第3章 ASM人脸识别算法
(2)如图3-1所示，对特征点集中的每一个点si，根据局部特征模型沿着发现方向在一定范围内寻找最佳的匹配点，这些最佳匹配点的集合就是更新后的特征点集s'。搜索的步长和采样间距相同。
(3)把更新后的特征点集与基准特征集合对齐，得到新的集合参数P'和
x'，使用式(3-5)可以得到形状系数b。
最佳特征点当前轮廓当前特征点轮廓法线方向
图3-2 ASM搜索示意图
(4)使用先验模型p(b)约束更新后的形状。 (5)循环至收敛。
在主动形状模型算法中，如果特征点搜索的最佳匹配点和当前点的距离不大于采样间距时，认为这个点是收敛的。当收敛的特征点数目达到总数的
模型初始定位特征点局部搜索形状重构及合理性约束是否满足收敛条件是结束否 图3-3 目标搜索策略
90%时，认为整个算法收敛。
20
第3章 ASM人脸识别算法
在求局部纹理模型时2k?1个点的灰度表达式：
gij?(gij1,gij2,...,gij(2k?1)) (3-10)
灰度梯度表达式：
dgij?(gij2?gij1,gij3?gij2,...,gij(2k?1)?gij3(2k))T (3-11)
灰度值标准化：
2kyij?dgij/(?dgijl) (3-12)
l?1标准灰度梯度的均值：
1Nyj??yij (3-13)
Ni?1N幅图标准灰度的协方差：
1NSj??(yij?yj)(yij?yj)T (3-14)
Ni?1马氏距离求法：
1f(i)?(hi?yj)TS?j(hi?yj) (3-15)
在拟合算法中，标记点采用不同的搜索策略，得到的搜索结果也不同。 在此，采用三种常用的搜索策略[31]：
(1)基于像素邻域最大梯度值的搜索策略 计算图像梯度场，在当前形状模型的每个标记点的一个7×7的邻域内，取梯度值最大的点作为当前标记点的替代点。采用这种搜索策略，算法速度快，效率也比较高，大体上可以定位出轮廓的，但是标记点的变化没有方向性，容易受到其它边缘的干扰，比如衣领，耳朵等。
(2)基于轮廓曲线法线方向的搜索策略 沿着当前形状曲线的法线所在直线上，以标记点为中心在顺着发现方向和逆着发现方向各取3个像素，选择的梯度值最大的点为当前标记点的替代点。针对不同的器官，选择一些关键的标记点，只调整这些关键标记点，而其它标记点则根据ASM模型的形状配准算法来求出。
21
第3章 ASM人脸识别算法
(3)基于方向场的轮廓搜索策略 由于图像的场具有凸显图像凹陷部分的特性，人脸图像的这种凹陷正好可以勾勒出人脸部分的轮廓。根据不同器官的轮廓特点，选取了一些的关键标记点。然后沿着当前标记点的向量场方向移动一个像素，在顺着该像素的向量场方向移动至下一个像素，如此循环，直到碰到凹陷的像素点或者移动像素数达到最大为止，把最后一个像素点作为当前标记点的替代点。而其它非关键标记点的位置则根据形状配准算法计算得到。
对这三种策略进行了多组比较实验，发现有以下问题：第一种搜索方法在搜索时不具备连续性，时常发生跳变，对于人脸轮廓的搜索易受衣领等的干扰；第二种方法在对眼睛的搜索和上嘴唇的搜索时表现较好，然而对于鼻子，下嘴唇和轮廓都易于产生跳变，使图像不连续，对于人脸轮廓的搜索易受衣领等的干扰；第三种方法对于鼻子，下嘴唇和人脸轮廓的搜索上变现出良好的性质，而且轮廓一般都具有比较好的边界连续性。而对于眼睛和上嘴唇的搜索，易于收敛成一个点。
在我的毕业设计中，我选择第二种思路，我认为选取几个重要的特征点，然后再进行收敛，并以这几个点的收敛效果判断其收敛是否完成时十分有效的，也是简便易行的。
3.5 流程设计思路
用来供学习的图片输入程序学习生成ASM检测图形结果用模型处理待检图片生成初步检测模型
图3-4 人脸识别实现流程图
22
第3章 ASM人脸识别算法
我的设计思路是建立在对ASM实现的基本步骤的认识的基础上的，由于ASM人脸识别的实现步骤是特征点的建立、学习过程、搜索匹配过程三步，所以在流程中也是要基本上按照这个步骤进行。
首先在程序中预存一些有特点的图片，对这些图片进行处理，进行手工描点，同时建立与图片相对应的数据存储文件，然后使用编辑好的matlab程序进行处理，由于ASM模型是基于统计的模型，所以这项工作是十分必要的，经过这一步之后，程序也就学习了人脸的剧本面部器官特征，然后生成一个大致的人脸模型，再对所要处理的图片进行大致选择，之后程序自动对人脸器官进行收敛处理，得出人脸的识别图，再通过数据生成函数来生成人脸识别模型。
3.6 本章小结
在本章中，主要介绍了ASM模型的特点和优势，进而介绍了ASM模型的算法和搜索过程，比较详细的说明了ASM的工作原理和工作步骤，并介绍了通过PCA建立ASM统计模型的方法和局部特征模型的收敛方法，这两个方法是ASM模型的核心算法。还给出了程序设计的流程图。ASM模型在本文中充当着桥梁的作用，因为课题是驾驶的疲劳检测，所以必须要定位和分析出人脸，而ASM模型正是为完成这项任务为引入的。
23
第4章 图像处理和识别
第4章 图像处理和识别
4.1 图像预处理的必要性
图像识别系统的处理流程一般可分为图像预处理、特征提取和识别分析三个阶段，其中图像的预处理阶段尤为重要，成功的预处理可以提高人脸检测、特征点定位以及识别的成功率，如果这阶段处理不好，后面的工作将无法有效展开。所以图像的预处理是确保整个系统准确工作的基础，没有这个可靠的基石就无法顺利完成后面庞大的识别过程。
在实际应用中，预处理的主要作用有两方面：其一，由于受噪声、光照等方面的影响，系统获取的图像的质量不高，所以需要进行预处理，以有利于提取大家感兴趣的信息。这种情况下，要根据系统的不足或环境的影响(如光照)，采取有针对性的措施。其二，获取的图像信息不符合后续操作的具体要求，这时也需要对图像按照一定的要求进行预处理，例如，尺寸，角度方面的要求。总之，预处理是一个承上启下的过程。需要全面考虑整个系统的性能。
图像预处理方式的选择应该因地制宜，不同的系统需要根据自身特点设计适合的预处理模块。如果预处理功能不能成功达到弥补系统不足的要求，势必影响整个系统运行的正确率；如果预处理算法过于繁杂，运算量过大，势必影响整个系统的实时性，所以预处理模块的设计要兼顾正确性与实时性。在基于嵌入式的人脸识别系统中，由于系统的实时性要求比较高，图像的预处理只是系统的一个前期阶段，而且ASM算法在建立局部纹理模型时，已经考虑到光照的影响，所以在预处理阶段光照补偿采用了常用的直方图均衡化方法。
4.2 常用光照预处理技术
光照问题是图像处理中比较关键而且难以解决的问题，尤其在入脸识别或检测系统中，一般的识别或检测算法是假定待检测图像是在均匀光照下获得的。而实际上受周围环境的影响，光照往往不是均匀的，这会导致人脸检
24