人臉特征點(diǎn)定位方法的研究.pdf

1、隨著計(jì)算機(jī)視覺(jué)和模式識(shí)別領(lǐng)域的不斷發(fā)展，人臉識(shí)別研究受到了越來(lái)越多的關(guān)注。對(duì)人臉識(shí)別而言，人臉特征點(diǎn)定位至關(guān)重要。如何在圖像中快速、準(zhǔn)確地定位出人臉器官的特征點(diǎn)（如嘴角、鼻尖、眼球、下巴尖等）是人臉特征點(diǎn)定位算法的主要任務(wù)。到目前為止人臉特征點(diǎn)定位得到了廣泛和深入的研究，取得了許多實(shí)用性較強(qiáng)的研究成果。但是由于受姿態(tài)、光照、表情以及遮擋等問(wèn)題的影響，要實(shí)現(xiàn)魯棒和快速的人臉特征點(diǎn)定位仍然存在較大的困難。在上述研究背景下，本文系統(tǒng)、深入地對(duì)

2、人臉特征點(diǎn)定位問(wèn)題進(jìn)行了探討，提出了一些有針對(duì)性的人臉特征點(diǎn)定位算法，取得了令人滿意的研究成果。
　　本文的主要研究工作及其創(chuàng)新點(diǎn)如下:
　　1.利用概率隨機(jī)森林和級(jí)聯(lián)回歸相結(jié)合的方法，提出了一種基于局部概率特征(Local Probability Features，LPF)的人臉特征點(diǎn)定位算法。隨機(jī)森林是一種對(duì)數(shù)據(jù)具有強(qiáng)大泛化能力，對(duì)樣本具有強(qiáng)大分類(lèi)能力的決策方法，而級(jí)聯(lián)回歸則具有可穩(wěn)步逼近回歸目標(biāo)真實(shí)值的功能。首先，利用

3、訓(xùn)練樣本的統(tǒng)計(jì)特性計(jì)算局部概率特征;然后，用局部概率特征來(lái)訓(xùn)練回歸模型，使得預(yù)測(cè)結(jié)果逼近特征點(diǎn)的真實(shí)位置;之后，根據(jù)級(jí)聯(lián)回歸的思想將上述步驟重復(fù)一定的次數(shù)，使訓(xùn)練模型的輸出結(jié)果更加逼近真實(shí)值;最后，利用均值融合的方法，給出人臉特征點(diǎn)的最終預(yù)測(cè)結(jié)果。實(shí)驗(yàn)結(jié)果表明，本文所提的算法較其他經(jīng)典算法具有一定的優(yōu)勢(shì)，可以克服各種姿態(tài)、光照以及表情變化的不良影響。
　　2.利用深度學(xué)習(xí)的相關(guān)研究成果，提出了一種基于分支結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)（D

4、eep Convolution Neural Network based on Branch Structure,DCNNBS），并將其與現(xiàn)有的經(jīng)典分類(lèi)網(wǎng)絡(luò)+回歸的方法相結(jié)合以實(shí)現(xiàn)對(duì)人臉特征點(diǎn)的定位。為了獲得精準(zhǔn)的特征點(diǎn)定位效果，本算法除了對(duì)人臉特征點(diǎn)采取整體預(yù)測(cè)外，還根據(jù)人臉器官的分布情況，將人臉區(qū)域劃分為外圍輪廓與內(nèi)部特征點(diǎn)兩個(gè)部分分別進(jìn)行預(yù)測(cè)。此外，為了避免單一模型的不穩(wěn)定性，多模型融合策略也被用于最終的決策中。實(shí)驗(yàn)結(jié)果表明，該算