人脸与人脸特征检测技术研究

论文摘要

人脸及人脸特征检测是模式识别领域中的重要研究方向。人脸是一类具有相当复杂细节变化的自然结构目标,此类目标检测问题的挑战性在于:人脸由于外貌、表情、肤色等不同,具有模式的可变性:一般意义下的人脸上,可能存在眼镜、胡须等附属物;作为三维物体的人脸,其图像不可避免地会受到光照的影响。因此,如果能够找到解决这些问题的方法,构造出性能较好的人脸检测算法,将为解决其它类似的复杂模式检测问题提供重要理论和技术基础。本文重点研究了人脸和人脸特征检测的相关算法,从不同角度提出了几种检测算法,并将其与汽车主动安全技术相结合,提出了驾驶员疲劳检测算法。本文主要工作如下:针对正面人脸检测提出了基于知识和支持向量机的一类人脸检测算法。基于知识的方法在早期的人脸检测研究中讨论的较多,同基于学习的检测算法相比不需要进行训练,计算较简单,但缺点是算法鲁棒性不够,易发生误检。因此本文把两种类型的方法相结合,用基于知识的方法进行粗检,提取人脸候选,再用基于统计学习理论的支持向量机方法进行确认得到最终结果。在粗检阶段提出了两种检测算法,第一种算法利用了人眼结构特征,采用二值模板匹配的方法定位眼睛对候选。第二种算法利用眼睛区域的灰度特性及对称性,采用了几种矩形特征来提取候选人脸。算法在BioID和CMU人脸图像库上进行了实验。在传统的人脸检测工作基础上提出了基于混合特征和Adaboost算法的一类人脸检测算法。AdaBoost和Cascade算法在当前人脸检测方法中较为流行。针对训练过程中使用的Haar特征在训练后期提升能力不足的问题,提出了基于混合特征的检测方法。将分类器分为两个部分,在前一部分采用基于Haar特征的Adaboost算法;在后一部分采用基于全局PCA特征的Adaboost算法,并采用集成算法将各子分类器结合起来,提高分类器性能。算法在MIT+CMU库上进行了实验。在此基础上提出了一种多视角人脸检测算法,并改进了传统金字塔型检测器结构。算法在CMU侧面人脸库上进行了实验。和人脸检测相关的脸部特征定位技术也一直受到关注。本文提出了两种人脸特征定位算法。首先提出了眼睛方差滤波器,在双眼睛已被粗定位的基础上进行精确定位,该算法在眼睛图像清晰的人脸图像上检测效果较好。随后提出了一种基于图像灰度熵的人脸特征定位算法,人脸特征区域和比他皮肤区域的灰度熵要大,根据该特性可有效的提取出双眼候选块,再进一步进行确认则可得到双眼准确位置,嘴部的搜索区域通过双眼位置计算确定,在该区域内可进一步精确定位嘴部。算法在BioID、JAFFE和ORL库上分别进行了实验。本文还对基于机器视觉的驾驶员疲劳检测问题进行了研究,研究对象为驾驶员的脸部,通过眼睛状态的分析进行疲劳状态的判别。因此核心问题主要包括眼睛定位、眼睛跟踪、人脸跟踪及眼睛状态检测一系列算法。本文采用了粒子滤波器算法进行眼睛跟踪。近年来,粒子滤波器算法在混乱场合对目标进行实时跟踪时表现出良好的性能。传统的卡尔曼滤波器,局限于高斯概率分布。而粒子过滤器可以描述多峰的复杂概率分布。在粒子滤波器跟踪眼睛的同时,基于CamShift算法的人脸跟踪作为眼睛跟踪结果的确认也在进行,这样可提高眼睛跟踪的鲁棒性。疲劳检测通过对连续帧的眼睛状态进行识别来实现。

论文目录

• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 问题的提出和意义
• 1.2 人脸检测研究现状与分析
• 1.2.1 人脸检测问题的分类
• 1.2.2 人脸模式特征分类
• 1.2.3 人脸检测的主要方法
• 1.3 人脸检测常用人脸库
• 1.4 论文的主要研究内容及结构安排
• 第二章 基于知识和支持向量机的人脸检测
• 2.1 引言
• 2.2 支持向量机理论
• 2.2.1 线性SVM
• 2.2.2 非线性SVM
• 2.3 基于结构特征的人脸检测
• 2.3.1 基于同态滤波的图像增强
• 2.3.2 基于K均值聚类的图像分割
• 2.3.3 提取候选眼睛对
• 2.3.4 眼睛对确认
• 2.3.5 实验结果和分析
• 2.4 基于矩形特征的人脸检测
• 2.4.1 积分图
• 2.4.2 构造矩形特征
• 2.4.3 提取人脸候选区域
• 2.4.4 人脸确认
• 2.4.5 实验结果和分析
• 2.5 本章小结
• 第三章 基于混合特征和ADABOOST算法的人脸检测
• 3.1 引言
• 3.2 Adaboost算法
• 3.2.1 PAC学习模型
• 3.2.2 弱学习与强学习
• 3.2.3 Boosting方法
• 3.2.4 Adaboost算法
• 3.3 基于混合特征的Adaboost人脸检测
• 3.3.1 算法总体结构
• 3.3.2 Haar特征及Cascade结构
• 3.3.3 PCA-Adaboost算法
• 3.3.4 分类器集成
• 3.3.5 实验结果与分析
• 3.4 多视角人脸检测
• 3.4.1 姿态建模
• 3.4.2 构造检测器结构
• 3.4.3 实验结果与分析
• 3.5 本章小结
• 第四章 脸部特征定位算法
• 4.1 引言
• 4.2 基于方差滤波器的眼睛定位
• 4.2.1 眼睛对定位
• 4.2.2 构造方差滤波器
• 4.2.3 眼睛精确定位
• 4.2.4 实验结果和分析
• 4.3 基于图像灰度熵的脸部特征定位
• 4.3.1 图像灰度熵
• 4.3.2 基于灰度熵的候选眼睛提取
• 4.3.3 眼睛确认
• 4.3.4 嘴部精确定位
• 4.3.5 实验结果和分析
• 4.4 本章小结
• 第五章 基于机器视觉的驾驶员疲劳检测
• 5.1 引言
• 5.2 疲劳检测方法分类
• 5.3 眼睛定位
• 5.3.1 提取候选眼睛区域
• 5.3.2 眼睛精确定位
• 5.4 基于粒子滤波器的眼睛跟踪
• 5.4.1 粒子滤波器原理
• 5.4.2 眼睛特征提取
• 5.4.3 观测概率模型
• 5.4.4 眼睛跟踪
• 5.5 眼睛跟踪结果确认
• 5.5.1 基于CamShift的人脸跟踪
• 5.5.2 眼睛跟踪结果确认
• 5.6 疲劳状态检测
• 5.7 实验结果与分析
• 结束语
• 致谢
• 参考文献
• 附录