1.4 論文大綱
本文章節依序為第二章介紹相關研究，回顧人臉特徵點定位的相關論文。第 三章介紹區域性主動表現模型建模，第四章敘述區域性主動表現模型匹配追蹤演 算法，第五章為研究結果，第六章則是結論。
2 第二章
相關研究
許多學者發表過建立一個表現統計模型並對一影像中的物體做匹配搜尋的方 法。Nastar 等人 [2] 利用三維可變形亮度模式建立一個形狀與亮度變化的模 型，模型維度為XYI，模型建立使用主成分分析法。他們利用最接近點表面匹配 演算法(closest point surface matching algorithm)混合光流追蹤法與可變形 形狀匹配法執行追蹤。使得在變形物體的影像匹配上更穩定而且更有效率，對於 影像中因為遮蔽物遮蔽而被隱藏的區域可以模擬出原本的圖像。因為他們利用最 接近點表面匹配演算法，對於初始值的比重佔很大的因素。Lantis 等人 [3] 與 Edwards 等人 [4] 用主動式形狀模型(Active Shape Model)找到最好的形狀，
然後利用此形狀去與物體的紋理模型做比對。[3][4]使用標定點分佈模型 (Points Distribution Models)提供了一個在任何情況下能完整參數化地敘述形 狀，可以應用在不同解析度下，主動式形狀模型(Active Shape Model)搜尋中的 形狀定位。Poggio 等人 [5],[6]除了形狀與紋理上的預測，額外預測人臉姿勢 的變化情形。使用合成網路模組模擬人臉的姿勢，並根據隨機梯度遞減演算法 (stochastic gradient descent algorithm)開發適合合成網路模組應用的合成 分析演算法收斂人臉姿勢與人臉形狀紋理資料。Vetter [7] 使用一般的最佳化 方法讓高解析度的人臉模型與影像做匹配。其中使用3D人臉模型的線性物體分類 法(linear object class approach)產生多方向的人臉，形狀與紋理資訊分開處 理，形狀方面使用線性形狀近似調整人臉視角方向，紋理方面使用線性紋理近似 加入紋理的資訊。最後兩個方法因為問題維度過高與模型品質過高使得執行速度 較慢。在追蹤領域中，快速的模型匹配演算法是一個很熱門的議題，Gleicher [8]
利用一個可變形(利用很多變換如放射，投影等)單一模板，選擇參數使誤差最 小，此方法會先計算參數變化時對可變形單一模板的差分方程式。在追蹤上提出 誤差分解法(difference decomposition method):最佳化為基礎的方法，對於非 線性上的追蹤有較佳的穩定性，對於非線性上的追蹤搜尋的影像區域較小而且可
以分隔較多張後的影像也能穩定追蹤到。並且提出分段式的放射可變形單一模板 較單一放射可變形單一模版更能較佳的趨近變形的圖形。Hager 與 Belhumeur [9] 承 襲 Gleicher ， 加 上 光 影 變 化 的 模 型 使 穩 健 性 加 強 ， 其 最 佳 化 以 (sum-of-squared different SSD)為基礎，優點為可以克服光影變化所造成的追 蹤錯誤。Sclaroff 與 Isidoro [10] 使用有限元素低能量法，模型建立方面使 用彩色的紋理投影三角形網狀模型(texture-mapped triangular mesh model
)，
並使用主動式塗抹法(Active Blob Method)，追蹤以彩色為基礎紋裡豐富之物體 為目標，此方法已經用來追蹤頭部[11] 使用不變形的圓錐頭部模型。還有很多 電 腦 視 覺 技 術 例 子 結 合 形 狀 與 紋 理 的 模 型 然 後 與 新 的 影 像 做 匹 配 [1][12][13][14]T.F. Cootes 等 人 [1] 提 出 的 主 動 式 表 現 模 型 (Active Appearance Model)演算法，使用合併形狀與紋理的統計模型，接著在追蹤上，
使用模型與目標影像的差異去預測模型參數如何改變去的到最佳匹配，實驗上以 人臉為追蹤目標。被廣泛應用於各方面。 Hou XW 等人 [16] 以主動式表現模型 為基礎提出直接式表現模型，直接使用紋理資訊直接預測形狀與紋理與位置，而 且在新的人臉位置與紋理上的預測基礎使用模型與目標影像差異的主成分分析。
Song Gang等人[15]提出將
Lucas-Kanade 光 流 跟 蹤 演 算 法 與 人 臉 特 徵 點 定 位 的 统 计 模 型 DAM(direct appearance model)在Bayesian框架下结合起来,提出了视频中人脸特徵定位與 跟踪的一種混合模型方法。其中使用兩層直接表現模型DAM(direct appearance model)，分別為高解析度的直接表現模型與低解析度的直接表現模型，高解析度 的直接表現模型對於人臉的細節如五官變化…等能夠精確的模擬。而低解析度的 值皆表現模型能夠較穩定的追蹤人臉的位置。所以若高解析度的直接表現模型若 追蹤失敗，會以低解析度的直接模型追蹤找回失去的人臉再交由高解析度的直接 表現模型追蹤，增加人臉追蹤的穩定性。D. Cristinacce 等人 [17] 提出樣板 選取追蹤演算法(template Selection Tracker TST)，建立ㄧ組形狀與紋理資料 庫首先以紋理為基礎對資料庫做Nearest Neighbor Selection，選取最接近的幾 個資料，使用Nelder-Meade提出的A simplex method for function minimization 作形狀參數的最佳化，主要為儲存特徵樣板之後以形狀限制搜尋技術收斂形狀參
數定位人臉五官的位置。
本論文以主動式表現模型為基礎，在建立模型部分，將物體中變化較多樣且 可分別運作的部份獨立出來(如人臉中的眼睛與嘴巴部分)，分別去做主動式外表 模型。在追蹤演算法中，因為執行速度上的要求，最佳化步驟中需要的預測因子 R 是由訓練資料得到。修改其中追蹤的步驟預測物體位置、大小、旋轉角度與形 狀與外表。其技術方法在第三章與第四章中有詳細的介紹。
3 第三章
區域性主動表現模型建模
在本章裡，說明區域性主動表現模型建立模型的方法，主要步驟為取出校正 過後(位置、尺寸、角度)的形狀資料與校正(數量、亮度)過後的紋理資料，將形 狀與紋理參數分離成眼睛、嘴巴與其他部分三個不同的資料群，接著利用主成份 分析法將各部份選取重要資訊，建立模型。