基于主动形状模型算法的局部灰度模型的加权改进方法

计算机应用 ›› 2011, Vol. 31 ›› Issue (12): 3392-3394.

基于主动形状模型算法的局部灰度模型的加权改进方法

韩玉峰¹,²,王小林¹

1. 安徽工业大学计算机学院，安徽马鞍山 243002
2. 安徽工业大学数理学院，安徽马鞍山 243002

收稿日期:2011-05-23 修回日期:2011-07-20 发布日期:2011-12-12 出版日期:2011-12-01
通讯作者: 韩玉峰
基金资助:
2011年安徽高校省级自然科学研究项目重点项目(人脸特征点定位方法的研究)

Weighted improvement method based on local gray-level model of active shape model

HAN Yu-feng¹,²,WANG Xiao-lin¹

1. School of Computer Science, Anhui University of Technology, Ma’anshan Anhui 243002,China
2. School of Mathematics and Physics, Anhui University of Technology, Ma’anshan Anhui 243002,China

Received:2011-05-23 Revised:2011-07-20 Online:2011-12-12 Published:2011-12-01
Contact: HAN Yu-feng

摘要/Abstract

摘要： 主动形状模型(ASM)算法在对目标点搜索的过程中，只采用了标定点周围的局部灰度信息，这样往往会使灰度相似但其实微观纹理细节差别很大的两个点混为一谈，最终使算法的定位不够精确。为此，提出一种基于主动形状模型算法的局部灰度模型的加权改进方法，该算法采用一系列服从离散高斯分布的加权系数依次表示标定点法线方向上两侧的候选点是真实特征点的可能性，从而建立局部加权灰度模型。通过实验结果表明，改进算法比传统算法精度提高了6%。

关键词: 人脸特征点定位, 主动形状模型, 局部灰度模型, 高斯分布

Abstract: In the searching of ASM algorithm for target point, only surrounding local gray-level information of fixed point is adopted. Then, two points is often confused, which have both similar gray-level and widely different texture details. Consequently, the accuracy of positioning is not ensured. The paper suggests that the real feature point probability of bilateral candidate points in the normal direction decreases in turn, so Gaussian distribution is brought in to represent the probability. Thus, better candidate points in the target image can be searched and the accuracy of positioning is improved.

Key words: facial feature point positioning, Active Shape Model (ASM), local gray-level model, Gaussian distribution

中图分类号:

TP39

韩玉峰王小林. 基于主动形状模型算法的局部灰度模型的加权改进方法[J]. 计算机应用, 2011, 31(12): 3392-3394.

HAN Yu-feng WANG Xiao-lin. Weighted improvement method based on local gray-level model of active shape model[J]. Journal of Computer Applications, 2011, 31(12): 3392-3394.

[1]	魏嘉旺, 王肖, 袁玉波. 人脸特征点定位的自适应窗回归方法[J]. 计算机应用, 2019, 39(5): 1459-1465.
[2]	王岩, 罗倩, 邓辉. 基于Gibbs抽样的轴承故障诊断方法[J]. 计算机应用, 2018, 38(7): 2136-2140.
[3]	贾项南, 于凤芹, 陈莹. 改进的显式形状回归人脸特征点定位算法[J]. 计算机应用, 2018, 38(5): 1289-1293.
[4]	李龙澍, 翁晴晴. 基于反向学习的自适应差分进化算法[J]. 计算机应用, 2018, 38(2): 399-404.
[5]	张扬, 赵晓群, 王缔罡. 基于音节时间长度高斯拟合的汉语音节切分方法[J]. 计算机应用, 2016, 36(5): 1410-1414.
[6]	孙劲光, 孟凡宇. 基于深度神经网络的特征加权融合人脸识别方法[J]. 计算机应用, 2016, 36(2): 437-443.
[7]	夏海英, 徐鲁辉. 基于主动形状模型差分纹理和局部方向模式特征融合的人脸表情识别[J]. 计算机应用, 2015, 35(3): 783-786.
[8]	符晓娟黄东军. 基于二维自动主动形状模型的椎间盘核磁共振图像分割算法[J]. 计算机应用, 2013, 33(09): 2686-2689.
[9]	曲怀敬. 基于互补特征的纹理图像检索[J]. 计算机应用, 2012, 32(04): 1101-1103.
[10]	叶超,李天瑞,龚勋. 基于MR-AAM双重拟合的人脸特征点定位方法[J]. 计算机应用, 2011, 31(10): 2724-2727.
[11]	黄儿松刘金华文汝红. 基于小波视觉模型的乘性水印算法[J]. 计算机应用, 2011, 31(08): 2165-2168.
[12]	路漫漫滕奇志. 蚁群算法实现的图像边缘连接[J]. 计算机应用, 2010, 30(4): 932-934.
[13]	王磊胡超吴捷贺庆刘伟. 基于多相机的人脸姿态识别[J]. 计算机应用, 2010, 30(12): 3307-3310.
[14]	武海洋王慧程宝琴. 基于最小Bayes风险的小波域局部自适应图像去噪[J]. 计算机应用, 2010, 30(12): 3238-3240.
[15]	吕浩音. 可训练文语转换系统的时长模型优化[J]. 计算机应用, 2010, 30(1): 282-284.