基于混合能量活动轮廓模型的人脸分割方法
人脸识别综述
人脸识别综述摘要:首先介绍了人脸识别的发展历程及基本分类；随后对人脸识别技术方法发展过程中一些经典的流行的方法进行了比较详细的阐述。
最后介绍了人脸识别的应用及发展现状，总结了人脸识别所面临的困难。
关键词:人脸识别1引言人脸是人类最重要的生物特征之一，反映了很多重要的生物信息，如身份，性别，种族，年龄，表情等等。
随着计算机技术的飞速发展，基于人脸图像的计算机视觉和模式识别问题也成为近些年研究的热点问题。
其中包括人脸检测，人脸识别，人脸表情识别等各类识别问题。
对于人脸识别问题的研究已有几十年的时间，在理论研究和实际开发方面都取得了一定的进展，并且目前已有一些电子产品配备了人脸识别系统。
但是，对于人脸性别和种族识别的研究却比较少，但研究这个问题的意义和实际价值却是不可忽视的。
在实际公共场所的安检系统中，大多数情况下都是将多种模式识别系统结合在一起，以尽量提高检测识别的准确度，性别识别系统也是其中不可缺少的一部分。
对它的研究不仅有助于提供更多个性化的人机交互方式，还可以应用于各种监控系统、电子产品的用户身份鉴别和信息采集系统。
从理论意义上来说，也丰富了原有的人脸识别方法，使得人脸识别系统不但可以识别出被识别者是谁，还能自动给出其性别和种族，从而提高人脸识别的准确率和图像检索效率。
所谓人脸识别,就是利用计算机分析人脸视频或者图像,并从中提取出有效的识别信息,最终判别人脸对象的身份。
人脸与人体的其他生物特征(指纹、虹膜等)一样与生俱来,它们所具有的唯一性和不易被复制的良好特性为身份鉴别提供了必要的前提；同其他生物特征识别技术相比,人脸识别技术具有操作简单、结果直观、隐蔽性好的优越性。
因此,人脸识别在信息安全、刑事侦破、出入口控制等领域具有广泛的应用前景。
2人脸识别的发展历程及方法分类关于人脸识别的研究最早始于心理学家们在20世纪50年代的工作，而真正从工程应用的角度来研究它则开始于20世纪60年代。
最早的研究者是Bledsoe,他建立了一个半自动的人脸识别系统,主要是以人脸特征点的间距、比率等参数为特征。
医学图像的分割技术及其新进展
医学图像的分割技术及其新进展3楚存坤,李月卿,王昌元(泰山医学院,山东泰安 271000)关键词:医学图像分割;图像分割评价中图分类号:R319 文献标识码:A 文章编号:100427115(2007)0420315203 近几年,计算机断层成像(Computed T omo2 graphy,CT),核磁共振成像(Magnetic Res onance I m2 age,MR I),超声成像(ultras ound i m age,USI)等医学成像技术已经广泛应用在医疗的诊断、术前计划、术后监测等各个环节中,其目的是全面而精确地获得病人的各种数据,为诊断、治疗计划、手术和术后评估提供正确的数字信息。
只有把感兴趣的目标从图像的复杂景物中提取出来,才有可能进一步对它们进行定量分析或者识别。
目前,医学图像分割主要以各种细胞、组织与器官的图像来作为处理的对象或内容。
图像分割是根据某种均匀性或一致性原则将图像分成若干个有意义的部分,使得每一部分都符合某种一致性的要求[1]。
1 医学图像分割技术的发展111 传统图像处理领域中的医学图像分割技术11111 基于阈值的方法阈值分割法是将灰度图像变为二值图像以达到分割目的的方法,它是一种PR(并行区域)法。
阈值法的过程是决定一个灰度值,用以区分不同的类,这个灰度值就叫做“阈值”。
把灰度值大于阈值的所有像素归为一类,小于阈值的所有像素归为另一类。
阈值法是一种简单但是非常有效的方法,特别是不同物体或结构之间有很大的强度对比时,能够得到很好的效果。
此分割法通常是交互式的。
因为阈值法能够实现实时操作,所以它更能够建立在用户视觉估计的基础上。
阈值法一般可以作为一系列图像处理过程的第一步。
其主要局限是,最简单形式的阈值法只能产生二值图像来区分两个不同的类。
另外,它只考虑像素本身的值[2],一般都不考虑图像的空间特性,这样就对噪声很敏感。
针对它的不足,有许多经典阈值法的更新算法被提了出来[3,4]。
能量函数构图割
能量函数构图割图像分割是一种重要的图像分析技术，它不仅得到人们广泛的重视和研究，也在实际中得到大量的应用。
近年来，在计算机视觉领域涌现了大量的图像分割算法。
其中基于能量函数的分割算法具有良好的特性，它通过建立数学模型，将分割问题转化成数学寻优问题，能够清楚地描述要解决的问题，而且与求解问题的算法分开。
基于能量函数的分割方法根据能量函数的类型和寻优过程的不同而区分。
通常主要的两大类是：(1)优化一个定义在连续轮廓或连续曲面的函数；(2)优化一个定义在一系列离散变量上的开销函数。
本文重点研究了第一类的水平集模型和第二类的Graphcut模型在图像分割中的应用。
(1)我们提出一个新的Graphcut模型，该模型利用随机森林算法强的学习和分类性能，来构建Graphcut能量函数，以及相应的图结构。
然后通过最大流算法优化我们的模型得到分割结果；(2)对于水平集模型，我们首先针对Chan-Vese模型提出一个避免求解偏微分方程的快速实现模型，该模型利用每次求得的灰度均值来进行演化，不仅运算量大大减少，同时保持了水平集算法的良好拓扑性能。
最后，我们提出一个基于张量场的水平集模型。
一方面，该模型利用张量结构能够分割纹理图像；另一方面，该模型使用一个区域可变项，能够注重局部信息，从而对于灰度不均匀的图像也能得到比较好的分割结果。
通过能量最小化模型解决一个问题包括两个主要步骤：第一步，描述出一个目标函数，它将所有可能解映射到实数集中，并且给出了可能解的好(坏)程度。
一个目标函数通常是对应该问题的不同约束项的累加，这些约束可以是软约束也可以是硬约束。
在本论文中，所有的目标函数将给出了可能结果的好(坏)程度。
我们称这些目标函数为能量函数。
第二步，最小化能量函数。
这通常是非常艰巨的任务。
计算机视觉中的能量函数通常有很多维和许多局部最小。
许多研究者们已经试用过某些一般的最小化方法，例如梯度下降和模拟退火的方法。
前一个方法几乎可以用于所有连续变量的函数中，后一个方法几乎可以用于所有离散变量函数中。
高斯混合模型在图像分割中的应用研究
高斯混合模型在图像分割中的应用研究图像分割是计算机视觉领域中的一个重要研究方向。
它的主要目的是将图像中的像素分为不同的类别或区域，以便对图像进行更进一步的分析和处理。
在图像分割中，高斯混合模型是一个常用的模型之一。
本文将对高斯混合模型在图像分割中的应用进行研究。
一、高斯混合模型介绍高斯混合模型（Gaussian Mixture Model，GMM）是一种用于描述多个随机变量的联合分布的概率模型。
在GMM中，我们假设数据可以由多个高斯分布的线性组合来表示。
每个高斯分布被称为一个“成分”，其具有自己的均值和方差。
GMM在图像分割中的应用主要基于以下思想：假设图像中包含多个不同的物体，每个物体可以看作一个“成分”，而每个像素则可以看作是来自某个物体的一个观测值。
因此，我们可以使用高斯混合模型来对图像进行分割，将像素分为不同的“成分”，从而得到更有用的图像信息。
二、高斯混合模型在图像分割中的具体应用（一）图像分割算法在图像分割算法中，高斯混合模型通常被用来对像素进行聚类。
具体而言，我们假设图像中存在k个不同的物体，每个物体的颜色分布可以用一个高斯混合模型表示。
具体地，对于给定的像素值x，我们假设其来自于高斯混合模型 $G=\{w_i, \mu_i, \Sigma_i\}$，其中$w_i, \mu_i, \Sigma_i$分别表示第i个成分的权重、均值和方差。
每个像素被赋予一个标签，表示其属于哪个成分。
一般情况下，图像分割算法包括以下步骤：初始化成分参数，对每个像素进行标记，对每个成分重新估算参数，重复以上两步直到收敛。
其中，初始化成分参数可以随机进行，对每个像素进行标记可以使用最近邻算法，对每个成分重新估算参数可以使用最大似然估计方法。
（二）前景与背景分割前景与背景分割是图像处理中的一个重要任务。
在前景与背景分割中，我们的目标是将图像中的前景（通常是物体）与背景分开。
这个问题可以看成是在二分类的问题，其中前景和背景分别作为两个类别。
结合先验形状和Mumford-Shah模型的活动轮廓分割
结合先验形状和Mumford-Shah模型的活动轮廓分割郑洁雪;杨玲;王中科【摘要】The active contour segmentation based on prior shape and M-S model has been widely used in image segmentation because of their computational efficiency and stability.Based on level set method, the novel model using the active contour model, prior shape and Mumford-Shah model can control evolvement of curve.Prior knowledge on certain object is a useful guidance in image segmentation.lt exploits the prior knowledge of desired object's shape through a Principle Component Analysis (PCA) method.By numerical experiments presented in the paper, the proposed approach is robust to cluttered background,partial occlusions,missing and noise with the specific shape.%基于先验形状和Mumford-Shah模型的活动轮廓分割是一种抗噪声干扰、稳定的图像分割方法.该模型采用水平集方法,并结合活动轮廓模型、先验形状和Mumford-Shah模型来控制曲线演化.特定目标的先验知识可以有效地指导目标准确分割,经过主成分分析(PCA)法可以得到感兴趣对象形状的主要信息.通过对不同图片分割实验表明,针对特定的形状,该方法对杂乱背景、部分遮挡、缺失和强噪声的图片依然能得到满意的结果.【期刊名称】《计算机工程与应用》【年(卷),期】2011(047)023【总页数】4页(P167-170)【关键词】图像分割;先验形状;主动轮廓模型;Mumford-Shah模型;水平集【作者】郑洁雪;杨玲;王中科【作者单位】成都信息工程学院电子工程学院,成都610225;成都信息工程学院电子工程学院,成都610225;成都信息工程学院网络工程学院,成都610225【正文语种】中文【中图分类】TP391ZHENG Jiexue，YANG Ling，WANG bining prior shape and Mumford-Shah model for active contour puter Engineering and Applications，2011，47(23)：167-170.图像分割是图像处理中的一个关键问题，分割结果将影响后续工作的进行和输出结果的好坏，因此越来越受到人们的关注，并不断出现更加有效的分割算法应用于科学和工程领域。
基于双模型融合的大熊猫头部图像分割
基于双模型融合的大熊猫头部图像分割周章玉;侯佳萍;刘鹏;陈鹏;段昶【期刊名称】《兽类学报》【年(卷),期】2023(43)1【摘要】在大熊猫(Ailuropoda melanoleuca)的迁地保护和种群饲养管理中,及时、快速地进行个体识别和行为监测,对其健康管理具有至关重要的作用。
圈养大熊猫健康状况通常由专门的饲养人员肉眼观测,人力成本高、效率低并且缺乏时效性。
基于图像的动物个体识别与行为分析技术效率高、时间成本低,已经成为新的监测发展趋势。
已有研究提出,通过大熊猫面部图像的检测和分析,可实现个体识别和行为分类。
但该方法依然存在检测精度不足导致识别准确率难以提升的问题。
本文提出一种基于YOLOv3和Mask R-CNN的双模型融合方法,实现了大熊猫头部图像分割和精准检测。
包含3个部分:YOLOv3完成头部检测,Mask R-CNN完成大熊猫轮廓分割,然后将两个模型的输出进行交并比融合。
结果显示,头部检测准确率为82.6%,大熊猫轮廓分割准确率为95.2%,总体头部轮廓分割准确率为87.1%。
该方法对大熊猫头部图像的识别率和分割准确率高,为大熊猫的个体识别、性别分类提供了帮助,为行为分析提供了技术参考。
【总页数】7页(P82-88)【作者】周章玉;侯佳萍;刘鹏;陈鹏;段昶【作者单位】西南石油大学电气信息学院;成都大熊猫繁育研究基地【正文语种】中文【中图分类】Q−3【相关文献】1.基于SSD模型的人脸检测与头部姿态估计融合算法2.一种基于YOLO的多尺度融合图像分割模型3.基于融合局部信息的全局划分活动轮廓模型在图像分割中的研究4.基于融合局部信息的全局划分活动轮廓模型在图像分割中的研究5.基于YOLOv3模型的人脸检测与头部姿态估计融合算法因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进活动轮廓模型的人脸分割
基于 曲线演 化 的方 法是 近年 来被 广泛 应用 于 图像分割 领 域的分 析方 法 。 由 Ｏｓｅ 与 Ｓｔｉｎ提 出的 ｈｒ ｅｈａ
水平 集方法 ［ ］有 效解决 了曲线拓 扑变 化 、 算 不稳定 等 问题 ， １， 计 并得 到 了广泛 的应用 ［ ３ 人脸分 割是 人脸 ｓ。 － ｓ 特征 检测 和人脸 识别等 人脸 图像分析 的重 要前提 。 但是 由于 人脸形 状 的多样性 和复 杂性 ， 在使用 刚性模 型 提取 人脸轮廓 时遇 到 了很大 困难 ， 常规 的边缘检 测算 子得到 的边 缘一般 都是 不连续 的 ， 而 因此基 于 曲线 演
第２卷 第 ３ ８ 期 ２１ ００年 ９月
广西 师范大 学学 报 ： 自然科学 版
Ｊｕ ｎ ｌ ｆ ａｇ ｉ ｏ ｍａ Ｕｎｖ ｒｉ ： ｔｒｌ ｃ ｎｅＥ ｉｏ ｏ ｒａ ｎ ｘ Ｎ ｒ ｌ ｉｅｓ ｙ Ｎａｕａ ｉ ｃ ｄｔ ｎ ｏ Ｇｕ ｔ Ｓｅ ｉ
Ｖｏ ． ８ Ｎｏ ３ １２ ．
化 的方法在 解决 人脸轮 廓提取 中展 现 了令 人鼓舞 的前 景 。 本 文提 出一个 结合 几何活 动轮廓 模型 和 ｃ Ｖ 模型 的方 法进 行人 脸轮 廓提 取 ， 仅减 少 了人脸 轮廓 边 — 不
界模 糊 、 度渐 进性 差所 引起 的演 化 曲线检 测偏差 ， 且演 化 曲线不 会产 生边 缘断 裂 ， 灰 而 以便 对 其进行 后 期 处理 ， 能够 得到 较好 的 人脸 分割 ； 外 ， 文还 对 模型 的 数值计 算 进行 研 究 ， 出 了 Ｃ Ｖ 模 型 的窄带 实 现 此 本 提 —
ቤተ መጻሕፍቲ ባይዱ
服 几何 活动轮 廓模型 的缺 点 ， 即不 依赖于 图像 的边缘 信息 ， 区域 分割 逼近 全局最 优 。但 却难 以刻 画边界 使
基于划分函数的图像拟合能量驱动的活动轮廓
基于划分函数的图像拟合能量驱动的活动轮廓
熊点华;唐利明;严俊潇;胡冀万;任彦军
【期刊名称】《黑龙江大学自然科学学报》
【年(卷),期】2022(39)4
【摘要】为了分割灰度不均和边界模糊图像,提出了基于全局划分与局部划分的图像拟合(Division-based image fitting,DIF)活动轮廓模型。
分别建立了基于划分
的局部拟合和全局拟合约束项,利用权重参数将二者线性组合得到DIF模型,对活动轮廓特征的提取有一定的应用意义。
DIF模型中的全局拟合约束项用于捕捉图像中目标的整体轮廓,局部拟合约束项用于捕捉图像灰度的局部变化,可较好地处理图像
中灰度不均和边界模糊区域的目标边界,权重系数用于调整局部与全局能量的比重。
实验结果表明,DIF模型能较好地分割灰度不均和边界模糊的图像,另外该分割方法
的JS(Javascript)系数较高。
【总页数】9页(P481-489)
【作者】熊点华;唐利明;严俊潇;胡冀万;任彦军
【作者单位】阿坝师范学院数学学院;湖北民族大学数学与统计学院;塔里木大学信
息工程学院
【正文语种】中文
【中图分类】TP391
【相关文献】
1.基于局部图像拟合偏差的活动轮廓分割模型
2.基于全局和区域可伸缩拟合局部熵活动轮廓模型的超声图像分割
3.基于局部熵拟合能量与全局信息的活动轮廓模型
4.基于融合局部信息的全局划分活动轮廓模型在图像分割中的研究
5.基于符号压力函数驱动的活动轮廓图像分割
因版权原因，仅展示原文概要，查看原文内容请购买。
医学图像分割方法
医学图像分割方法作者：潘晓航来源：《电子技术与软件工程》2018年第11期摘要随着影像医学在临床医学的成功应用，医学图像分割在临床诊疗中起着越来越重要的作用。
分割算法的精准性将影响诊断结果和治疗方案，本文从医学图像分割几种常用的方法出发，结合医学图像的应用，总结了每种方法的优缺点，列举了每种方法的改进算法。
最后，进一步阐述了图像分割技术的发展趋势。
[关键词]医学图像分割医学图像应用阈值模糊c-均值活动轮廓模型人工神经网络1 引言医学图像分割是医学图像处理和分析中的重要步骤，其最终目标是使用一系列特征（如图像灰度、纹理、颜色以及局部统计特征等）将图像中“感兴趣区域”提取出来，辅助医生诊断、制定治疗计划和进行临床研究。
然而，成像过程中噪音、场偏移效应等因素使获得的图像模糊、不均匀，加上医学图像本身对比度低、组织与病灶之间边界模糊，分割算法的结果受到很大影响。
现存的分割算法都存在一定的针对性和适用性，在临床治疗中，需要针对具体应用领域选择适当的分割方法。
2 常用医学图像分割方法2.1 闽值法阂值法是最常见、应用最广泛的一种分割技术。
阈值法基于图像中目标物体与背景像素灰度的差异性，把图像分为灰度值不同的目标和背景区域展现在直方图中，直方图中，不同的目标和背景呈现出不同的峰，选取一个或多个闽值对图像进行分割，如图1所示。
对待分割图像的灰度直方图阈值的选取是整个分割过程中至关重要的一步，可通过直方图灰度分布、双峰法、迭代法、大津法等进行闽值的选取，很多学者对该问题进行了研究，申铉京等人提出了三维直方图重建和降维的Otsu阈值分割算法，该算法具有更强的抗噪性，分割效果较为理想，时间复杂度远低于三维Otsu法。
邸秋艳提出了基于Ts allis熵的闽值图像分割方法，在阈值的选择过程中，利用Tsallis熵的非延广性提高了分割的准确性。
尽管阈值法处理直观，计算量小，但在具体使用中存在如下问题：（1）选取合适的阈值相对困难，不当的阈值选取难以得到准确的分割结果。
人脸识别技术主要算法原理
人脸识别技术主要算法原理现在一些小区出入不用门禁卡了，出入全靠人脸识别；银行也开通了刷脸取现金，省去了拿卡，输入密码等；有的餐厅搞活动，刷脸吃饭，由机器打分，颜值高的免单。
在火车站、汽车站、高铁站、机场等公共场所，人脸识别应用也越来越多。
那么人脸识别有哪些技术呢？主流的人脸识别技术基本上可以归结为三类，即：基于几何特征的方法、基于模板的方法和基于模型的方法。
1. 基于几何特征的方法是最早、最传统的方法，通常需要和其他算法结合才能有比较好的效果；2. 基于模板的方法可以分为基于相关匹配的方法、特征脸方法、线性判别分析方法、奇异值分解方法、神经网络方法、动态连接匹配方法等。
3. 基于模型的方法则有基于隐马尔柯夫模型，主动形状模型和主动外观模型的方法等。
1. 基于几何特征的方法人脸由眼睛、鼻子、嘴巴、下巴等部件构成，正因为这些部件的形状、大小和结构上的各种差异才使得世界上每个人脸千差万别，因此对这些部件的形状和结构关系的几何描述，可以做为人脸识别的重要特征。
几何特征最早是用于人脸侧面轮廓的描述与识别，首先根据侧面轮廓曲线确定若干显著点，并由这些显著点导出一组用于识别的特征度量如距离、角度等。
Jia 等由正面灰度图中线附近的积分投影模拟侧面轮廓图是一种很有新意的方法。
采用几何特征进行正面人脸识别一般是通过提取人眼、口、鼻等重要特征点的位置和眼睛等重要器官的几何形状作为分类特征,但Roder对几何特征提取的精确性进行了实验性的研究，结果不容乐观。
可变形模板法可以视为几何特征方法的一种改进，其基本思想是 :设计一个参数可调的器官模型 (即可变形模板),定义一个能量函数，通过调整模型参数使能量函数最小化，此时的模型参数即做为该器官的几何特征。
这种方法思想很好，但是存在两个问题，一是能量函数中各种代价的加权系数只能由经验确定，难以推广，二是能量函数优化过程十分耗时，难以实际应用。
基于参数的人脸表示可以实现对人脸显著特征的一个高效描述，但它需要大量的前处理和精细的参数选择。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
线） ， 当初始 轮廓 线 Ｃ 在人脸 内部 时（ 轮 廓线 １ ） ， 全局 能量模 型 因为 局部特征 的干扰， 会产 生空洞， 而添
（ ｃ ， ｔ ｉ ｎ ， Ｃ ｏ ， ） ： 。 Ｌ （ ｃ ） ＋ ・ ｓ （ ｃ ） ＋ ｉ Ｉ ｆ Ｕ ｏ （ ， ） 一 ｃ ｆ ｆ ｄ ｘ ｄ ｙ ＋ ｎ ｓ ｉ ｄ ｅ 。 （ Ｃ ）
ｏ ｕ ｔ ｓ ｉ ｄ 。 ｅ （ Ｃ ）
ｆ ｆ ｕ ｏ （ ｘ ， Ｙ ） 一 Ｃ ｏ ｌ ｄ ｘ ｄ ｙ
１ 混合 能 量活 动 轮 廓模 型框 架
前文 已经指 出将 Ｃ． Ｖ 模 型直接用 于人脸 图像分割 的不足， 本节主 要介绍提 出 的针对 人脸分 割 问题 的算法
一 ～
混合 能量活 动轮廓模 型 ＨＥ ＡＣ ， 首先简 要介绍 Ｃ— Ｖ 模型 的概念， 然后详述 所提 出的边缘外张 力能量 、肤色
６ ２ ６
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆＳ ｏ ｆ ｔ ｗ ａ ｒ ｅ软件 学报 Ｖ ｏ １ ． ２ ４ ， Ｎｏ ． ３ ， Ｍａ ｒ ｃ ｈ ２ ０ １ ３
（ １ ） 提 出边缘 外 张力 能量 泛函， 有 效地 克服 了 因面部 纹理 非 同质 性 导致 的人脸 轮廓 凹 陷及 空洞 问题． 如 图 ２所示 （ 图 中箭 头指 出了演化方 向） ， 初 始轮廓 线上 的两 个点 Ｐ ， ｐ ２ 分别在 眉毛及 眼镜处， 根 据人脸 分 割 需求， 通 常希 望这 两个 点 向外演 化， 但是 由于这两 个点所 在 位置 的纹理 同人 脸其 他肤 色 区域相 异 较 大， 如 果采 用全局 能量， 算法 为 了保 证能 量最小 ， 会 导致 曲线 沿着 这些非 皮肤 的区域 向 内演 化， 造 成 人脸 分块 的现 象（ 如图 ２ （ ｃ ） 所示 ） ； 然而， 在 外张力 能量 的引导下， 能够控制 曲线 向正确的方 向演化， 克服
能量．
１ ． １ Ｃ． Ｖ模 型 概 述
Ｃ ｈ ａ ｎ ． Ｖ ｅ ｓ ｅ模 型【 ］ ， 又称无 边缘活动 轮廓模 型， 是 Ｃ ｈ ａ ｎ和 Ｖ ｅ ｓ ｅ于 ２ ０ ０ １年提 出的一种经典 几何活动轮 廓
模 型．
令 Ｃ为演化 曲线， 将整幅 图像 Ｕ ０ 分为两个 区域 ： Ｒ 和
加 了外张 力能量后， 则可准确地 到达人脸外 函， 加 快 了演 化速 度和鲁 棒 性． 将 外张 力 能量和肤 色 能量结合 到全 局 能量， 得到 一个
混合 能量活动 轮廓模型（ ｈ ｙ ｂ ｒ ｉ ｄ ｅ ｎ ｅ ｒ ｇ ｙ ｂ ａ ｓ ｅ ｄ ａ ｃ ｔ ｉ ｖ ｅ ｃ ｏ ｎ ｔ ｏ ｕ ｒ ， 简称 ＨＥ ＡＣ ） ； （ ３ ） 提 出一种 自适 应 的单高斯模 型 ＡＳ Ｏ Ｍ（ ａ ｄ ａ ｐ ｔ ｉ ｖ ｅ ｓ ｉ ｎ ｇ ｌ ｅ Ｇａ ｕ ｓ ｓ ｉ ａ ｎ ｍｏ ｄ ｅ １ ） ， 可为 Ｈ Ｅ ＡＣ提供 靠近人脸 实 际轮 廓的初始 位置， 提 高 了定位 的稳定性及 收敛速度 ．
才能达 到极小值 ． 上 面 的 模 型 利 用 了整 个 图 像 的信 息 ， 在 下 文
中， 我们 也称 Ｃ ． Ｖ 模型为全 局能量模 型．
１ ． ２ 边 缘 点 外 张 力 能 量
在演 化过程 中， 曲线 ｃ上 的点并不 一定是 目标 的轮廓 点， 为 了区分二 者， 本文 称 当前 演化 曲线 ｃ上 的点为活 动点， 称 后者 为轮廓（ 点） ． 首 先， 我们 给 出活动 点 Ｐ的外邻域 的定义： 令Ｕ 。 是定义域 为 ∈ 上 的一幅平 面 图像 ，
一
． 令每个 区域 的平均 灰度值（ 对于 多通 道 图像 则是
个 向量 】 ， 如平均 Ｒ Ｇ Ｂ值） 分别为 ｃ 和 Ｃ ｏ ｕ ｔ ． Ｃ ． Ｖ模型 通过最 小化能量 函数 （ 下标 ｇ标识 该能量具有 全局特
性） 来寻 找最优分割 线 Ｃ ， 使其恰好在 目标对象和 背景 的边 界处． 的表达式如下 ：
外部 区域 纰， ｐ ； 外张 力方 向同曲线外法 向量， 在计 算张 力时仅用 到外部 区域 Ｃ Ｏ ｏ信 息， 称纰， ｐ 为 点ｐ的外邻 域， 用
，
，
表示． 从而， 基 于 曲线 活动 点外邻域 的外张力 能量泛 函定义 如下：
。 ｔ ＞ Ｏ ， 是各个 能量项权 重系
数； 的 含 义 很 明确 ， 前 两项是 平滑项 ， 后 两 项 是 实 际 图像 与 假 定 的 分 片 常 数 图 像 之 间 的偏 离 ． 最终， 分 割 轮 廓 线
（ ｃ， Ｃ １ ， ｃ ２ ）
（ ２ ）
只 有 当 曲线 Ｃ 位 于 目标 边 界 时 ， 能 量 泛 函
被平面 曲线 ｃ分为两 部分： 和Ｒ 。 ； 以曲线 Ｃ上的任 意活动点 Ｐ为 中心， 设置一 个边长为 ａ的正方 形邻域 （ 文
献【 １ ４ 】 采用 圆形窗 口， 实验结 果表 明， 采 用方形 窗 口效果相 同且效率 更高） ， 如图 ５ （ ａ ） （ 其 中， 椭 圆区域 为假定 的 目 标对象， 细线 为当前 的演化 曲线 Ｇ方框是轮廓 点的邻 域） 所示． 该窗 口同样被 曲线 Ｃ分为两部分 ： 内部区域 Ｃ Ｏ ｌ 和
（ １ ）
公式（ １ ） 中： 三 （ ０是 闭合轮廓 线 Ｃ 的长度 ； Ｃ ） 是 Ｃ 的 内部 区域面积 ； ｔ Ｉ ， ≥０ ， Ｃ的位 置 以及变量 Ｃ 和 ｃ 可经最优 化上式得 到， 即
｛ ｃ ０ ｃ ０ Ｃ Ｏ） ： ｉ ｎ ｆ
， ０ｍ ＇００