人臉特征點檢測方法研究.pdf

1、人臉特征點檢測是定位人臉圖像上一系列事先定義的點，是對人臉圖像進行分析的基礎與關鍵，并且在人臉識別、表情識別、性別識別、年齡識別、人臉動畫、視頻壓縮等方面有廣泛的應用。在近幾十年來，人臉特征點檢測得到了廣泛的研究，取得了大量的成果，并在受控條件下取得了較高的檢測率及定位精度。然而大量實驗表明，現(xiàn)有算法在自然條件下的檢測率和定位精度均出現(xiàn)一定程度的下降，無法滿足服務機器人自然人機交互時對人臉圖像分析的需求。在此背景下，本文開展自然條件下人

2、臉特征點檢測的研究，為人臉識別、表情識別等方法在自然環(huán)境條件下的應用提供堅實的基礎，以進一步提高服務機器人人機交互智能性。
　　自然條件下的人臉特征點檢測主要挑戰(zhàn)來源于兩點。一是成像條件的多變性導致人臉外觀變化存在高度非線性，給人臉特征點局部外觀模型的建立帶來極大困難。二是圖像中可能存在與特征點處局部外觀相似的點，使得在復雜背景以及成像條件變化的情況下容易產(chǎn)生誤檢測。本文針對上述兩個難點，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知識融合到人臉特征檢測中以提高檢測精度等問題。
　　本文的主要研究內容及創(chuàng)新點如下。
　　1.提出了一種采用GBPI圖像描述及級聯(lián)擬合算法的實時人臉特征檢測方法。
　　考慮到許多人臉應用對實時性的要求，采用級聯(lián)擬合算法對人臉特征點位置進行實時估計。設計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、對人臉特征點局部外觀進行描述，并以隨機蕨作為弱分類器，訓練兩層的級聯(lián)擬合器，對當前位置的局部紋理與對應人臉特征點的姿態(tài)，包括位置、方向、尺度等進行擬合以實現(xiàn)目標特征點的定位，同時采用mean-shift算法對多個隨機選擇的初始點所估計得到的目標人臉特征點位姿進行融合，得到最終的人臉特征點定位結果，最后基于所估計的特征點位置及其離散程度對特征點的置信度進行評估以判斷特征點是否被檢測到。實驗結果表明所提算法在不考慮人臉形狀約束的條件下，對人

5、臉特征點的檢測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。同時所提方法在儀表檢測與數(shù)字識別中得到應用。
　　2.提出了一種采用馬爾科夫隨機場及連續(xù)隱變量模型的人臉特征檢測方法。
　　考慮到人臉形狀約束對特征點定位的重要性，結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級聯(lián)擬合方法給出候選人臉特征點位置集合的基礎上設計得到人臉特征點觀測模型，并以人臉形狀模型的參數(shù)作為連續(xù)隱變量，計算給定人臉

6、特征點候選位置條件下人臉特征點位置的后驗概率，并通過最大化該后驗概率實現(xiàn)對人臉特征點位置的估計?？紤]到優(yōu)化過程中可能陷入局部極值，采用馬爾科夫隨機場建立低階人臉形狀模型，通過置信傳播算法估計人臉特征點的初始位置?？紤]到人臉形狀在頭部姿態(tài)變化下的復雜性，通過k-means方法對人臉形狀進行聚類分析，并在每個聚類上建立連續(xù)隱變量模型，通過人臉特征點初始位置對模型進行選擇。由于將人臉形狀及特征點外觀的模型參數(shù)考慮為隱變量，所提出的方法對偏離人

7、臉訓練集的人臉形狀有更好的適應能力。在LFPW及LFW人臉數(shù)據(jù)集上的實驗表明相對于級聯(lián)擬合算法以及部分現(xiàn)有算法，所提方法在檢測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，采用支持向量機及高斯混合模型建立人臉特征點局部外觀模型，在此基礎上推導在給定觀測即人臉圖像下人臉特征

8、點位置的后驗概率，并通過不斷最大化后驗概率下界來逼近最大后驗概率，實現(xiàn)對人臉特征點的檢測。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上估計初始人臉形狀，對所提優(yōu)化方法進行初始化，減小優(yōu)化過程陷入局部極小的可能性。在LFPW和LFW人臉數(shù)據(jù)集上的實驗表明所提算法的定位成功率及定位精度達到甚至超過了人工定位的精度。
　　本文的研究在一定程度上提高了人臉特征點檢測算法在自然條件下的魯棒性、檢測率和定位精度，對人臉圖像分析系統(tǒng)