多視角人臉檢測及面部特征點定位研究.pdf

1、人臉圖像的感知和分析作為模式識別和人工智能學科的前沿課題，包括人臉檢測，面部特征點定位，姿態(tài)估計，表情分析，人臉合成，人臉識別和人臉動畫等一系列研究內容。其中，人臉檢測和面部特征定位是基礎，也是擴大人臉應用范圍需解決的關鍵問題，因而受到了國內外學者的廣泛研究。早期的人臉檢測和面部特征點定位都是針對正面人臉進行的，經過多年的的發(fā)展，取得了一系列進展，其研究成果在人機交互，生物信息安全，虛擬現(xiàn)實等方面發(fā)揮著重要作用。但隨著人臉應用范圍的不斷

2、擴大和開發(fā)實際系統(tǒng)需求的不斷提高，多視角人臉檢測和面部特征定位自20世紀90年代后逐漸被人們重視并得到研究。多視角人臉指圖像中人臉覆蓋一個較大視角范圍的人臉表觀模式，一般超過30o范圍。與正面人臉檢測與特征點定位相比，多視角人臉的研究還相對薄弱，難度也大得多，離實際應用還有距離，但卻是人臉感知和分析技術走向實用化急需解決的關鍵問題。
　　正是在這種背景下，本文在系統(tǒng)總結了現(xiàn)有的人臉檢測和面部特征點定位方法的優(yōu)缺點的基礎上，對多視角

3、人臉面部特征點定位進行了深入研究，內容涉及以下方面：全視角下的彩色人臉檢測、多視角人臉多器官定位及面部特征點定位。主要工作及創(chuàng)新成果概括如下：
　　（1）針對Adaboost算法對伴有平面旋轉的多視角人臉圖像訓練復雜，檢測效果不理想的問題，將膚色分割與基于Adaboost的多視角人臉檢測算法相結合，提出一種檢測伴有平面任意旋轉的多視角彩色人臉方法。首先利用不同膚色之間的差異性和相似性的特點，使用顏色聚類方法建立分類膚色查找表，通過

4、它實現(xiàn)快速提取待測圖像中的膚色區(qū)域并自動分割與人臉粘連的膚色背景；然后，使用基于顏色相似度的鄰接區(qū)域合并算法重新合并由于光照不均而被分割成部分的人臉候選區(qū)域，對其用K-L變換確定人臉平面方向，最后用Adaboost多視角人臉分類器掃描經過旋轉校正的候選區(qū)域，完成人臉定位。實驗表明，該方法能有效檢測出普通Adaboost多視角分類器無法檢測的平面大角度多視角人臉圖像，應用于多視角、多人臉的具有膚色背景的情況，具有較好的檢測效果。
　

5、?。?）提出一種新的多視角面部多器官定位的方法，首先在Adaboost定位的人臉區(qū)域中劃分眼、鼻和嘴的搜索范圍，然后利用眉眼和鼻嘴整體特征，用大規(guī)模多視角面部器官樣本訓練的支持向量機在搜索區(qū)域中確定候選眼、鼻及嘴的區(qū)域。利用分類器中判別函數(shù)值越高的窗口相對越接近目標以及目標對象往往會被附近窗口多次檢測到的事實，對候選眼、鼻及嘴區(qū)域進行篩選與合并以確定最佳位置，實現(xiàn)多視角人臉上多器官的準確定位。實驗表明，該方法具有很好的精確性和魯棒性，能

6、適應復雜背景下表情變化的多視角人臉上的眼、鼻及嘴的定位。
　　（3）提出了一種基于DCT-SVM的增強型人臉主動形狀模型算法。相比于傳統(tǒng)的ASM及其他人臉特征點定位算法，本算法使用改進的DCT-SVM算法建立局部紋理模型，同時，改變以往文獻中對所有特征點建立紋理模型的方法，只對部分關鍵特征點建立紋理模型，避免紋理區(qū)分度小的特征點對定位精度的干擾；其次，將關鍵特征點依相應的DCT-SVM特征點檢測器的輸出情況進行可靠性分類，利用可靠

7、點，將臉部器官形狀模型和全局形狀模型相結合進行人臉的形狀優(yōu)化，減小錯誤點對迭代形狀的干擾，提高人臉輪廓的定位精度。
　?。?）提出Candide-3姿態(tài)估計下的多視角主動形狀模型。為了能抽取多視角人臉的面部輪廓，我們引入Candide-3模型，通過多視角人臉的五官位置，使用Candide-3模型進行姿態(tài)估計，劃分視角類別，以此為基礎將之融入到前面的增強型人臉主動形狀模型框架內，形成Candide-3姿態(tài)估計下的增強型多視角主動形狀