基于AAM和T型结构的人脸3D姿态估计

计算机工程与应用 ›› 2012, Vol. 48 ›› Issue (25): 163-167.

• 图形、图像、模式识别 • 上一篇下一篇

基于AAM和T型结构的人脸3D姿态估计

刘春生，常发亮，陈振学，李爽

山东大学控制科学与工程学院，济南 250061

出版日期:2012-09-01 发布日期:2012-08-30

3D face pose estimation method based on active appearance model and T-structure

LIU Chunsheng, CHANG Faliang, CHEN Zhenxue, LI Shuang

School of Control Science and Engineering, Shandong University, Ji’nan 250061, China

Online:2012-09-01 Published:2012-08-30

摘要/Abstract

摘要： 在分析已有的人脸姿态估计方法基础上，提出了一种基于主动表观模型（AAM）和T型结构的人脸3D姿态估计方法。对多姿态的人脸样本进行训练，得到多姿态的AAM模板集；利用训练得到的多姿态的AAM模板集进行最佳模板匹配，并对人脸的特征点进行精确定位；用人脸的双眼和嘴部构建T型模型，进行人脸3D姿态的参数估计。实验结果表明，该方法能适应较大的姿态旋转角度，并具有良好的姿态估计精度。

关键词: 主动表观模型, 人脸姿态估计, 特征点定位, T形结构, 人脸检测

Abstract: Based on analysis of the pro-existing face pose estimation methods, a new 3D face pose estimation method based on Active Appearance Model（AAM） and T-structure is proposed. A set of AAM models can be obtained after training different poses faces. Then, the objective face is matched with the set of AAM models, to choose the optimum model to accurate position of the face characteristic points. The T-structure is built with the two eyes and the mouth, which is used to estimate the face pose. The experiments show that the method can be adopted to large rotation angles, and can reach a good accuracy of 3D face pose estimation.

Key words: Active Appearance Model（AAM）, face pose estimation, characteristic points location, T-structure, face detection

刘春生，常发亮，陈振学，李爽. 基于AAM和T型结构的人脸3D姿态估计[J]. 计算机工程与应用, 2012, 48(25): 163-167.

LIU Chunsheng, CHANG Faliang, CHEN Zhenxue, LI Shuang. 3D face pose estimation method based on active appearance model and T-structure[J]. Computer Engineering and Applications, 2012, 48(25): 163-167.

[1]	高树静，王程龙，董廷坤. 基于ZYNQ的优化Adaboost人脸检测[J]. 计算机工程与应用, 2020, 56(6): 201-206.
[2]	郭静，宋文爱，杨吉江，王青，梁雅琪，雷毅，高雪梅，李海振. 计算机辅助诊断人脸形态学疾病研究综述[J]. 计算机工程与应用, 2020, 56(19): 22-33.
[3]	刘淇缘，卢树华，兰凌强. 遮挡人脸检测方法研究进展[J]. 计算机工程与应用, 2020, 56(13): 33-46.
[4]	李静，降爱莲. 复杂场景下基于R-FCN的小人脸检测研究[J]. 计算机工程与应用, 2020, 56(1): 203-208.
[5]	罗明柱，肖业伟. 全卷积神经网络的多尺度人脸检测的研究[J]. 计算机工程与应用, 2019, 55(5): 124-128.
[6]	李亚可，玉振明. 级联的卷积神经网络人脸检测方法[J]. 计算机工程与应用, 2019, 55(24): 184-189.
[7]	梁雅琪，宋文爱，杨吉江，王青，王星月，雷毅. 人脸辅助诊断关键技术研究[J]. 计算机工程与应用, 2019, 55(15): 24-31.
[8]	张进1，张娜娜2. 优化特征提取的互动式人脸活体检测研究[J]. 计算机工程与应用, 2019, 55(13): 193-200.
[9]	贾项南，于凤芹，陈莹. 多视角级联回归模型人脸特征点定位[J]. 计算机工程与应用, 2019, 55(10): 199-204.
[10]	周安众，罗可. 一种多尺度卷积神经网络的人脸检测模型[J]. 计算机工程与应用, 2018, 54(14): 168-174.
[11]	吴志洋，卓勇，廖生辉. 改进的多目标回归实时人脸检测算法[J]. 计算机工程与应用, 2018, 54(11): 1-7.
[12]	罗富丽，李佳田. 结合运动特征的AdaBoost层次增强算法[J]. 计算机工程与应用, 2017, 53(7): 154-159.
[13]	曾鸿军1，2，沈燕飞2，王毅1. 基于感兴趣区域的头像视频前处理方法[J]. 计算机工程与应用, 2017, 53(6): 188-192.
[14]	张言飞，欧阳健飞，姚丽峰. 基于快速人脸检测的实时呼吸测量系统的设计[J]. 计算机工程与应用, 2016, 52(2): 256-261.
[15]	刘王胜，冯瑞. 一种基于AdaBoost的人脸检测算法[J]. 计算机工程与应用, 2016, 52(11): 209-214.

基于AAM和T型结构的人脸3D姿态估计

3D face pose estimation method based on active appearance model and T-structure

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics