基于深度學(xué)習(xí)的人臉特征點跟蹤算法研究.pdf

1、人臉特征點可能包含眉毛、眼睛、鼻子、嘴巴、乃至人臉輪廓等部位。由于人臉特征點蘊含了人臉的語義信息，對人臉識別、表情分析、人臉姿態(tài)估計等都起著關(guān)鍵性作用而受到廣大學(xué)者密切關(guān)注。近年來，人臉特征點定位在娛樂等行業(yè)也有著廣泛的應(yīng)用價值，如人臉動畫、增強現(xiàn)實。目前，真實的非約束靜態(tài)人臉特征點定位方法取得很大的成功，同時，已有研究者提出行之有效的人臉特征點跟蹤算法，但在真實的非約束環(huán)境中，由于人臉會受到姿態(tài)、表情、光照和遮擋等剛性和非剛性因素的影

2、響，準確地并長期跟蹤人臉特征點仍具有很強的挑戰(zhàn)性。所以，在真實的無約束環(huán)境下，魯棒的長期人臉特征點跟蹤仍然值得深入研究。
　　本文主要的研究工作主要體現(xiàn)在以下幾個方面：
　　提出了一種人臉特征點跟蹤系統(tǒng)，用于長期跟蹤人臉特征點。該系統(tǒng)可以分解為人臉檢測、跟蹤和人臉特征點定位三大模塊。由于不需要引入其他模塊，從而簡化了系統(tǒng)的復(fù)雜性。該系統(tǒng)的每個模塊相對獨立，具有高內(nèi)聚低耦合特性，有利于系統(tǒng)升級。該系統(tǒng)雖然結(jié)構(gòu)簡單，但實驗證明，

3、該系統(tǒng)對真實的無約束環(huán)境的人臉特征點跟蹤具有很好的魯棒性和準確性。
　　對提出的魯棒的長期人臉特征點跟蹤系統(tǒng)中的每個模塊（人臉檢測、跟蹤、和人臉特征點定位）進行分析，并確立每個模塊所采用的方法。人臉檢測方法選用經(jīng)典的Viola–Jones人臉檢測和真實的無約束環(huán)境下的NPD人臉檢測方法。跟蹤方法采用長期目標跟蹤框架TLD中的中值流法，而不是將整個TLD作為跟蹤方法，大大降低了系統(tǒng)的復(fù)雜度。同時，中值流法可以擴展跟蹤失敗檢測功能，有

4、利于提高跟蹤的魯棒性。特征點定位方法則引入基于深度學(xué)習(xí)的CFAN方法，其可以利用大數(shù)據(jù)進行模型訓(xùn)練來提高特征點定位的準確性。
　　為了實現(xiàn)長期人臉特征點跟蹤引入跟蹤校驗思想。跟蹤校驗使用現(xiàn)有的人臉檢測方法，而不是在線或額外訓(xùn)練分類器，降低了系統(tǒng)的復(fù)雜度。為了進一步提高人臉特征點跟蹤速度，提出自適應(yīng)跟蹤校驗方法。實驗發(fā)現(xiàn)，自適應(yīng)跟蹤校驗方法可以提高大規(guī)模人臉特征點跟蹤的準確性。
　　實驗結(jié)果表明，提出的魯棒的長期人臉特征點跟蹤