實(shí)時(shí)人臉檢測(cè)與姿態(tài)魯棒的特征點(diǎn)檢測(cè)方法研究.pdf

1、隨著視覺計(jì)算領(lǐng)域各種先進(jìn)理論和高新技術(shù)的飛速發(fā)展以及計(jì)算機(jī)計(jì)算性能的大幅度提高，人類借助計(jì)算機(jī)實(shí)現(xiàn)面部圖像的自動(dòng)分析已成為現(xiàn)實(shí)。人臉檢測(cè)和面部特征點(diǎn)檢測(cè)作為面部圖像分析的基礎(chǔ)環(huán)節(jié)，對(duì)后續(xù)工作的效果有著重要影響。本文從人臉檢測(cè)的實(shí)時(shí)性和面部特征點(diǎn)檢測(cè)的姿態(tài)魯棒性出發(fā)，提出了相應(yīng)有效的解決方案。
　　針對(duì)人臉檢測(cè)的實(shí)時(shí)性要求，本文使用了基于兩級(jí)結(jié)構(gòu)的人臉檢測(cè)方法，改進(jìn)基于傳統(tǒng)AdaBoost的人臉檢測(cè)算法。該方法釆用由粗到精的方式，將

2、B IN G特征應(yīng)用到人臉信息描述，訓(xùn)練對(duì)應(yīng)的粗檢分類器，為檢測(cè)的執(zhí)行過濾掉大部分的非人臉區(qū)域，實(shí)現(xiàn)人臉的初步定位。然后，將第一級(jí)的粗檢區(qū)域作為第二級(jí)的輸入，再做進(jìn)一步的精確檢測(cè)。如此，便可以使AdaBoost算法集中在更有效的區(qū)域內(nèi)檢測(cè)人臉，縮小了原始的搜索范圍，從而提高檢測(cè)速度。實(shí)驗(yàn)結(jié)果表明，本文的方法在基本保持原有檢測(cè)率的同時(shí)，有效地減少了檢測(cè)時(shí)間，速度提高14.4％。
　　針對(duì)面部特征點(diǎn)檢測(cè)的姿態(tài)魯棒性要求，本文設(shè)計(jì)了一個(gè)

3、級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)模型。第一級(jí)為全局模型用于實(shí)現(xiàn)特征點(diǎn)的粗定位，各級(jí)網(wǎng)絡(luò)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(kuò)充的方式避免生成的響應(yīng)圖過小，并引入多尺度特征提取改進(jìn)全連接層的輸入，豐富提取到的特征信息。第二級(jí)是分別針對(duì)每個(gè)關(guān)鍵點(diǎn)的局部模型，其作用是在粗定位的基礎(chǔ)上利用關(guān)鍵點(diǎn)周圍的信息微調(diào)特征點(diǎn)的位置，獲得最佳檢測(cè)點(diǎn)的估計(jì)?；趦杉?jí)結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)模型的檢測(cè)既能夠利用人臉的全局信息為特征點(diǎn)檢測(cè)確定可靠的初始估計(jì)點(diǎn)