论文部分内容阅读
面部特征点定位研究的目标是:在给定的人脸图像上,准确而快速地自动获得眼睛中心、眼角、鼻尖、嘴角及面部轮廓点等关键面部特征点的空间位置信息。它不仅是全自动人脸识别系统的关键步骤之一,还可以为头部姿态估计、表情分析、动画合成和人脸自动跟踪等任务提供重要的信息。
尽管面部特征点定位已被研究多年,但在大姿态变化、夸张表情等情况下仍然面临着巨大的挑战。本文重点针对多姿态条件下的面部特征点定位问题进行研究,完成的主要工作如下:
(1)设计并实现了一种基于人脸外观信息的姿态估计方法。该方法采用支持向量回归(SVR)作为工具,比较了灰度特征、Sobel边缘特征、局部二值模式(LBP)特征和方向梯度直方图(HOG)等四种特征对人脸姿态估计的性能。实验结果表明,与另外三种特征相比,HOG特征能够更好地表示人脸姿态,在基于SVR的头部姿态估计中取得了比较准确的结果。
(2)实现了基于Adaboost的多姿态面部关键点定位方法。该方法使用“分治”的策略,首先划分三个姿态区间,即准正面、左侧和右侧,每个区间单独训练一个关键点检测器,定位阶段根据姿态估计的结果选择特定姿态的关键点检测器。这种策略在较大程度上抑制了多姿态情况下关键点周围局部纹理模式的类内散度过大导致的学习困难问题。在Multi-PIE多姿态人脸数据集(YAW方向旋转45°以内,PITCH方向旋转30°以内)上的实验结果验证了该方法的有效性。
(3)在主动形状模型(ASM)算法框架下,提出了一种姿态估计与特征点定位的迭代计算的特征点定位方法。姿态差异使得面部关键特征点周围的局部纹理模式变化更加复杂,对形状(特征点坐标串接而成的向量)的PCA建模和对局部纹理的单高斯假设均有很大的局限。鉴于此,本文在ASM框架中采用两个策略解决多姿态面部特征点定位问题:(a)用混合概率主成分分析(MPPCA)对人脸形状建模;(b))训练多个姿态区间的局部纹理模型。在特征点定位过程中,首先根据形状模型约束下的二维人脸形状估计头部姿态,然后选择特定姿态区间的局部纹理模型重新调整面部特征点的位置,实现姿态估计与特征点定位的迭代计算。在CAS-PEAL和FERET数据库上的实验结果表明,本文所提出的方法能有效地提高多姿态面部特征点定位的性能。