioDoc 类的说明 .376.4.2 CSignalStudioView 类 .376.4.3 CAmplifyRateManager 类 .386.4.4 CMagicRect 类 .396.4.5 CColorMenu 彩色菜单类 .426.4.6 其它类 .436.5 数学包的简要说明 .436.6 图像处理模块的简要说明 .43结论 .44个人的心得体会 . 44后继工作的展望 . 44致谢语 .45参考文献 .46附录一 .47附录二 .494厦门大学本科毕业论文C

13、ontentCHAPTER 1INTRODUCTION .1CHAPTER 2MATHEMATICAL BACKGROUND FOR ASM . 22.1MATHEMATICAL KNOWLEDGE . 22.2ONE USEFULL MATHEMATICAL TOOL PCA(PRINCIPAL COMPONENTS ANALYSIS) . 3CHAPTER 3CONSICE INTRODUCTION OF THE PROJECT . 63.1SIGNIFICANCE OF THE PROJECT .63.2 PROJECT PLANNING .63.2.1 The Tool For Lan

14、dMarks . 63.2.2 The Development Of Data-Processing Package . 63.2.3 Preveiw Of Processing Result . 73.2.4 Module Integration . 73.2.5 The Order Of Project Development . 8CHAPTER 4INTRODUCTION TO MFC DOCUMENT-VIEW AND TOOLS . 94.1INTRODUCTION TO THE DEVELOPING TOOL . 94.2THE DOCUMENT AND VIEW ARCHITE

15、CTURE . 94.2.1 Introduction To MFC . 94.2.2 The Benefit Of Document And View Frame . 94.34.3 THE CO-RELATIONSHIP OF VIEWS TO DOCUMENT .10CHAPTER 5ASM ALGORITHMS . 125.1BUILDING A SHAPE MODEL .125.1.1 Labeling The Training Set . 125.1.2 A Consice Introduction To The Landmark Labeling Tool . 135.1.3 T

16、he Format Of Face Vector . 145.1.4 Aligning The Training Shapes . 15Algorithm One: Aligning The Training Shapes . 155.1.5 Building The Molel Using PCA . 195.2IMAGE SEARCH . 255.2.1 Concerning Algorithms . 25Algorithm Two: Searching A New Position . 255.2.2 Searching Extension . 27Alogorithm Three: I

17、terative Fitting To New Points . 285.2.3 Searching Conclusion . 29CHAPTER 6PROJECT PROGAMMING . 305厦门大学本科毕业论文6.1 INTRODUCTION TO PROGRAMMING .306.2 CO-RELATIONSHIP AMONG MODULES .316.3INTRODUCTION TO TOOLS .316.3.1 Labeling Tool .326.3.2 Matrix Viewer .326.3.3 Lining Style Designer .336.3.4 Model Vi

18、ewer .356.4 MAIN CLASSES OF THE MAIN PROJECT .366.4.1 CSignalStudioDoc Class .376.4.2 CSignalStudioView Class .376.4.3 CAmplifyRateManager Class .386.4.4 CMagicRect Class .396.4.5 CColorMenu Class .426.4.6 Other Classes .436.5 ABOUT MATHEMATIC PACKAGE .436.6 ABOUT IMAGE-PROCESSING PACKAGE .43CONCLUS

19、ION .44PERSONAL EXPERIENCE .44FURTURE WORK .44ACKNOWLEDGEMENT .45REFERENCES .46APPENDIX ONE .47APPENDIX TWO .496厦门大学本科毕业论文第一章 引言在开始论文的正文之前，我们有必要明确一下这个课题的意义。ASM 作为一种基于已知模型在新的数据中寻找可能的与已知模型匹配的模型的识别算法，它不仅仅就是一种算法，还是一种建模方法。对 ASM 的学习研究不仅是为了了解 ASM 的工作原理，更重要的是学习这种模型是如何被提出来的，如何通过数学理论的应用来实现的。单纯的 ASM 在实际应用中并不十分

20、理想，其实际效果和期望的效果存在差别较大，这就需要我们仔细地去研究是什么造成这样的差别，如何完善它等。这篇论文是在实现 ASM 的算法后的经验总结和个人体会。算法实现基本上是在前人的理论基础上，通过个人的学习研究和理解后一步步进行的。算法的实现虽然没有太多的创新，但在具体实现时，一些方面采用了比较灵活的实现方式。课题要达到的目的是，通过对 ASM 的学习和实践，掌握相关的建模方法和相关的数学知识的应用，同时在学习和实践过程中培养严谨调研的精神并提高动手能力，积累编程经验。通过这个课题的实践，不仅扩充了个人的知识面、增加实践能力，同时也改变了我对现实的一些问题的认识，促进了思维方式的转变。ASM

21、 是我大学以来，见过的最复杂，最有新意和最有挑战的一个课题。虽然算法的思想已经成熟，但是并没有现成的具体算法说明，这需要不断的学习的思考才能有更进一步的认识，才可能真正了解这个课题的意义所在。个人认为，ASM 本身尽管并不完善，识别的效率并不是很理想。但 ASM 本身的提出，给人们指出了一条用来识别那些具有相对稳定形状的图形的新思路。这种思维方式可以应用在计算机的很多领域，比如，可以在人工智能，模式识别等领域。在科学研究的其它领域也许也有参考价值。1厦门大学本科毕业论文第二章 ASM 算法的数学思想2.1 数学背景ASM 的数学的基本思想源自线性代数中的解空间的数学理论，即在一个 n 维的空间

22、中，任意一个点的位置可以由任意一组 n 维的线性无关的长度为 n 的向量线性表示，也就是可以由任意一组基础解系线性 4表示 n 维空间中的任一点。y a111如下面的线性运算，向量 y 2 可以由一个线性无关的同维数的向量组an1yna1nann表示.。形式如下图：y1 a11 a12y a a2 = 21 * b + 22 * b1 2y a an n1 n2a13 a1na a+23 * b + 2 n*b3 na an1 nnASM 人脸定位中运用了大量的代数运算，其中一个核心的思想就是：把每一张人脸都表示成 n 维空间中的一个点，也即表示成一个从原点 (0 , 0 , 0 , 0 )

23、出发的一个 n 维空间中的一个向量，然后从一堆的点向量中找出足够表示所有可能脸向量的一组类似的基础解系。之所以用“类似”，并不是说找出来的解就是代数中的完全的基础解系，而只是这基础解系中“主要”的一部分解，因为一般情况下，一张脸会用很多点表示，就会形成一个很高维度的向量（一般有上百个维），如果求其的完全解系，就需要很多的训练样本和大量的运算。在找出基础解系后，我们就可以用它来表示所有可能情况下的人脸。只要改变一下各个解分量的系数就可以得到不同形状的人脸。当然，结果还是人脸。2厦门大学本科毕业论文在 ASM 中，其基础解系并不是直接解脸向量的解空间，而是先求出脸向量的平均值，也叫平均脸，然后求出

24、各个训练的脸向量与平均脸的协方差矩阵，再求协方差的基础解系，这样，任何一张脸就表示成另一种形式，即：S = S + Q s b sS 即是平均脸向量， Q s 为由协方差求得的特征向量组成的一个类基础解系， b s 是 Q s 中各个向量分量的系数。之所以可以这样表示，是因为一个向量组中的任意一个向量都可以由这些向量组的平均值加上其与平均值的差。于是在人脸向量的表示也是适用的，我们可以形象一点地表示这种等式关系，如下图：从图中我们可以看到， s 0 就是平均脸， s 即是我们要表示的新脸， s 可以用 s 0 加上方差矩阵的线性的成的一个差值。2.2 一个重要的数学工具 PCA(Principal Components Analysis)PCA5是一个很重要的数学分析工具。我们知道，在一个 n 维空间的基础解系一定是 n 个 n 维的线性无关的向量。在我们分析人脸向量的基础解系时，由于人脸向量的维度很高。我们经过求其协方差 6的特征向量会有 n 个，同时可以得到 n 个特征值。由于是协方差的特征向量 6，因此，由线性代数理论 4我们可以知道，这 n 个 n 维向量是相互垂直的。我们可以用它们来表示任意脸向量与平均脸的差别。但 n 往往很大，如果我们直接把得到的 n 个特征值用来计算，会造成过大的计算负担，严重影响计算数度和效率，于是我们引进了 PCA 分析。3