人臉特征點(diǎn)檢測(cè)方法研究.pdf

1、人臉特征點(diǎn)檢測(cè)是定位人臉圖像上一系列事先定義的點(diǎn)，是對(duì)人臉圖像進(jìn)行分析的基礎(chǔ)與關(guān)鍵，并且在人臉識(shí)別、表情識(shí)別、性別識(shí)別、年齡識(shí)別、人臉動(dòng)畫(huà)、視頻壓縮等方面有廣泛的應(yīng)用。在近幾十年來(lái)，人臉特征點(diǎn)檢測(cè)得到了廣泛的研究，取得了大量的成果，并在受控條件下取得了較高的檢測(cè)率及定位精度。然而大量實(shí)驗(yàn)表明，現(xiàn)有算法在自然條件下的檢測(cè)率和定位精度均出現(xiàn)一定程度的下降，無(wú)法滿足服務(wù)機(jī)器人自然人機(jī)交互時(shí)對(duì)人臉圖像分析的需求。在此背景下，本文開(kāi)展自然條件下人

2、臉特征點(diǎn)檢測(cè)的研究，為人臉識(shí)別、表情識(shí)別等方法在自然環(huán)境條件下的應(yīng)用提供堅(jiān)實(shí)的基礎(chǔ)，以進(jìn)一步提高服務(wù)機(jī)器人人機(jī)交互智能性。
　　自然條件下的人臉特征點(diǎn)檢測(cè)主要挑戰(zhàn)來(lái)源于兩點(diǎn)。一是成像條件的多變性導(dǎo)致人臉外觀變化存在高度非線性，給人臉特征點(diǎn)局部外觀模型的建立帶來(lái)極大困難。二是圖像中可能存在與特征點(diǎn)處局部外觀相似的點(diǎn)，使得在復(fù)雜背景以及成像條件變化的情況下容易產(chǎn)生誤檢測(cè)。本文針對(duì)上述兩個(gè)難點(diǎn)，著重研究了人臉特征局部外觀的建模、人臉形狀

3、的建模以及人臉形狀作為先驗(yàn)知識(shí)融合到人臉特征檢測(cè)中以提高檢測(cè)精度等問(wèn)題。
　　本文的主要研究?jī)?nèi)容及創(chuàng)新點(diǎn)如下。
　　1.提出了一種采用GBPI圖像描述及級(jí)聯(lián)擬合算法的實(shí)時(shí)人臉特征檢測(cè)方法。
　　考慮到許多人臉應(yīng)用對(duì)實(shí)時(shí)性的要求，采用級(jí)聯(lián)擬合算法對(duì)人臉特征點(diǎn)位置進(jìn)行實(shí)時(shí)估計(jì)。設(shè)計(jì)了一種幾何模糊及姿態(tài)索引圖像描述(Geometry Blurred Pose Indexed imagedescriptor，GBPI圖像描述)

4、對(duì)人臉特征點(diǎn)局部外觀進(jìn)行描述，并以隨機(jī)蕨作為弱分類器，訓(xùn)練兩層的級(jí)聯(lián)擬合器，對(duì)當(dāng)前位置的局部紋理與對(duì)應(yīng)人臉特征點(diǎn)的姿態(tài)，包括位置、方向、尺度等進(jìn)行擬合以實(shí)現(xiàn)目標(biāo)特征點(diǎn)的定位，同時(shí)采用mean-shift算法對(duì)多個(gè)隨機(jī)選擇的初始點(diǎn)所估計(jì)得到的目標(biāo)人臉特征點(diǎn)位姿進(jìn)行融合，得到最終的人臉特征點(diǎn)定位結(jié)果，最后基于所估計(jì)的特征點(diǎn)位置及其離散程度對(duì)特征點(diǎn)的置信度進(jìn)行評(píng)估以判斷特征點(diǎn)是否被檢測(cè)到。實(shí)驗(yàn)結(jié)果表明所提算法在不考慮人臉形狀約束的條件下，對(duì)人

5、臉特征點(diǎn)的檢測(cè)成功率和定位精度接近現(xiàn)有考慮人臉形狀約束的算法，與人工定位的精度相接近。同時(shí)所提方法在儀表檢測(cè)與數(shù)字識(shí)別中得到應(yīng)用。
　　2.提出了一種采用馬爾科夫隨機(jī)場(chǎng)及連續(xù)隱變量模型的人臉特征檢測(cè)方法。
　　考慮到人臉形狀約束對(duì)特征點(diǎn)定位的重要性，結(jié)合由概率主元分析得到的人臉形狀概率分布模型以及在通過(guò)級(jí)聯(lián)擬合方法給出候選人臉特征點(diǎn)位置集合的基礎(chǔ)上設(shè)計(jì)得到人臉特征點(diǎn)觀測(cè)模型，并以人臉形狀模型的參數(shù)作為連續(xù)隱變量，計(jì)算給定人臉

6、特征點(diǎn)候選位置條件下人臉特征點(diǎn)位置的后驗(yàn)概率，并通過(guò)最大化該后驗(yàn)概率實(shí)現(xiàn)對(duì)人臉特征點(diǎn)位置的估計(jì)?？紤]到優(yōu)化過(guò)程中可能陷入局部極值，采用馬爾科夫隨機(jī)場(chǎng)建立低階人臉形狀模型，通過(guò)置信傳播算法估計(jì)人臉特征點(diǎn)的初始位置?？紤]到人臉形狀在頭部姿態(tài)變化下的復(fù)雜性，通過(guò)k-means方法對(duì)人臉形狀進(jìn)行聚類分析，并在每個(gè)聚類上建立連續(xù)隱變量模型，通過(guò)人臉特征點(diǎn)初始位置對(duì)模型進(jìn)行選擇。由于將人臉形狀及特征點(diǎn)外觀的模型參數(shù)考慮為隱變量，所提出的方法對(duì)偏離人

7、臉訓(xùn)練集的人臉形狀有更好的適應(yīng)能力。在LFPW及LFW人臉數(shù)據(jù)集上的實(shí)驗(yàn)表明相對(duì)于級(jí)聯(lián)擬合算法以及部分現(xiàn)有算法，所提方法在檢測(cè)率和定位精度上均有一定程度的提高。
　　3.提出了一種采用高斯混合模型的人臉特征檢測(cè)方法。
　　考慮到人臉局部外觀及人臉形狀在頭部姿態(tài)、表情、光照等變化下分布的復(fù)雜性，采用高斯混合模型建立人臉形狀模型，采用支持向量機(jī)及高斯混合模型建立人臉特征點(diǎn)局部外觀模型，在此基礎(chǔ)上推導(dǎo)在給定觀測(cè)即人臉圖像下人臉特征

8、點(diǎn)位置的后驗(yàn)概率，并通過(guò)不斷最大化后驗(yàn)概率下界來(lái)逼近最大后驗(yàn)概率，實(shí)現(xiàn)對(duì)人臉特征點(diǎn)的檢測(cè)。提出了一種基于模型的霍夫投票方法，在高斯混合模型的基礎(chǔ)上估計(jì)初始人臉形狀，對(duì)所提優(yōu)化方法進(jìn)行初始化，減小優(yōu)化過(guò)程陷入局部極小的可能性。在LFPW和LFW人臉數(shù)據(jù)集上的實(shí)驗(yàn)表明所提算法的定位成功率及定位精度達(dá)到甚至超過(guò)了人工定位的精度。
　　本文的研究在一定程度上提高了人臉特征點(diǎn)檢測(cè)算法在自然條件下的魯棒性、檢測(cè)率和定位精度，對(duì)人臉圖像分析系統(tǒng)