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(xué)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(nèi)容。其中，人臉檢測和面部特征定位是基礎(chǔ)，也是擴大人臉應(yīng)用范圍需解決的關(guān)鍵問題，因而受到了國內(nèi)外學(xué)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(jīng)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(yīng)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(jì)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(yīng)用還有距離，但卻是人臉感知和分析技術(shù)走向?qū)嵱没毙杞鉀Q的關(guān)鍵問題。
　　正是在這種背景下，本文在系統(tǒng)總結(jié)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(chǔ)上，對多視角

3、人臉面部特征點定位進行了深入研究，內(nèi)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(zhuǎn)的多視角人臉圖像訓(xùn)練復(fù)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(jié)合，提出一種檢測伴有平面任意旋轉(zhuǎn)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(jīng)過旋轉(zhuǎn)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(yīng)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(xùn)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(biāo)以及目標(biāo)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(zhǔn)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(yīng)復(fù)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(guān)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(guān)鍵特征點依相應(yīng)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(jié)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(chǔ)將之融入到前面的增強型人臉主動形狀模型框架內(nèi)，形成Candide-3姿態(tài)估計下的增強型多視角主動形狀