面部特征點定位方法研究.pdf

1、在計算機(jī)視覺和圖像感知研究領(lǐng)域內(nèi)，目標(biāo)的檢測和定位是一個研究的熱點問題，而且許多相關(guān)問題的研究都依賴于目標(biāo)檢測的結(jié)果和定位的精度，因而得到越來越多研究者的重視。在人臉相關(guān)的領(lǐng)域內(nèi)，面部特征點定位作為人臉圖像分析問題的一個關(guān)鍵步驟，為后續(xù)的人臉識別、姿態(tài)估計、表情分析、人臉動畫等提供了技術(shù)保證。但是由于在很多情況下人臉圖像存在著姿態(tài)變化，表情變化，光照變化等一系列復(fù)雜變化，受此影響人臉圖像特征點定位的精度還不能滿足實際應(yīng)用的要求，所以研究

2、出速度快，精度高，適用性好的面部特征點定位方法就成為了人臉相關(guān)的研究中的當(dāng)務(wù)之急。本文正是針對這一重要研究課題，進(jìn)行了深入的理論研究和應(yīng)用實踐。
　　對面部特征點定位和形狀提取問題的研究，主要的研究內(nèi)容集中在兩個方面：一個是建立獨立特征點的局部紋理模型，另一個是建立所有特征點的全局形狀模型。本文從這兩個方面著手提出了新方法，取得了新成果。本文的主要研究成果包括：
　　(1)提出基于雙向級聯(lián)結(jié)構(gòu)的特征點檢測和定位方法。所有面部

3、特征點總體的定位準(zhǔn)確度是和每一個獨立的特征點的定位精度分不開的，尤其是眼睛，鼻子，嘴等一些關(guān)鍵特征點的定位，這些特征點為更多其他的面部特征點提供初始的搜索范圍，使得定位算法更穩(wěn)定。本文通過這種雙向級聯(lián)結(jié)構(gòu)的分類器設(shè)計來對特征點的局部紋理建模，這樣可以更加精確，同時也更加快速地檢測和定位這些關(guān)鍵特征點的位置。所謂雙向是指在訓(xùn)練過程中，對正例樣本和反例樣本交替進(jìn)行重采樣的過程。與傳統(tǒng)方法相比本文方法具有以下幾個優(yōu)點：可以應(yīng)對大規(guī)模的數(shù)據(jù)集；

4、可以處理存在復(fù)雜變化的正反例樣本；而且無論是在訓(xùn)練過程，還是在測試過程，該算法都能快速地過濾大量的“易分”樣本，獲得了較高的執(zhí)行效率。
　　(2)提出一種增強的主動形狀模型方法。該方法是在單個特征點獨立檢測的基礎(chǔ)上，引入了全局的形狀模型，并且將每個特征點檢測器的輸出值作為檢測到這個特征點的信度。將那些檢測信度比較低的特征點作為缺失點進(jìn)行處理，這些點的最終位置不通過特征點檢測器給出，而是通過信度比較高的特征點來預(yù)測得到。這種預(yù)測是以

5、最大化形狀概率為目標(biāo)，解析地得到不可信特征點的位置，因而當(dāng)檢測器輸出的信度較低或者是檢測不到特征點時，算法的定位精度不會受到太大的影響，可以應(yīng)對存在缺失特征點的情況。通過以上的設(shè)計，本文將傳統(tǒng)的主動形狀模型進(jìn)行了有效地增強。
　　(3)提出基于貝葉斯推理的人臉形狀提取方法。在該方法中，本文將單個特征點的分布和全局形狀的分布用概率描述的形式來表達(dá)，統(tǒng)一到貝葉斯推理的概率框架之中。特征點定位的目標(biāo)轉(zhuǎn)化為最大化形狀的后驗概率，然后通過迭

6、代求解的方式使得所有特征點最終收斂于正確的面部特征點位置。在推理的過程中，本文對控制形狀的兩種參數(shù)（包括幾何參數(shù)和形狀參數(shù)）分別進(jìn)行優(yōu)化：根據(jù)特征點位置移動和這兩種參數(shù)變化之間的關(guān)系分別采用了梯度上升和高斯–牛頓優(yōu)化算法。并且根據(jù)算法的推導(dǎo)結(jié)果定義了一種稱為“概率梯度提示”的變量，人臉形狀正是在這種變量的驅(qū)動下不斷的更新，從而完成面部特征點的定位和人臉形狀的提取。
　　(4)提出基于人臉坐標(biāo)回歸模型的特征點定位和形狀提取方法。基于

7、上述的特征點檢測方法和形狀建模方法，本文進(jìn)一步提出基于人臉坐標(biāo)系的人臉形狀表示，將面部特征點定位問題轉(zhuǎn)化為人臉坐標(biāo)的對應(yīng)問題。在這個人臉坐標(biāo)系的定義下，本文提出了基于人臉坐標(biāo)回歸的特征點定位和形狀提取方法，對圖像上的局部表觀使用回歸算法得到對應(yīng)的人臉坐標(biāo)，并且結(jié)合形狀模型設(shè)計了使得所有特征點的回歸誤差之和最小的目標(biāo)函數(shù)，最后通過迭代優(yōu)化的方式求解最佳的形狀。
　　本文提出的以上幾個算法和設(shè)計在多個人臉數(shù)據(jù)庫上進(jìn)行了實驗和驗證，實驗