實時人臉檢測與姿態(tài)魯棒的特征點檢測方法研究.pdf

1、隨著視覺計算領域各種先進理論和高新技術的飛速發(fā)展以及計算機計算性能的大幅度提高，人類借助計算機實現(xiàn)面部圖像的自動分析已成為現(xiàn)實。人臉檢測和面部特征點檢測作為面部圖像分析的基礎環(huán)節(jié)，對后續(xù)工作的效果有著重要影響。本文從人臉檢測的實時性和面部特征點檢測的姿態(tài)魯棒性出發(fā)，提出了相應有效的解決方案。
　　針對人臉檢測的實時性要求，本文使用了基于兩級結構的人臉檢測方法，改進基于傳統(tǒng)AdaBoost的人臉檢測算法。該方法釆用由粗到精的方式，將

2、B IN G特征應用到人臉信息描述，訓練對應的粗檢分類器，為檢測的執(zhí)行過濾掉大部分的非人臉區(qū)域，實現(xiàn)人臉的初步定位。然后，將第一級的粗檢區(qū)域作為第二級的輸入，再做進一步的精確檢測。如此，便可以使AdaBoost算法集中在更有效的區(qū)域內檢測人臉，縮小了原始的搜索范圍，從而提高檢測速度。實驗結果表明，本文的方法在基本保持原有檢測率的同時，有效地減少了檢測時間，速度提高14.4％。
　　針對面部特征點檢測的姿態(tài)魯棒性要求，本文設計了一個

3、級聯(lián)卷積神經(jīng)網(wǎng)絡模型。第一級為全局模型用于實現(xiàn)特征點的粗定位，各級網(wǎng)絡層均連接ReLu激活函數(shù)以提高模型的收斂性。卷積過程中釆用邊緣擴充的方式避免生成的響應圖過小，并引入多尺度特征提取改進全連接層的輸入，豐富提取到的特征信息。第二級是分別針對每個關鍵點的局部模型，其作用是在粗定位的基礎上利用關鍵點周圍的信息微調特征點的位置，獲得最佳檢測點的估計?；趦杉壗Y構的卷積神經(jīng)網(wǎng)絡模型的檢測既能夠利用人臉的全局信息為特征點檢測確定可靠的初始估計點