正面小角度偏转下的ASM人脸特征定位方法研究

论文摘要

人脸特征点定位在人脸识别、三维虚拟人脸合成、人脸表情分析与合成等方面具有非常重要的作用,是当前计算机视觉、计算机图形学、模式识别等领域的研究热点。目前,已经有很多的算法和模型提出,但是由于脸部的复杂性和人脸图像成像时环境的影响,至今仍然没有一个一般性的算法或模型能够解决这一研究难题。本文对目前常用的人脸特征点定位算法和模型进行了总结,并在前人的基础上提出一个基于主动形状模型(ASM)的改进方法。由于传统的ASM方法很难在每个特征点上都得到比较准确的结果,并且,传统的ASM方法的匹配结果受初值的影响非常大。针对传统的ASM方法的缺陷与不足,特别是对光照及姿态变化不够鲁棒,为了使ASM对姿态变化更加鲁棒,从而实现正面小角度偏转的人脸特征定位,本文提出了几点改进的方法:(1)有选择性地对光照敏感的标记点(眉毛、眼睛、鼻子)使用2D轮廓。(2)使用堆叠二个ASM系列模型进行搜索,改善初始位置设置不当造成搜索失败。(3)对眼睛部分单独扩展了标记点,从而使眼睛的特征定位更加鲁棒。(4)在搜索时使用人脸检测算子自动定位人脸及眼睛位置,使人脸左右小角度偏转时特征定位更加鲁棒。实验结果表明,改进的ASM方法在准确性和鲁棒性上有较大提高。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 本文结构
• 第二章 人脸特征定位方法综述
• 2.1 先验规则
• 2.1.1 镶嵌图
• 2.1.2 几何投影
• 2.1.3 二值化定位
• 2.1.4 广义对称
• 2.2 几何形状信息
• 2.2.1 Snakes
• 2.2.2 可变模板
• 2.2.3 PDM
• 2.3 色彩信息
• 2.4 外观信息
• 2.4.1 神经网络
• 2.4.2 PCA
• 2.4.3 SVM
• 2.5 关联信息
• 2.5.1 概率网络
• 2.5.2 DLA
• 2.5.3 GWN
• 第三章 传统的ASM人脸特征定位方法
• 3.1 建立形状模型
• 3.1.1 标记训练集
• 3.1.2 对齐训练形状
• 3.1.3 建立形状模型
• 3.2 ASM图像搜索
• 3.2.1 搜索算法
• 3.2.2 建立局部灰度模型
• 3.2.3 寻找最佳匹配模型的迭代算法
• 3.3 多分辨率ASM搜索
• 第四章 本文改进的ASM人脸特征定位方法
• 4.1 传统的ASM人脸特征定位方法的不足
• 4.1.1 初始化因素
• 4.1.2 光照、姿态和表情因素
• 4.1.3 样本集因素
• 4.1.4 面部毛发、饰物等其他外在因素
• 4.2 本论文对传统ASM人脸特征定位方法的改进措施
• 4.3 使用2D轮廓
• 4.3.1 选择2D轮廓
• 4.3.2 建立2D轮廓
• 4.3.3 双重轮廓
• 4.4 使用堆叠二个ASM模型
• 4.5 扩展标记点数
• 4.6 使用人脸检测算子
• 第五章 实验
• 5.1 人脸库简述
• 5.1.1 XM2VTS人脸库
• 5.1.2 AR人脸库
• 5.1.3 Biold人脸库
• 5.2 实验设置
• 5.3 实验结果
• 5.3.1 扩展标记点实验结果比较
• 5.3.2 使用2D轮廓实验结果比较
• 5.3.3 使用堆叠二个ASM模型
• 5.3.4 使用Rowley人脸检测算子实验结果比较
• 5.3.5 基于改进后的ASM算法搜索结果示例
• 第六章 总结和展望
• 6.1 不足之处
• 6.1.1 嘴部及脸部外边界不够鲁棒
• 6.1.2 对角度偏转定位不够鲁棒
• 6.1.3 对光照变化不够鲁棒
• 6.2 未来的工作
• 附录一
• 对齐两个向量算法
• 参考文献
• 致谢