二维图像特征研究

二维图像特征研究

论文摘要

自上世纪七十年代末八十年代初以来,计算机视觉得到了长足的发展,涌现出了不少研究的方向和领域,如图像分割、立体视觉、运动视觉分析、由图像恢复三维物体形状的方法、物体建模与识别方法以及距离图像分析方法等。这些研究领域都围绕着一个中心而展开,即如何从看似庞大的图像信号中获取最重要的那部分信息,并用这些信息帮助计算机分析、理解图像信号的含义,这些信息被称为图像特征。 本文的工作主要集中于对图像特征的研究,并通过不同的应用对其进行进一步分析。主要的工作可以分为四个方面,即退化图像的还原、视频流中物体的跟踪,人脸表情的映射,以及人脸的模拟和生成。 第三章对盲图像的还原进行了深入的探讨,并提出了名为RIBIM(Ratio Image Based Iteration Method)的算法。该算法通过对图像信息,特别是纹理特征信息的分析,针对噪声信息进行抑制,并模拟出原图像的退化算子,最后结合比例图的概念和递归求精的方法,提高了图像还原效果。 第四章对复杂场景下的物体识别与追踪作了初步的探讨,由于采用了360度的全角镜头,使得该监控装置能够几乎无盲点地进行工作,同时提出了名为TALENT(TemplAteLEarNing based Training)的方法使用聚类对样本数据进行训练并加速查找过程,而基于训练的识别、基于状态图转换的追踪也提高了监控的质量。 第五章探讨了使用比例图进行人脸表情映射的方法,首先对现有的人脸表情生成技术作了一个介绍,接着结合人脸特征信息,从而实现了对现有人脸表情映射方法的改进。该方法具有计算复杂度低、噪声抑制能力强等优秀特征。 第六章提出了一个人脸变换的系统RATES(Region based feAture Tracking and Expression Synthesis)的整体框架和实现细节。该系统通过对497张不同年龄层次、不同性别、不同脸型的人脸进行训练学习,可以自动地对新输入的人脸图像进行识别、定位、对齐,并根据用户的需求对该人脸进行变化。特别在人脸特征定位方面,该系统使用自底向上的方法,通过13个训练集的学习,能够由局部至整体地对人脸各器官及特征点进行精确定位。在进行纹理合成时使用了GPU(Graphics Processing Unit)技术进行快速合成,并根据合成源的皮肤色彩特征信息对结果进行调整,特别注重了边缘部分的过渡效果,因此达到了较为逼真的合成结果。

论文目录

  • 摘要
  • Abstract
  • 第一章 绪论
  • 1.1 引言
  • 1.2 图像特征研究的意义和应用领域
  • 1.3 图像特征研究的难点
  • 1.4 本文主要的目标和工作
  • 第二章 二维图像处理及特征跟踪综述
  • 2.1 人类的视觉特性基础
  • 2.2 图像特征的定义及其提取方法
  • 2.2.1 直接特征
  • 2.2.2 间接特征
  • 2.3 图像特征的跟踪方法
  • 2.3.1 基于图像纹理特征的跟踪方法
  • 2.3.2 基于图像形状特征的跟踪方法
  • 2.3.3 结合图像纹理和形状特征的跟踪方法
  • 2.4 人脸特征的提取和跟踪方法
  • 2.3.1 基于三维模型的方法
  • 2.3.2 基于二维模型的方法
  • 2.5 本章小结
  • 第三章 利用特征信息进行退化图像还原
  • 3.1 图像还原的意义及现有方法
  • 3.1.1 图像还原的应用领域及意义
  • 3.1.2 图像还原的现有方法
  • 3.2 使用特征信息进行盲图像还原中的抑噪操作
  • 3.3 使用特征信息进行PSF提取
  • 3.4 使用比例图方法进行还原
  • 3.5 实验和结果分析
  • 3.6 本章小结
  • 第四章 使用轮廓特征进行视频追踪与识别
  • 4.1 视频追踪与识别的现实意义
  • 4.2 二维图像序列中的物体识别与追踪
  • 4.2.1 硬件设备
  • 4.2.2 基于模板学习的目标训练
  • 4.2.3 识别及追踪
  • 4.3 实验和结果分析
  • 4.4 本章小结
  • 第五章 使用比例图进行人脸表情映射
  • 5.1 人脸表情生成技术背景
  • 5.1.1 基于三维方法进行人脸表情生成
  • 5.1.2 基于二维方法进行人脸表情生成
  • 5.2 使用人脸特征及比例图进行人脸表情映射
  • 5.2.1 人脸的对齐和变形
  • 5.2.2 表情比例图的获得
  • 5.2.3 根据纹理特性通过外加滤波器对映射结果进行精化
  • 5.3 实验和结果分析
  • 5.4 本章小结
  • 第六章 人脸特征点跟踪及表情生成系统
  • 6.1 人脸检测与器官特征区域定位
  • 6.1.1 人脸检测概述
  • 6.1.2 基于皮肤模型及椭圆模板的人脸检测
  • 6.1.3 人脸器官特征区域定位
  • 6.2 基于主动外观模型(AAM)的分区域人脸特征提取与跟踪
  • 6.2.1 外形与纹理的获取
  • 6.2.2 外形与纹理的预处理
  • 6.2.3 主动外观模型的建立
  • 6.2.4 主动外观模型的训练与搜索
  • 6.2.5 基于人脸器官特征区域的局部搜索改进
  • 6.3 使用GPU进行快速二维人脸表情生成
  • 6.3.1 人脸变形
  • 6.3.2 人脸纹理合成
  • 6.4 实验和结果分析
  • 6.5 本章小结
  • 第七章 总结与展望
  • 7.1 本文工作总结
  • 7.2 展望
  • 参考文献
  • 附录 FAP点的定义
  • 作者攻读学位期间的研究成果
  • 致谢
  • 相关论文文献

    • [1].基于生成对抗网络的人脸表情数据增强方法[J]. 计算机工程与应用 2020(04)
    • [2].一种基于改进条件生成式对抗网络的人脸表情生成方法[J]. 小型微型计算机系统 2020(09)
    • [3].动态人脸表情合成的模型特征驱动算法综述[J]. 计算机与现代化 2019(07)
    • [4].对人脸表情迁移与分析方法的探讨[J]. 科技与创新 2019(05)
    • [5].基于深度学习的人脸表情迁移方法[J]. 计算机科学 2019(S1)
    • [6].基于深度学习的人脸表情特征分析[J]. 现代计算机(专业版) 2018(13)
    • [7].弱光照环境下人脸表情图像识别方法研究[J]. 计算机测量与控制 2017(09)
    • [8].真实感3D人脸表情合成技术研究进展[J]. 计算机辅助设计与图形学学报 2014(02)
    • [9].人脸表情动画研究简述[J]. 福建电脑 2016(04)
    • [10].时空人脸表情动画编辑[J]. 计算机辅助设计与图形学学报 2013(08)
    • [11].基于优化支持向量机的人脸表情分类[J]. 计算机应用研究 2013(08)
    • [12].基于统计学习的人脸表情分类[J]. 计算机仿真 2009(06)
    • [13].利用主动外观模型合成动态人脸表情[J]. 计算机辅助设计与图形学学报 2009(11)
    • [14].人脸表情的形变线性拟合方法[J]. 自动化学报 2008(05)
    • [15].人脸表情动画与语音的典型相关性分析[J]. 计算机辅助设计与图形学学报 2011(05)
    • [16].计算机人脸表情动画技术综述[J]. 计算机应用研究 2008(11)
    • [17].基于模型的人脸表情生成技术研究[J]. 自动化与仪器仪表 2014(11)
    • [18].基于文本驱动的人脸表情动画系统[J]. 计算机光盘软件与应用 2012(15)
    • [19].结合人脸表情和变形技术的人脸卡通动画系统设计与实现[J]. 现代电子技术 2018(12)
    • [20].表演驱动的二维人脸表情合成[J]. 计算机工程与设计 2012(08)
    • [21].基于模糊概念的人脸表情知识研究[J]. 大连民族大学学报 2020(03)
    • [22].融合人脸表情的手语到汉藏双语情感语音转换[J]. 声学技术 2018(04)
    • [23].基于语义属性的人脸表情识别新方法[J]. 小型微型计算机系统 2016(02)
    • [24].基于方法的人脸表情生成技术研究[J]. 自动化与仪器仪表 2015(01)
    • [25].一种基于卷积神经网络的人脸表情自动识别方法[J]. 北方工业大学学报 2019(05)
    • [26].一种无标记点人脸表情捕捉与重现算法[J]. 电子学报 2016(09)
    • [27].人脸表情识别方法综述[J]. 中国集体经济 2009(16)
    • [28].一种隐马尔可夫模型人脸表情分析算法[J]. 工程图学学报 2008(06)
    • [29].云计算环境下人脸表情智能识别改进技术研究[J]. 计算机测量与控制 2017(05)
    • [30].基于表情相似性的人脸表情流形[J]. 软件学报 2009(08)

    标签:;  ;  ;  ;  ;  ;  ;  

    二维图像特征研究
    下载Doc文档

    猜你喜欢