基于ASM和AAM的人脸识别算法改进研究

"这篇硕士学位论文主要探讨了在不同姿势下的人脸识别算法，重点研究了ASM（主动形状模型）和AAM（主动外观模型）在人脸识别中的应用，并提出了两种改进方法，包括混合的MR-ASM与AAM的人脸标志点定位算法以及基于级联MR-ASM的人脸标志点定位算法。此外，还介绍了基于姿势无关特征的人脸识别算法，通过这些改进策略提升人脸识别的鲁棒性和准确性。" ASM（主动形状模型）和AAM（主动外观模型）是人脸识别领域常用的特征提取技术，它们通过形状和纹理信息来描述人脸。ASM侧重于形状，而AAM结合了形状和纹理，提供了更全面的表示。论文指出，在处理遮挡和复杂环境时，这两种模型具有一定的鲁棒性。 第一种改进思路是混合的MR-ASM与AAM的人脸标志点定位算法。该算法利用MR-ASM（多分辨率主动形状模型）的结果初始化AAM，通过循环使用单分辨率ASM和AAM，同时考虑形状和纹理信息来精确定位人脸标志点。优化点包括改进AAM的形状和纹理联合控制参数计算，以及ASM的标志点定位参数更新方式，使得模型能够同时考虑姿势和形状的变化。 第二种改进方法是基于级联MR-ASM的人脸标志点定位算法。这种方法自适应地选择训练样本子集，通过级联多个定位器来提高定位精度。自动选择的样本子集对应控制参数有更好的聚类性，减少了人工划分训练集的需要，增强了模型的定位能力。 最后，论文提出了一种基于姿势无关特征的人脸识别算法。通过将不同算法得到的标志点定位结果映射到公共形状控制参数空间，可以消除姿势影响，从而提高人脸识别的准确性。这一方法利用所有手工标定的训练集数据训练公共形状控制参数空间，使得在各种姿势下的人脸都能够有效地进行识别。 这篇论文深入研究了ASM和AAM，并提出了创新的改进策略，以应对姿态变化带来的挑战，提高了人脸识别的效率和鲁棒性，尤其适用于实时识别系统。这对于未来的人脸识别技术发展具有重要的理论和实践意义。