AAM (Active Appearance Model)主动外观模型

AAM (Active  Appearance  Model)是广泛应用于模式识别领域的一种特征点
提取方法[26]。基于 AAM 的人脸特征定位方法在建立人脸模型过程中，不但考虑
局部特征信息，而且综合考虑到全局形状和纹理信息，通过对人脸形状特征和纹
理特征进行统计分析，建立人脸混合模型，即为最终对应的 AAM 模型。在图像的
匹配过程中，为了能够既快速又准确地进行人脸特征标定，在对被测试人脸对象
进行特征点定位时采取一种图像匹配拟合的方法，可形象概括为“匹配→比较→
调整再匹配→再比较”的过程。AAM 是随着相关领域的发展不断成熟起来的，
关于 AAM 模型的研究可分为以下三个重要阶段： 
第一阶段，Snake 算法。AAM 思想的最初产生可追溯到 1987 年 Kass 等人提
出的 Snake算法，它是一种主要用于边界检定与图像分割的方法。该方法用一条
由n 个控制点组成的连续闭合曲线作为 Snake 模型，再用一个能量函数作为匹配
度的评价函数。用该方法进行特征定位时，首先将模型设定在目标对象预估位置
的周围，再通过迭代使能量函数最小化，当内外能量达到平衡时即得到目标对象
的边界与特征。Snake 方法提出的利用模型和能量函数进行匹配的思想是 AAM 思
想的最初来源。 
第二阶段，可变模板。1989 年由 Yuille等人提出使用参数化可变模板来定
位特征。该方法同样使用了一个能量函数作为匹配度评价函数，采用一种比 Snake
模型复杂的方法，准确地表征对象的形状。在定位过程中，先将特征的可变模板
移动到被测对象的附近，再逐步完成对可变模板完成尺寸、偏转角度以及位置和
形状的微调，通过设定不同的权值而最终实现能量函数的最小化。可变形模板的
提出为 AAM 的产生奠定了理论基础。 
第三阶段，ASM 和 AAM 算法。1995 年由 Cootes 等人提出的主动形状模型
( Active Shape Model, ASM )是 AAM 的直接前身，ASM 算法利用参数化的采样
形状来构成对象形状模型，并利用 PCA(Principal Component Analysis)方法建立
描述形状特征点的运动模型，再利用一组参数来控制形状特征点的位置变化，从
而获得当前对象的形状。但该算法只单纯利用了对象的形状，因此准确率不高。
1998 年，Cootes 等人在 ASM 算法的基础上首次提出 AAM的概念。 
类似于 ASM，AAM 也是在对训练数据进行统计分析的基础上，首先建立人
脸模型，然后利用先验模型对图像中的目标物体进行匹配运算。与 ASM 的不同之
处是它不仅利用形状信息，而且对重要的脸部纹理信息也进行统计分析，并试
图找出形状与纹理之间的联系。纹理信息一般是对象的像素。 
基于 AAM 的人脸特征标定与识别有广阔的应用领域，如新一代人机交互、人
脸识别、人脸表情分析、人脸三维动画建模、人脸图像编码等等。 
(1) 新一代人机交互。该技术通过捕捉、整合来自人脸面部图像、声音、触觉
等多通道信号来获取人的身份、状态、意图等相关信息，进而让计算机主动为用
户服务。人脸是表征人身份，传递状态和意图的重要途径，最大限度地利用计算
机视觉系统获取人脸信息，对新一代人机交互有重要意义。基于 AAM 的人脸特征
标定与识别算法能快速准确地获得人脸特征点的位置，从而获取人脸特征信息。 
(2) 人脸识别。该技术是利用计算机分析人脸图像，进而从中提取有效的
识别信息，用来“辨认”人脸对象的身份。目前人脸识别的方法有很多，其中比
较直观、应用比较多的是基于特征分析的方法，这种方法中一个关键步骤就是得
到人脸面部的特征信息。基于 AAM 的人脸特征标定与识别算法能够准确定位到面
部器官的特征点位置，因此在人脸识别领域得到了广泛应用。 
(3) 人脸表情分析。该技术是对人脸的表情信息进行特征提取分析，利用人
类所具有的情感信息方面的先验知识使计算机进行联想、思考及推理，进而分析
理解人的情绪，例如：快乐、惊奇、愤怒、恐惧、厌恶、悲伤等。基于特征点的
表情提取方法要求应用特征点算法进行标定，因此基于 AAM 的人脸标定与识别平
台能为快速有效的进行人脸表情分析做重要的基础性工作。 
(4) 人脸三维动画建模。该技术是通过计算机图形学手段，根据人脸面部的结
构和属性，构建与预期一致的虚拟人脸三维动画模型。它要求能准确快速获取人
脸特征信息，这就离不开人脸特征点定位技术。利用基于 AAM 的人脸标定与识别
算法，可利用 AAM 建模获得形状和表观参数组，从而使人脸具有很强的表征能力，
且有利于快速重建对应原始人脸图形的三维动画模型。 
(5) 人脸图像编码。该技术是通过编码技术将人脸图形信息进行有效地压缩，
并且编制成能在信息媒介上传输的形式。基于 AAM 的人脸特征匹配标定算法能够
将人脸的纹理和形状信息利用相应维数较低的参数组来进行表征，如果将参数组
编码后传输，然后重新构建人脸图像，也能实现图像传输的目的，对于这个网络
信息膨胀但是网络资源有限的时代来说无疑有更加重大的意义。 
综上所述，基于 AAM 的人脸特征标定与识别方法已经成为了当今人脸特征点
定位领域里一新兴研究算法，代表了未来发展方向的重要算法之一，因此研究基
于 AAM 的人脸特征标定与识别方法具有重要意义。 

AAM 算法主要分为 AAM 建模和 AAM 匹配计算两部分。AAM 建模所建立的
模型是对象的主动表观模型。所谓表观模型，就是在 AAM 形状模型的基础上结合
所提取人脸对象的纹理信息建立起来的人脸模型；“主动”一词则形象具体地体现
在 AAM 匹配计算中。首先，采用 PCA(Principal Component Analysis)方法来描
述形状特征点的动态变化，形状特征点表明了人脸特征的位置；其次，以具体 AAM
模型实例与输入图像的均方差来定义一个能量函数，利用该能量函数来评价 AAM
的匹配程度，在人脸定位匹配的过程中，根据模型的线性表达式通过有效的匹配
算法变化模型参数组，从而控制形状特征点的位置变化来生成当前新的 AAM 模型
实例；再次，利用当前得到的能量函数值来更新模型的参数，如此反复迭代以实
现能量函数的最小化，从而达到模型实例与输入图像相匹配的目的，最终得到的
形状特征点位置就描述了当前人脸图像的特征点位置。AAM 的匹配算法从最初的
基于梯度下降算法的匹配计算，发展到基于线性假定的 AAM 匹配计算，再到现在
的基于 Lucas-Kanade 算法的反向组合 AAM 匹配算法，都在匹配精度和效率
上有了很大提高。 

AAM 建模是指建立对象的动态表观模型，而 AAM 模型实例指将 AAM 的
表观模型通过仿射变换映射到对应的形状实例中，从而得到描述当前对象的当前
模型。AAM 建模在 AAM 中起着至关重要的基础作用，本节分别从标定训练集与
形状对齐、形状建模、纹理建模和生成混合模型四部分来介绍 AAM 的建模过程 。