光熙论坛：面部特征点定位和人脸对齐方法
光熙论坛总第353期
题目：面部特征点定位和人脸对齐方法&
时间：7月8日（周六）19:00-20:00
地点：新技术楼901会议室&
主讲人：牛志恒，男，哈工大计算机应用专业博士生。
研究方向：计算机视觉、模式识别&
导师简介：陈熙霖& 博士、教授、博导
研究方向：计算机视觉、机器学习、模式识别相关方向&
内容简介：在计算机视觉和图像感知研究领域内，目标定位和图像配准是一个研究的热点问题，而且许多相关问题的研究都依赖于目标定位的结果和图像配准的精度，因而得到越来越多研究者的重视。人脸面部特征点定位和人脸图像对齐作为人脸图像分析问题的一个关键步骤，为后续的人脸识别、姿态估计、表情分析、人脸动画等提供了有力的保证。因此我们在这个问题上进行了深入的研究和探索。针对面部特征点定位中的纹理模型，形状模型，目标函数和求解方式等几个方法的问题上提出了相关的解决思路和解决方法。
发布者:任潇&|&来源:
关联阅读>>
[]&&[][]&&[][]&&[][]&&[][]&&[][]&&[][]&&[][]&&[][]&&[][]&&[]
校园网快速搜索>>基于特征点对齐度的图像配准方法_百度文库
两大类热门资源免费畅读
续费一年阅读会员，立省24元！
基于特征点对齐度的图像配准方法
上传于||文档简介
&&图​像​配​准
阅读已结束，如果下载本文需要使用5下载券
想免费下载本文？
定制HR最喜欢的简历
下载文档到电脑，查找使用更方便
还剩3页未读，继续阅读
定制HR最喜欢的简历
你可能喜欢图像匹配中特征点提取算法 - 毕业设计指导网
技术团队主要成员为国内著名高校计算机专业导师。诚实守信，优质服务，是我们的宗旨！
当前位置： →
图像匹配中特征点提取算法
角点检测的研究现状
在基于特征点的图像匹配中，特征点的提取是最重要却又是最困难的一步。实际应用中，有时是由人工来选择特征点的。人工的方法需要由有经验的专家来进行，当要选择的特征点较多时，费时费力且易于出现差错。所以，近 20 年来，研究自动提取图像中的特征点一直受到研究者们的关注。前文也已经提到，目前在所有的特征点检测方法的研究中，角点因具有信息量丰富、便于测量和表示、旋转不变和不随光照条件改变而变化而成为许多特征匹配算法的首选[5]。
在一些应用中使用角点进行处理，可以减少参与计算的数据量，同时又不损失图像的重要灰度信息，而且角点在图像匹配中也有很重要的意义，利用角点特征进行匹配可以大大提高匹配的速度。角点作为输入可应用于3D建模、3D 对象跟踪等领域，尤其在实时处理中有很高的应用价值。在实现摄影测量自动化和遥感影像匹配中，提取角点特征具有重要意义。
1.4　本论文研究内容和章节安排
本文详细介绍了各种二维图像角点检测方法，并主要针对三种经典的角点检测方法，对其进行了归纳和分类。同时基于C#实现了这三种算法的相应程序的编写，并基于这个系统将这三种经典的角点检测算法进行了对比，分析各种算法的效果。
论文章节安排如一下：
第一章在绪论中介绍了计算机视觉和角点检测的研究现状。
第二章分析总结了二维图像特征点提取技术。
第三章给出了三种经典的角点检测算法的原理。
第四章学习了实现算法的开发环境以及语言基础。给出了算法的流程以及系统的框架，并且基于该语言环境实现了三种算法的实验系统。
第五章对三种检测算法进行各方面的实验以及对实验结果的进行了比较分析。
最后，作为本文的结束语，对全文的工作进行了总结。
二维图像特征点提取技术
2.1& 特征点的定义分类及角点的引出
2.1.1　特征点的定义及分类
特征点是用来表征邻域局部特性的位置度量，它用来作为具有一定特征的局部区域位置的标识。在一些文献中特征点也被称为兴趣点(Interesting Point)或者是显著点(Significant Point)。我们将其理解为在图像中易于标识的点，如角点、直线交叉点、T型交汇点、高曲率点及特定区域的中心、重心等[10]。
&&& 特征点分为狭义特征点和广义特征点两种类型。狭义特征点是针对点本身来定义的，狭义特征点的位置本身具有常规的属性意义，如边缘点、角点、交叉点、分支点等。而广义特征点是基于区域定义的，它本身的位置不必具备特征意义，它只表示满足一定特征条件的某个特征区域的一个相对位置[18]。因此，从本质上说广义特征点其实就是一个特征区域，它的属性就是特征区域的属性。称其为点，是将其抽象为一个位置的概念，目前在模式识别及计算机视觉中定义的特征点，基本上都是狭义特征点。本论文所涉及的特征点为狭义上的角点。在以后的叙述中就直接使用角点这个词来描述特征点。　
2.1.2& 角点的引出
角点是特征点的一种，是指沿图像边缘曲线上的具有曲率局部极大值的点，或在一定条件下可以放宽为曲率大于一定阈值的点。可以认为，角点指示了图像上在二维空间内灰度变化剧烈的位置，和周围的邻点有着明显差异。直观地讲，角点是指在至少两个方向上图像灰度变化均较大的点。在实际图像中，轮廓的拐角、线段的末端等都是角点。
2.2& 二维图像角点检测
2.2.1& 二维图像角点检测准则
好的特征点提取算法提取出来的特征点应当满足两个条件：
(1) 特征点的重复度高，即在不同条件下拍摄的两幅图像中抽取的特征点具有高的一致性与稳定性。
(2) 特征点所包含的信息量大，也就是说被抽取的点很突出，能够有效地反映物体形状的主要结构信息。
衡量角点检测算法性能的准则[6]主要有以下四个：
(1) 检测准确性：不计噪声，即使最细小的角点，角点检测算法也应该可以检测到。
(2) 定位性：检测到的角点应尽可能接近它们的真实位置。
(3) 稳定性：对相同场景拍多幅照片时，每一个角点的位置都不应该移动。
(4) 复杂性：检测算法的复杂性越小，运行速度就越快，自动化程度就越高。
为了有效地匹配两幅图像，特征点的提取算法还应该具有旋转平移不变性，并且在发生小的尺度变化和透视形变时，能够检测出相同位置特征点。
2.2.2& 二维图像角点检测技术
二维图像角点检测在计算机视觉和图像理解领域起着很重要的作用。
目前二维角点的检测主要分为两大类：一类是基于图像边缘的角点提取算法，第二类是直接基于图像灰度的角点检测[11]。
早期的角点检测方法即是基于图像边缘的角点提取算法，角点是一种边缘上的点，它是一种特殊的边界点，即两条以上边界的交点。其方法是，首先对图像进行区域分割，通过链码提取边界，然后在边界上寻找方向变化较快的点。这种方法在很大程度上依赖于图像分割的效果，如果提取的边缘发生错误，或是边缘线发生中断，则对角点的提取结果将造成较大影响，而边缘提取本身就是一项比较复杂的工作，同时这类算法的计算复杂度很高。后来出现了一种基于尺度空间描述的角点检测算法。这种算法首先使用canny检测器从原始图像中检测边缘，先使用高尺度得到候选角点，然后逐步减少尺度，在多个低尺度处跟踪改善角点位置的方法提高角点检测的精度。在这个算法的基础上，又出现了一种基于多尺度滤波的角点检测方法，目的是为了降低角点检测过程中对噪声的敏感性，其思想是使用大小不同的高斯窗对边界进行卷积运算，然后计算各边界点曲率值，并查询极值点，从而确定角点的位置。
近年来提出的角点检测方法大多是基于灰度图像的角点检测。基于灰度图像的角点检测，分为基于梯度的方法、基于二值图像、基于轮廓曲线的角点检测[11]。
基于灰度图像的角点检测定义角点是局部内灰度和梯度变换剧烈的极大点，所以这类算法所应用的手段主要是通过计算曲率及梯度来达到检测角点的目的。由于它不需要进行边缘提取工作，所以在实际中得到了广泛的应用。主要分为两类：基于模板的角点检测算法和基于几何特征的角点检测算法。
基于模板的角点检测算法主要考虑像素邻域点的灰度变化，即图像亮度的变化，将与邻点亮度对比足够大的点定义为角点。一般首先建立一系列具有不同角度的角点模板，然后在一定的窗口内比较待测图像与标准模板之间的相似程度，以此来检测图像中的角点。出于角点结构的复杂性，不可能设计覆盖所有方向和角点的模板，这一类角点检测方法计算量大且比较复杂。
基于几何特征的角点检测方法主要是通过计算像素的微分几何特征来进行角点检测。其中较为典型的有Kitchen和Rosenefeld提出的基于局部梯度幅值和边界上梯度方向改变率的角点检测算法。这种方法是通过计算边缘的曲率来判断角点的存在性，角点计算数值的大小不仅与边缘强度有关，而且与边缘方向的变化率有关，使用了图像亮度二阶导数，对噪声比基于模板的角点检测方法对噪声更为敏感。Wang和Brady提出了一种基于表面曲率的角点检测算法。为了改善角点检测的稳定性，首先将图像与高斯滤波器卷积，然后计算整个图像的表面曲率，当曲率高于一定阈值，并为局部最大值的点被认为是候选角点。Wang的算法性能满足实时算法的需求，可用于运动估计的实时角点检测。
另外一类基于几何特征的检测方法为自相关角点检测算法。自相关角点检测算法是基于几何特征的检测方法的其中一种算法。这类算子不同于一般角点的直观定义，它们认为与邻域有较大的亮度差，或其局部自相关亮度值较大的像素点为角点。经典的算法包括Harris、SUSAN、MIC等算子。这也是本次设计的核心内容，将在以下的章节中具体描述。
?上一篇毕业论文：
?下一篇毕业论文：
120毕业设计指导网备案号： 地址：徐州市西安路41号
企业QQ咨询图像匹配方法总结
图像匹配方法总结
& & & & 图像匹配最早是美国70年代从事飞行器辅助导航系统，武器投射系统的末制导等应用研究中提出的。从80年代以后，其应用已逐步从原来单纯的军事应用扩大到其它领域。随着科学技术的发展，图像匹配技术已经成为现代信息处理领域中的一项极为重要的技术，在许多领域内有着广泛而实际的应用，如：模式识别，自动导航，医学诊断，计算机视觉，图像三维重构、遥感图像处理等领域。图像匹配是这些应用领域的瓶颈问题，目前很多重要的计算机视觉方面的研究都是在假设匹配问题已经得到解决的前提下开展的。因此，对图像匹配做进一步深入的研究有着非常重要的意义。&& & & &图像匹配是图像处理领域常见的基础问题, 是在变换空间中寻找一种或多种变换, 使来自不同时间、不同传感器或不同视角的同一场景的两幅或多幅图像在空间上一致。由于拍摄时间、角度、环境的变化、多种传感器的使用和传感器本身的缺陷, 使拍摄的图像不仅受噪声的影响, 而且存在严重的灰度失真和几何畸变。在这种条件下, 匹配算法如何达到精度高、匹配正确率高、速度快、鲁棒性和抗干扰性强以及并行实现成为人们追求的目标。&根据匹配算法的基本思想可将图像匹配方法分成两大类，即基于区域的匹配方法和基于特征的匹配方法。两类方法相比而言，基于特征的匹配方法有计算量小，鲁棒性好，对图像形变不敏感等优点，所以基于特征的匹配方法是目前研究的热点。基于特征的图像匹配方法主要包括三步：特征提取、特征描述和特征匹配。&&一、特征提取方法&图像匹配过程中，首先要根据给定的匹配任务和参与匹配图像的数据特性来决定使用何种特征进行匹配。所选取的特征必须要显著，并且易于提取，在参考图像和待配准图像上都要有足够多的分布，另外，所选择的特征必须易于进行后续的匹配。在图像配准中常用的特征有特征点，如拐点、角点；特征线，如边缘曲线、直线段；特征面，如小面元、闭合区域等。&&1、 Harris算法&基本思想：它是一种基于信号的点特征提取算子。这种算子受信号处理中自相关函数的启发，给出与自相关函数相联系的矩阵M。M阵的特征值是自相关函数的一阶曲率，如果两个曲率值都高，则认为该点是特征点。&实验结果：Harris算子计算量小，能在一定程度上抗尺度变化，当存在较大尺度缩放时稳定性较差。并且该算子对旋转，噪声敏感。&& & & & & & & & & 2、 SUSAN算法&基本思想：它用圆形模板在图像上移动，若模板内像素的灰度与模板中心像素灰度的差值小于一定阈值，则认为该点与核具有相同的灰度，由满足这样条件的像素组成的局部区域称为“USAN”。根据USAN的尺寸、质心和二阶矩，可检测边缘、角点等特征。&实验结果：SUSAN算子可提取图像边缘和图像特征点，对明显角点提取的能力较强，较适合提取图像边缘上的拐点。SUSAN算子提取的特征点抗图像旋转、噪声影响的效果较好。 & &3、 Harris-Laplace算法&基本思想：该算法首先使用尺度Harris角点算子在尺度空间中的每一幅二维图像中检测特征点，尺度维上获得选择大于某一阂值的局部极值作为候选角点，然后再验证这些点是否在Laplacian算子局部极大值。如果是，则确定为特征点，并将获得极大值的点所在的尺度作为特征尺度。&实验结果：对Harris算法的改进，使其具有更好的尺度不变性。该算法可提取图像特征点，也叫特征区域，如图所示每个圆域称为特征区域，圆域的中心称为特征点。 && &&二、图像匹配方法&图像匹配的任务就是寻找同一场景的两幅或多幅图像中像素点之间的对应关系。我们研究的图像匹配方法主要是基于图像特征的方法，主要包括特征提取、特征描述和特征匹配三步。SIFT方法是目前效果较好的经典匹配方法，在我们的研究过程中，均是采用SIFT方法作为基准来评价我们提出的算法的。&&1、经典SIFT方法&基本思想：建立高斯差分尺度空间DoG，在DoG空间中检测出极值点作为特征点，然后用梯度方向直方图对提取出特征点进行描述，最后利用欧式距离作为度量对两幅图像中的特征点进行匹配。&实验结果：SIFT算法具有平移、尺度缩放、旋转不变性，同时对光照变化、仿射及投影变换也有一定不变性。&&2、 多视角图像匹配方法&不同视角图像的匹配问题是图像匹配的一个难点。针对这个难点，我们提出了两种图像匹配方法。一种方法是结合全局信息（global context）的SIFT特征匹配算法，我们称之为SIFT+GC方法。首先用SIFT方法在尺度空间检测出特征点, 然后构建结合局部信息（SIFT 向量）和全局信息（边缘信息）的特征描述向量。另一种方法是采用SIFT描述子和HarrisLBPs描述子加权结合的方法对提取出的特征点进行匹配，我们称之为SIFT&HL方法。首先提取特征点所在邻域的harris角点图；然后在这个角点图上求出各角点的LBP向量，转变成十进制数；最后将各角点十进制数组成一个一维向量，这个向量就作为该特征点的描述子, 该描述子具有尺度不变、旋转不变和亮度不变的特性, 将SIFT描述子与HarrisLBPs（HL）按照加权平均的方法进行匹配。&这两种方法都对尺度、旋转、亮度变化，特别是存在视角变化（仿射变化）的图像匹配效果很好，优于经典的SIFT方法。&&3、多曝光图像匹配方法&多曝光图像匹配是针对于待匹配图像对中存在较大的光照变化提出的。我们在经典SIFT算法的基础上，通过建立亮度变化空间的全新概念，亮度变化空间是指把输入的原始图像，包括参考图像和待匹配图像分别采用对比度拉伸函数进行亮度变换，得到两组不同亮度对比度的系列亮度变换图像，形成相应的两个亮度变换空间的图像。在亮度变化空间上结合SIFT提出的方法在每个亮度层上分别提取出尺度不变的特征点。这样经过亮度变换的两组图像就很容易找到同一空间上的对应的特征点，再对特征点进行特征描述，从而实现了多曝光匹配。&实验结果表明，该方法特别适用于存在剧烈光照变化的图像匹配问题，优于经典的sift方法。&&4、乳腺钼靶图像配准方法&图像配准是在不同时间、不同视角或采用不同的传感器得到的两幅或多幅图像在空间几何位置上的对应的过程。目前，图像配准在医学影像学中的运用备受各国研究人员的关注。因为从病人的单幅结果图像对病人病情的检测是非常困难的事，即便是一个有经验的放射科医生。&乳腺钼靶图像配准在乳腺癌自动检测中起着关键的作用。图像配准方法能更好的辅助医生对不同体位或不同时间的两幅或多幅乳腺图像分析对比。我们提出了一种基于SIFT（尺度不变特征变换）和GTM（图变换）算法相结合的钼靶图像配准方法。首先，通过SIFT算法提取参考图像和待配准图像中的特征点，匹配两幅图像并得到两幅图像的特征点对；再通过GTM算法去除SIFT算法得到的错误匹配；然后采用基于点对的TPS插值算法对待配准图像进行空间变换，最后得到配准图像。&实验中我们采用归一化相关系数和误差平方和对配准结果进行分析，结果表明我们提出的方法优于SIFT方法。
发表评论：
TA的最新馆藏[转]&[转]&[转]&[转]&