三維人臉特征點的檢測與標(biāo)記.pdf

1、三維人臉特征點的自動檢測在人臉識別、跟蹤、建模和表情分析等方面有著非常重要的作用?，F(xiàn)有研究一般假設(shè)特征點與三維曲面上的函數(shù)極值對應(yīng)，但這種假設(shè)只適用于鼻尖以及內(nèi)眼角之類的特征明顯的點，對于外眼角之類的特征不明顯的點則不適用。為此在分析和總結(jié)前人工作的基礎(chǔ)上，提出一種檢測與標(biāo)記三維人臉特征點的新方法，通過合并多個描述子，以解決包括特征不明顯的點在內(nèi)的特征點的檢測與標(biāo)記問題。具體內(nèi)容如下：
　?。?）提出一種基于多描述子匹配分布與合并

2、的特征點檢測方法。論文使用最大主曲率、最小主曲率、高斯曲率、平均曲率、形狀指數(shù)等9個描述子，利用訓(xùn)練階段學(xué)習(xí)的統(tǒng)計分布參數(shù)與合并規(guī)則進(jìn)行合并。實驗證明對某些特征點而言，單個點鄰域的描述子響應(yīng)很弱，但使用本方法合并之后所有特征點鄰域信息都得到增強，更易于檢測與標(biāo)記。
　?。?）訓(xùn)練階段分別學(xué)習(xí)線性和非線性兩種合并規(guī)則合并描述子。首先，計算所有網(wǎng)格點的9個描述子值；其次，定義手工標(biāo)記的14個點為參考點，觀察并估計各參考點鄰域各描述子值

3、的概率分布參數(shù)，計算所有網(wǎng)格點的描述子值到其相應(yīng)的分布上的投影，歸一化后得到匹配分布得分；然后，使用線性判別分析（線性）和AdaBoost（非線性）兩種分類器分別學(xué)習(xí)合并權(quán)值，生成局部形狀得分，使參考點鄰域的局部形狀得分高，非點鄰域的局部形狀得分低。實驗證明在測試階段使用兩種合并規(guī)則生成的結(jié)果相差不大。
　?。?）標(biāo)記方法使用RANSAC算法進(jìn)行全局配準(zhǔn)。從局部形狀得分中直接提取的候選標(biāo)記點作為全局配準(zhǔn)的輸入，使用一種尺度可調(diào)的剛