基于唇部检测与跟踪的智能轮椅控制方法 技术领域 本发明涉及智能轮椅人机控制方法， 特别涉及一种图像处理与智能轮椅控制相结 合的基于唇部检测与跟踪的智能轮椅控制方法。
背景技术 联合国发表报告指出， 在 21 世纪上半叶， 老年人口将增加 2.3 倍， 老年人口占总人 口的比例将达到 20％， 全世界人口老龄化进程正在加快， 今后 50 年内， 60 岁以上的人口比 例预计将会翻一番。随着社会老龄化进程的加快以及由于各种灾难、 疾病、 工伤、 交通事故 等原因造成下肢损伤的残障人数的增加， 为老年人和残疾人提供性能优越的代步工具已成 为整个社会重点关注的问题之一。智能轮椅作为一种服务机器人， 具有自主导航、 避障、 人 机交互以及提供特种服务等多种功能， 可以大大提高老年人和残疾人的日常生活和工作质 量， 使他们重新获得生活自理能力和融入社会成为可能。 目前， 世界各国的研究者都在广泛 开展智能轮椅相关技术的研究。作为机器人技术的一种应用平台， 智能轮椅上融合了机器
人研究领域的多种技术， 包括运动控制、 机器视觉、 模式识别、 多传感器信息融合以及人机 交互等等。经过 20 多年的研究和开发， 智能轮椅的交互性、 自主性以及安全性都得到了很 大的发展。
因此急需一种直接使用自然语言来实现了人机自然交互控制， 使老年人或者有行 动限制的残疾人通过自然语言实现对智能轮椅的基本控制。 发明内容 有鉴于此， 为了解决上述问题， 本发明提出一种直接使用自然语言来实现了人机 自然交互控制， 使老年人或者有行动限制的残疾人通过自然语言实现对智能轮椅的基本控 制； 这种控制方法不需要智能轮椅的使用者学习机器语言。
本发明的目的是这样实现的 ：
本发明提供的基于唇部检测与跟踪的智能轮椅控制方法， 包括以下步骤 ：
S1 ： 输入通过摄像头获取的人脸图像序列 ；
S2 ： 从人脸图像中分割出唇部轮廓 ；
S3 ： 提取唇部轮廓图像特征 ；
S4 ： 对唇部特征建模与识别 ；
S5 ： 通过唇部图像识别结果来控制智能轮椅运动控制。
进一步， 所述唇部轮廓分割采用主动外观模型法 AAM， 所述主动外观模型法 AAM 包 括以下步骤 ：
S21 ： 构建形状模型并通过获取唇部轮廓形状关键特征点来构建外形向量 ；
S22 ： 构建纹理模型并建立纹理模型参数的变化之间的联系 ；
S23 ： 将形状模型和纹理模型合理的结合起来， 从而合成新图像 ；
进一步， 所述 S21 中形状模型建立包括以下步骤 ：
S211 ： 将每个外形样本的外形向量的重心平移至坐标原点， 所述外形向量重心通 过以下公式获得 ：
式中表示外形向量的重心， (xj， yj) 表示第 j 个外形向量的重心， n 表示训练集中的样本个数 ；
S212 ： 计算并归一化第一个外形样本的外形尺寸， 把它作为外形样本的当前平均 外形向量的初始估计
所述外形样本的外形尺寸通过以下公式计算 ：式中 R(S) 表示外形样本的外形尺寸 ； S213 ： 将选取的外形样本与当前平均外形向量对齐 ； S214 ： 计算所有对齐后的外形样本的平均外形向量， 把它作为现有平均外形向量；
S215 ： 计算当前平均外形向量和现有平均外形向量的距离， 如果距离小于预设误 差值 ε， 则跳转到 S213 ； 所述两个不同外形向量 S1 和 S2 之间的距离通过以下公式计算 ：
式中表示两个不同外形向量之间的距离 ；S216 ： 如果距离大于或等于预设误差值 ε， 则转入下一步 S217 ； S217 ： 建立外形向量模型， 所述外形向量模型通过以下公式建立 ： 其中， 为平均外形向量， 矩阵 Ps 由外形向量 S 的协方差矩阵的特征向量构成的矩 范围内的值， 其中 λi 是外形向量协方差矩阵的特征值 ； 进一步， 所述 S213 中外形向量对齐包括以下步骤 ： S2131 ： 计算每个外形向量的重心 ； S2132 ： 缩放两个外形向量的尺寸 ； S2133 ： 重叠两个外形向量的重心 ； S2134 ： 旋转两个外形向量的角度 ； 进一步， 所述 S22 中纹理模型建立包括以下步骤 ： S221 ： 建立外形样本和平均外形之间像素对应的纹理样本集 ； S222 ： 选择纹理样本集中一个纹理样本作为初始的平均纹理 并对它进行标准的阵， 向量 bs 为外形参数， bs 的不同值代表了外形向量的不同变化， bs 的各维元素值 bsi 是处 于
归一化处理 ；
S223 ： 计算每一个纹理样本的方差、 像素纹理平均， 然后归一化， 形成当前平均纹 理；
所述方差通过以下公式进行计算 ：
式中， gimage 是从图像中获取的实际纹理样本 ； 所述像素纹理平均通过以下公式进行计算 ：式中， σ 表示方差， gi 表示从图像中获取的实际纹理样本中的第 i 个像素， 表示平均纹理， m 表示图像的像素点个数 ；
S224 ： 计算归一化后的纹理样本的平均纹理， 作为现有平均纹理，
其中， gimage 是从图像中获取的实际纹理样本， gnorm 是归一化后的纹 为纹理样本，σ 为方差 ；
S225 ： 计算当前平均纹理和现有平均纹理之间的距离， 如果距离小于预设值， 则转 入步骤 2 ；
S226 ： 如果距离大于或等于预设值， 则转入下一步 ；
S227 ： 建立纹理模型， 所述纹理模型通过以下公式建立 ：
其中 是归一化后的平均纹理， Pg 是特征矩阵， bg 是纹理模型参数， 变化纹理模型 范围内参数 bg 中元素的值可以得到不同的纹理， 分别变化向量 bg 的第一维元素 bg0 和第二维元素 bg1， 其它维元素值都保持为 0 时得到的不同纹理， bg 的各维元素值 bgi 为处于 的值， 其中 λi 是纹理协方差矩阵的特征值 ； 进一步， 所述步骤 S221 中包括以下步骤 ：
S2211 ： 将外形向量模型中的平均外形向量进行三角化剖分， 形成平均人脸唇部三 角形区域集合 ；
S2212 ： 建立平均外形和外形样本三角形区域之间的对应关系， 将训练集中的每个 外形样本进行三角化剖分， 通过对外形中每个三角形的变形实现整个人脸唇部图像向平均 外形的变形 ；
S2213 ： 建立三角形区域内部点集对应关系， 通过以下公式进行 ：
p′＝ αp′ 1+βp′ 2+γp′ 3
式中， p(x， y) 表示三角形区域 T1 中对应的点， p 表示三角形区域 T2 中对应的点， P1(x1， y1)， P2(x2， y2)， P3(x3， y3) 为三角形区域 T1 的三个项点， p′ 1(x′ 1， y′ 1)， p′ 2(x′ 2， y′ 2)， p′ 3(x′ 3， y′ 3) 是三角形区域 T2 的顶点， 且与 P1(x1， y1)， P2(x2， y2)， P3(x3， y3) 一一 对应，
式中， 系数 (α， β， γ) 通过解三角形区域 T1 内部点表达式获得 ：
其中 0 ≤ α， β， γ≤1； 进一步， 所述步骤 S4 中的唇部图像识别包括以下步骤 ： S41 ： 首先对唇部图像进行预处理 ；S42 ： 标定唇部轮廓图像的特征位置 ；
S43 ： 合成新的唇部轮廓图像 ；
S44 ： 提取唇部轮廓图像特征 ；
S45 ： 对唇部轮廓图像特征进行识别，
具体包括以下步骤 ：
S451 ： 将嘴唇特征作为输入向量输入隐马尔科夫分类器 ；
S452 ： 所述隐马尔科夫分类训练过程采用 Baum-Welch 算法进行 ；
S453 ： 所述隐马尔科夫分类识别过程采用的是 Viterbi 算法 ；
进一步， 所述步骤 S43 中的合成新的唇部轮廓图像包括以下步骤 ：
S431 ： 从训练集中任选一幅标记好特征点的人脸图像作为原始图像， 将原始图像 的形状向量与平均人脸的形状向量对齐， 设对齐后的形状向量为 S0 ；
S432 ： 利用统计形状模型得到与该唇部图像相对性的形状参数 ；
S433 ： 把原始图像的纹理向量变形到平均嘴唇上， 并对变形后的纹理向量进行归 一化处理， 得到原始图像归一化形状无关的纹理向量 g0 ；
S434 ： 利用统计纹理模型得到与该唇部图像相对应的纹理参数 bg ；
S435 ： 把 bs 和 bg 按照一定的权值结合生成参数 b， 进而通过统计外观模型得到原 始图像的外观参数 c ；
S436 ： 得到表现模型参数 c 后， 利用公式生成新的图像的形状向量 S1 和归一化的 形状无关的纹理向量 g1 ；
S437 ： 对形状向量 S1 进行仿射变换， 以消除对齐时对它的影响 ；
S438 ： 将纹理向量 g1 变形到形状向量 S1 上， 并对纹理值进行恢复处理， 使其值的范 围从归一化后的 0-1， 恢复到原始图像的真是灰度值的大小 ；
进一步， 所述步骤 S44 中的特征提取是通过将主动外观模型法 AAM 获得的新图像 与合成图像进行循环迭代， 从而获得新图像的形状特征和纹理特征 ； 具体包括以下步骤 ：
S441 ： 学习灰度差向量 δI 和模型参数之差 δc 之间的关系， 所述关系通过以下公 式表示 ： δc ＝ AδI，
其中， A 表示， c 表示当前模型参数， δc 表示模型参数之差， δI 表示灰度差值向 量， δI 的计算公式为 ： δI ＝ It-Im， 式中， It 为当前图像的纹理向量， Im 是由当前模型参数 生成的纹理向量 ；
S442 ： 生成模型参数变化与纹理向量差值对应关系的实例， 利用训练得到的实例， 在迭代过程中最小化 Δ， Δ 表示模型参数差值 δI 的绝对值， Δ ＝ |δI|2 ；
S443 ： 通过对 δc 和 δI 进行多元线性回归分析并计算出 A，
所述 A 的计算具体包括以下步骤 ：
S4431 ： 通过以下公式计算出合成图像和目标图像之间的差值， 并作为目标函数 ： 2 2
Δ ＝ ||δg|| ＝ ||gs-gm||
其中， gs 是目标图像根据当前形状 s 形变到平均形状得到的纹理向量， gm 是根据 当前外观参数 c 生成的纹理向量 ；
S4432 ： 通过以下公式确定模型参数变化 δc、 仿射变换参数变化 δθ 与纹理差值 向量 δg 之间的关系 ：δc ＝ Rcδg
δθ ＝ Rθδg，
其中， θ 为仿射变换参数 (s， θ， tx， ty)， s 是缩放参数， θ 是旋转参数， (tx， ty) 是 平移参数 ；
S4433 ： 确定矩阵 Rc 和 Rθ， 通过逐个定量的调整 c 和 θ 中的每一个分量并记录每 次调整后所生成的图像同当前形状所覆盖的图像的差异， 然后利用多元线性回归来获得 Rc 和 Rθ，
具体包括以下步骤 ：
S44331 ： 将模型参数 c 做一个定量的扰动 δc ；
S44332 ： 更新当前的模型参数为 c ＝ c+δc ；
S44333 ： 由新的外观参数 c 计算新的形状向量 s 和归一化的纹理向量 gm，
S44334 ： 根据形状向量 s， 用步骤 S44331 到 S44333 的方法得到纹理向量 gs ；
S44335 ： 计算纹理向量 gs 和 gm 之差 ： δg ＝ gs-gm ；
S44336 ： 改变模型参数 δc， 可分别得到相应的 δg， 通过对应矩阵 δc 和 δg， 应 用多元线性回归分析得到 Rc ； S44337 ： 通过步骤 S44331-S44336， 用多元线性回归分析得到 Rθ ；
进一步， 所述步骤 S441 中灰度差值的计算， 包括以下步骤 ：
S4411 ： 获取当前图像的模型参数 c0 ；
S4412 ： 获取模型参数 c0 的改变量 δc， 满足以下公式 ： c ＝ δc+c0， 式中， c 表示当 前模型参数 ；
S4413 ： 由当前模型参数 c 产生新的形状样本 s 和归一化的纹理样本 gm ；
S4414 ： 根据 s 对图像进行变形并且取其相应区域变形内的纹理向量 gs ；
S4415 ： 通过以下公式来计算纹理样本 gm 和纹理向量 gs 的差 ：
δg ＝ gs-gm ； 式中， δg 表示纹理样本和纹理向量的差 ；
S4416 ： 改变模型参数 δc 和形状 s 的姿态参数 (sx， s y， t x， ty)， 应用多元线性回归 分析法分别得到对应的纹理向量 gs， 其中， (sx， sy， tx， ty) 表示姿态参数， 所述姿态参数是指 缩放尺度和旋转角度。
本发明的优点在于 ： 采用基于唇部检测与跟踪来控制轮椅， 可以使老年人或者有 行动限制的残疾人通过自然语言实现对智能轮椅的基本控制， 这种控制方法不需要智能轮 椅的使用者学习机器语言， 直接使用自然语言， 实现了人机自然交互。
本发明用主动外观模型 AAM 法提取自然语言唇部区域的轮廓和运用隐马尔可夫 模型 HMM 来训练识别， 最终实现唇部检测与跟踪对智能轮椅的运动控制， 该方法是一种快 速的、 鲁棒性高的人唇部检测方法， 能够从图像中准确定位到唇部关键部位的特征点， 实现 了唇部检测和跟踪对智能轮椅的运动控制。
本发明的其它优点、 目标和特征在某种程度上将在随后的说明书中进行阐述， 并 且在某种程度上， 基于对下文的考察研究对本领域技术人员而言将是显而易见的， 或者可 以从本发明的实践中得到教导。本发明的目标和其它优点可以通过下面的说明书， 权利要 求书， 以及附图中所特别指出的结构来实现和获得。
附图说明 为了使本发明的目的、 技术方案和优点更加清楚， 下面将结合附图对本发明作进 一步的详细描述， 其中 ：
图 1 为智能轮椅控制系统 ；
图 2 为基于唇部检测与跟踪的智能轮椅控制方法流程图 ；
图 3 为训练集中外形向量的对齐过程 ；
图 4 为外形模型的建立 ；
图 5 为对人脸唇部外形进行三角剖分 ；
图 6 为纹理模型 ；
图 7 为人脸唇部图像的标定 ；
图 8 为图像重构结果 ；
图 9 为不同人复杂背景下的检测结果 1 ；
图 10 为不同人复杂背景下的检测结果 2。
具体实施方式 以下将结合附图， 对本发明的优选实施例进行详细的描述 ； 应当理解， 优选实施例 仅为了说明本发明， 而不是为了限制本发明的保护范围。
图 1 为智能轮椅控制系统， 如图所示 ： 包括通过摄像头获取图像序列、 图像处理器 和智能轮椅， 本发明所用的图像处理过程采用台式计算机或者其他种类的计算机， 还可以 通过 DSP 或者其他微型处理器来完成， 通过图像处理后产生控制命令， 然后控制智能轮椅 的移动。
图 2 为基于唇部检测与跟踪的智能轮椅控制方法流程图， 如图所示 ： 本发明提供 的基于唇部检测与跟踪的智能轮椅控制方法， 包括以下步骤 ：
S1 ： 输入通过摄像头获取的人脸图像序列 ；
S2 ： 从人脸图像中分割出唇部轮廓 ；
S3 ： 提取唇部轮廓图像特征 ；
S4 ： 对唇部特征建模与识别 ；
S5 ： 通过唇部图像识别结果来控制智能轮椅运动控制。
作为上述实施例的进一步改进， 所述唇部轮廓分割采用主动外观模型法 AAM， 所述 主动外观模型法 AAM 包括以下步骤 ：
S21 ： 构建形状模型并通过获取唇部轮廓形状关键特征点来构建外形向量 ；
S22 ： 构建纹理模型并建立纹理模型参数的变化之间的联系 ；
S23 ： 将形状模型和纹理模型合理的结合起来， 从而合成新图像。
图 3 为训练集中外形向量的对齐过程， 图 4 为外形模型的建立， 如图所示， 作为上 述实施例的进一步改进， 所述 S21 中形状模型建立包括以下步骤 ：
S211 ： 将每个外形样本的外形向量的重心平移至坐标原点， 所述外形向量重心通 过以下公式获得 ：
式中表示外形向量的重心， (xj， yj) 表示第 j 个外形向量的重心， n 表示训练集中的样本个数 ；
S212 ： 计算并归一化第一个外形样本的外形尺寸， 把它作为外形样本的当前平均 所述外形样本的外形尺寸通过以下公式计算 ：外形向量的初始估计
式中 R(S) 表示 ； S213 ： 将选取的外形样本与当前平均外形向量对齐 ； S214 ： 计算所有对齐后的外形样本的平均外形向量， 把它作为现有平均外形向量；
S215 ： 计算当前平均外形向量和现有平均外形向量的距离， 如果距离小于预设误 差值 ε， 则跳转到 S213 ； 所述两个不同外形向量 S1 和 S2 之间的距离通过以下公式计算 ：
式中表示 ；S216 ： 如果距离大于或等于预设误差值 ε， 则转入下一步 S217 ； S217 ： 建立外形向量模型， 所述外形向量模型通过以下公式建立 ： 其中， 为平均外形向量， 矩阵 Ps 由外形向量 S 的协方差矩阵的特征向量构成的矩 范围内的值， 其中 λi 是外形向量协方差矩阵的特征值。阵， 向量 bs 为外形参数， bs 的不同值代表了外形向量的不同变化， bs 的各维元素值 bsi 是处 于
作为上述实施例的进一步改进， 所述 S213 中外形向量对齐包括以下步骤 ：
S2131 ： 计算每个外形向量的重心 ；
S2132 ： 缩放两个外形向量的尺寸 ；
S2133 ： 重叠两个外形向量的重心 ；
S2134 ： 旋转两个外形向量的角度。
图 5 为对人脸唇部外形进行三角剖分 ； 图 6 为纹理模型 ； 如图所示， 作为上述实施 例的进一步改进， 所述 S22 中纹理模型建立包括以下步骤 ：
S221 ： 建立外形样本和平均外形之间像素对应的纹理样本集 ；
S222 ： 选择纹理样本集中一个纹理样本作为初始的平均纹理并对它进行标准的归一化处理 ；
S223 ： 计算每一个纹理样本的方差、 像素纹理平均， 然后归一化， 形成当前平均纹 理；
所述方差通过以下公式进行计算 ：
式中， gimage 是从图像中获取的实际纹理样本 ； 所述像素纹理平均通过以下公式进行计算 ：式中， σ 表示方差， gi 表示从图像中获取的实际纹理样本中的第 i 个像素， 表示平均纹理， m 表示图像的像素点个数 ；
S224 ： 计算归一化后的纹理样本的平均纹理， 作为现有平均纹理，
其中， gimage 是从图像中获取的实际纹理样本， gnorm 是归一化后的纹 为纹理样本，σ 为方差 ；
S225 ： 计算当前平均纹理和现有平均纹理之间的距离， 如果距离小于预设值， 则转 入步骤 2 ；
S226 ： 如果距离大于或等于预设值， 则转入下一步 ；
S227 ： 建立纹理模型， 所述纹理模型通过以下公式建立 ：
其中 是归一化后的平均纹理， Pg 是特征矩阵， bg 是纹理模型参数， 变化纹理模型 范围内参数 bg 中元素的值可以得到不同的纹理， 分别变化向量 bg 的第一维元素 bg0 和第二维元素 bg1， 且其它维元素都保持为 0 时得到的不同纹理， bg 的各维元素值 bgi 为处于 的值， 其中 λi 是纹理协方差矩阵的特征值。 作为上述实施例的进一步改进， 所述步骤 S221 中包括以下步骤 ：
S2211 ： 将外形向量模型中的平均外形向量进行三角化剖分， 形成平均人脸唇部三 角形区域集合 ；
S2212 ： 建立平均外形和外形样本三角形区域之间的对应关系， 将训练集中的每个 外形样本进行三角化剖分， 通过对外形中每个三角形的变形实现整个人脸唇部图像向平均 外形的变形 ；
S2213 ： 建立三角形区域内部点集对应关系， 通过以下公式进行 ：
p′＝ αp′ 1+βp′ 2+γp′ 3
式中， p(x， y) 表示三角形区域 T1 中对应的点， p′表示三角形区域 T2 中对应的点， P1(x1， y1)， P2(x2， y2)， P3(x3， y3) 为三角形区域 T1 的三个项点， p′ 1(x′ 1， y′ 1)， p′ 2(x′ 2， y′ 2)， p′ 3(x′ 3， y′ 3) 是三角形区域 T2 的顶点， 且与 P1(x1， y1)， P2(x2， y2)， P3(x3， y3) 一一 对应，
式中， 系数 (α， β， γ) 通过解三角形区域 T1 内部点表达式获得 ：
其中 0 ≤ α， β， γ ≤ 1。
图 7 为人脸唇部图像的标定 ； 图 8 为图像重构结果 ； 图 9 为不同人复杂背景下的检 测结果 1 ； 图 10 为不同人复杂背景下的检测结果 2， 作为上述实施例的进一步改进， 所述步 骤 S4 中的唇部图像识别包括以下步骤 ：
S41 ： 首先对唇部图像进行预处理 ；
S42 ： 标定唇部轮廓图像的特征位置 ；
S43 ： 合成新的唇部轮廓图像 ；
S44 ： 提取唇部轮廓图像特征 ；
S45 ： 对唇部轮廓图像特征进行识别。
作为上述实施例的进一步改进， 所述步骤 S43 中的合成新的唇部轮廓图像包括以 下步骤 ：
S431 ： 从训练集中任选一幅标好特征点的人脸图像作为原始图像， 将原始图像的 形状向量与平均人脸的形状向量对齐， 设对齐后的形状向量为 S0 ；
S432 ： 利用统计形状模型得到与该唇部图像相对性的形状参数 ；
S433 ： 把原始图像的纹理向量变形到平均嘴唇上， 并对变形后的纹理向量进行归 一化处理， 得到原始图像归一化形状无关的纹理向量 g0 ；
S434 ： 利用统计纹理模型得到与该唇部图想相对应的纹理参数 bg ；
S435 ： 把 bs 和 bg 按照一定的权值结合起来生成参数 b， 进而通过统计外观模型得 到原始图像的外观参数 c ；
S436 ： 得到表现模型参数 c 后， 利用公式生成新的图像的形状向量 S1 和归一化的 形状无关的纹理向量 g1 ； S437 ： 对形状向量 S1 进行仿射变换， 以消除对齐时对它的影响 ；
S438 ： 将纹理向量 g1 变形到形状向量 S1 上， 并对纹理值进行恢复处理， 使其值的范 围从归一化后的 0-1， 恢复到原始图像的真是灰度值的大小。
作为上述实施例的进一步改进， 所述步骤 S44 中的特征提取是通过将主动外观模 型法 AAM 获得的新图像与合成图像进行循环迭代， 从而获得新图像的形状特征和纹理特 征； 具体包括以下步骤 ：
S441 ： 学习灰度差向量 δI 和模型参数之差 δc 之间的关系， 所述关系通过以下公 式表示 ： δc ＝ AδI，
其中， A 表示， c 表示当前模型参数， δc 表示模型参数之差， δI 表示灰度差值向 量， δI 的计算公式为 ： δI ＝ It-Im， 式中， It 为当前图像的纹理向量， Im 是由当前模型参数 生成的纹理向量 ；
S442 ： 生成模型参数变化与纹理向量差值对应关系的实例， 利用训练得到的实例， 在迭代过程中最小化 Δ， Δ 表示模型参数差值 δI 的绝对值， Δ ＝ |δI|2 ；
S443 ： 通过对 δc 和 δI 进行多元线性回归分析并计算出 A。
作为上述实施例的进一步改进， 所述步骤 S441 中灰度差值的计算， 包括以下步 骤：
S4411 ： 获取当前图像的模型参数 c0 ；
S4412 ： 获取模型参数 c0 的改变量 δc， 满足以下公式 ： c ＝ δc+c0， 式中， c 表示当 前模型参数 ；
S4413 ： 由当前模型参数 c 产生新的形状样本 s 和归一化的纹理样本 gm ；
S4414 ： 根据 s 对图像进行变形并且取其相应区域变形内的纹理向量 gs ；
S4415 ： 通过以下公式来计算纹理样本 gm 和纹理向量 gs 的差 ：
δg ＝ gs-gm ； 式中， δg 表示 ；
S4416 ： 改变模型参数 δc 和形状 s 的姿态参数 (sx， s y， t x， ty)， 应用多元线性回归 分析法分别得到对应的纹理向量 gs，
其中， (sx， t y， t x， ty) 表示姿态参数， 所述姿态参数是指缩放尺度和旋转角度， 其中 sx ＝ scos(θ) 表示， sy ＝ ssin(θ) 表示 ； tx 表示， ty 表示 ；
作为上述实施例的进一步改进， 所述步骤 S443 中 A 的计算包括以下步骤 ：
S4431 ： 通过以下公式计算出合成图像和目标图像之间的差值， 并作为目标函数 ： 2 2
Δ ＝ ||δg|| ＝ ||gs-gm||
其中， gs 是目标图像根据当前形状 s 形变到平均形状得到的纹理向量， gm 是根据 当前外观参数 c 生成的纹理向量 ；
S4432 ： 通过以下公式确定模型参数变化 δc、 仿射变换参数变化 δθ 与纹理差值 向量 δg 之间的关系 ：
δc ＝ Rcδg
δθ ＝ Rθδg，
其中， θ 为仿射变换参数 (s， θ， tx， ty)， s 是缩放参数， θ 是旋转参数， (tx， ty) 是 平移参数 ； S4433 ： 确定矩阵 Rc 和 Rθ， 通过逐个定量的调整 c 和 θ 中的每一个分量并记录每 次调整后所生成的图像同当前形状所覆盖的图像的差异， 然后利用多元线性回归来获得 Rc 和 Rθ。
作为上述实施例的进一步改进， 所述步骤 S4433 中的多元线性回归分析， 包括以 下步骤 ：
S44331 ： 将模型参数 c 做一个定量的扰动 δc ；
S44332 ： 更新当前的模型参数为 c ＝ c+δc ；
S44333 ： 由新的外观参数 c 计算新的形状向量 s 和归一化的纹理向量 gm，
S44334 ： 根据向量 s， 用步骤 S44331 到 S44333 的方法得到纹理向量 gs ；
S44335 ： 计算纹理向量 gs 和 gm 之差 ： δg ＝ gs-gm ；
S44336 ： 改变模型参数 δc， 可分别得到相应的 δg， 通过对应矩阵 δc 和 δg， 应 用多元线性回归分析得到 Rc ；
S44337 ： 通过步骤 S44331-S44336， 用多元线性回归分析得到 Rθ。
作为上述实施例的进一步改进， 所述步骤 S45 对唇部轮廓图像特征进行识别， 包 括以下步骤 ：
S45 ： 将嘴唇特征作为输入向量输入隐马尔科夫分类器 ；
S45 ： 所述隐马尔科夫分类训练过程采用 Baum-Welch 算法进行 ；
S45 ： 所述隐马尔科夫分类识别过程采用的是 Viterbi 算法。
以上所述仅为本发明的优选实施例， 并不用于限制本发明， 显然， 本领域的技术人 员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样， 倘若本发明的 这些修改和变型属于本发明权利要求及其等同技术的范围之内， 则本发明也意图包含这些 改动和变型在内。