人脸轮廓提取是人脸特征检测和人脸识别等人脸图像分析的重要前提。由于人脸形状的多样性和复杂性，在使用刚性模型提取轮廓时会遇到很大困难，而常规的边缘检测算子得到的边缘是不连续的。针对这些诸多难点，作者利用活动轮廓模型提取任意轮廓的优势来解决人脸轮廓提取问题，从而克服经典方法的不足。 活动轮廓模型(Active Contour Model)的发展是Kass，Witkin和Terzopoulos工作的成果，他们提供了一种可以应用于图像分析中各种问题的解决方法。活动轮廓模型可以用于图像分割和理解，也可以用于动态图像数据的分析。活动轮廓模型，也称为Snake模型，被定义为能量达到最小值的曲线——Snake的能量是根据它的形状和在图像中的位置确定的。该能量的局部极小值是与期望得到的图像属性相关的。Snake可以被理解为一种更为一般的变形模板匹配模型技术的特殊情况，后者也是使用能量最小化的思想。Snake并不能完全解决在图像中寻找轮廓的问题，实际上，它们依靠其他机制，比如与用户交互，与一些更高级的图像理解处理方法交互，或是利用在时间或是空间上邻近的图像数据的信息。这个交互必须为Snake具体指定一个估计的形状和开始的位置，通常在期望得到的轮廓的附近。这时使用先验信息将Snake向着合适的解的位置移动。不像大多数其他的图像模型那样，Snake是活动(Active)的，总是最小化它的能量函数，因此表现出一种动态特性。四川大学工程硕士学位论文基于活动轮廓模型的人脸轮廓提取方法的研究 作者在前人的研究成果的基础上，采用活动轮廓(Snake)模型实现人脸轮廓提取算法，完成了应用系统设计开发，并最终得到初步的实验结果。本文的思想是根据人脸的投影映射规则确定人脸所在的外接矩形，然后根据图像中人脸的先验知识，将Snake放在感兴趣的图像区域作为初始曲线，采用一种改进的Snake算法精确提取人脸轮廓。实验表明，利用Snake模型来快速提取人脸轮廓是有效的，相对于经典方法有着无可比拟的优点。但存在的问题是，首先对初始位置敏感，需要依赖其他机制将Snake放置在感兴趣的图像特征附近;其次由于Snake模型本身的缺陷，它有可能收敛到局部极值点，甚至发散;而且对光照很敏感。关健词:活动轮廓模型:Snake模型;人脸轮廓提取;贪婪算法