视频图像中的人脸检测和人脸器官定位的研究

论文摘要

人脸检测和人脸器官定位在智能视觉系统和人脸识别系统中都有着重要的作用。人脸检测经常作为人脸识别系统的第一步骤，也是非常重要的步骤，除此以外，人脸检测在视频会议、视频监控、智能人机界面等各个领域都有着实际的应用价值。而器官位置的确定，尤其是眼睛的定位，是人脸识别相关系统中非常重要的环节。眼睛位置信息对于智能人脸识别和人机交互等地方都有重要的影响，因为这些与人脸相关的算法需要通过眼睛位置得到足够的归一化信息，眼睛位置的相对稳定性使得眼睛定位尤其重要。而在视频监控和其它的一些相关领域，对于低分辨率小目标的人脸检测有很大的难度，但有时候却有十分重大的意义，对于这些小目标的人脸，我们很难进行器官的精确定位，因而，我们结合了人脸超分辨率复原的方法对我们的工作提供了一定的帮助。本文建立了一个人脸检测和器官定位的系统，在训练角度上，着重注意了训练样本的规范化；在人脸检测分类器角度上，对瀑布型层级结构进行了改进，通过阈值变化和置性度分析等方法增强了人脸分类器的检测能力，并且结合了人脸超分辨率复原的算法，使得整个系统对于低分辨率小目标的人脸有着比较好的检测效果。在人脸器官定位的过程中，我们主要采用了Real Adaboost算法，并结合了模板匹配、几何特征分析、PCA等算法进行眼睛的精确定位。而鼻子、嘴巴等其它脸部器官的定位也通过类似的方法和过程得到。本文通过实验，对于实际采集的视频图像进行测试，得到了比较好的实验结果。

论文目录

• 摘要
• Abstract
• 第1章 引言
• 1.1 课题背景和意义
• 1.1.1 人脸检测的研究价值和实际应用
• 1.1.2 人脸器官特征定位技术的研究背景
• 1.2 课题来源以及研究工作情况
• 1.3 研究现状
• 1.3.1 人脸检测的研究现状
• 1.3.1.1 模板匹配
• 1.3.1.2 基于示例学习的方法
• 1.3.1.3 SVM方法
• 1.3.1.4 基于神经网络的方法
• 1.3.1.5 AdaBoost方法
• 1.3.2 人脸器官定位技术的研究现状
• 1.3.2.1 基于先验规则的器官定位
• 1.3.2.2 基于模板匹配的方法
• 1.3.2.3 基于神经网络的方法
• 1.3.2.4 基于Adaboost的方法
• 1.4 本文主要工作和论文安排
• 第2章 样本获得和算法评测
• 2.1 样本选择和获取
• 2.1.1 人脸样本的采集
• 2.1.2 人脸样本归一化
• 2.1.3 器官具体位置的标注和切割
• 2.1.4 负样本的获得
• 2.2 算法的评测
• 2.2.1 人脸检测的评价标准
• 2.2.2 人脸器官定位结果的评价标准
• 2.3 小结
• 第3章 系统结构
• 3.1 引言
• 3.2 系统整体流程
• 3.3 小结
• 第4章 基于Adaboost的人脸检测算法
• 4.0 引言
• 4.1 检测器的弱特征选取
• 4.2 人脸检测器的弱特征计算
• 4.2.1 积分图像的定义和计算
• 4.2.2 弱特征的放缩不变特征
• 4.2.3 弱特征的预处理
• 4.3 人脸检测器的构造和训练过程
• 4.3.1 强分类器的训练过程
• 4.3.2 弱分类器的构造过程
• 4.4 层次型检测器结构
• 4.4.1 层次型结构的介绍和改进
• 4.4.2 层次型检测器的训练过程
• 4.4.3 后续处理过程
• 4.5 实验结果
• 4.6 本章小结
• 第5章 人脸器官精确定位
• 5.1 引言
• 5.2 眼睛特征点定位
• 5.2.1 眼睛位置范围确定
• 5.2.2 低分辨率人脸的眼睛粗定位
• 5.2.3 低分辨率人脸的超分辨率重建
• 5.2.4 基于Adaboost算法的眼睛检测器
• 5.2.5 眼睛中心位置的校准
• 5.3 嘴巴和鼻子特征点定位
• 5.4 实验结果
• 5.5 本章小结
• 第6章 工作总结和展望
• 6.1 本文工作总结
• 6.2 进一步工作展望
• 参考文献
• 致谢
• 个人简历、在学期间发表的学术论文与研究成果