随着互联网技术和视频技术的发展,提取大量信息中有效的内容成为一个研究的重点,并且人脸区域通常都被认为是视频序列中的感兴趣区域。在人脸相关的系统中,一般需要首先进行人脸检测,即检测视频中是否有人脸、并确定人脸的数量及位置,并进一步通过特征点的精确定位确定人脸中不同区域的精确位置。最后根据先前获得的人脸特征信息进行相关应用的开发。针对以上问题和使用场景,本文对人脸检测、基于人脸特征提取的虚拟眼镜试戴等技术进行了研究,并提出了基于基础算法的创新型改进,完成了具有实时性的人脸精准检测算法和具有高鲁棒性的虚拟眼镜试戴应用方法。本文主要的创新点和内容如下:1)提出改进型的AdaBoost算法本文的改进算法旨在解决视频下人脸检测时间复杂度高、检测角度小、不抗遮挡等问题。在引入视频序列的时间相关特性下,本文搭建起一个基于Adaboost算法并融合自适应感兴趣区域、动态模板匹配技术的人脸检测算法。相比v-j算法,本文提出的算法在检测时间效率上提高8倍。在引入动态模板匹配后,本文算法可以在仅有正面人脸特征的情况下检测水平方向旋转正负30度内的人脸区域。本文展示了如何使用视频信息和模板匹配实现算法的抗遮挡性,并引入一个因子来弥补模板匹配法带来的过匹配问题。2)提出多区域模型确定眼镜佩戴位置本文设计并实现了一款基于人脸特征点提取的虚拟眼镜试戴应用,其核心算法之一是利用人脸的多区域特征点确定眼镜的佩戴位置。通常很容易联想到眼镜的佩戴和眼睛的特征信息有关,但本文作者发现仅仅依靠眼睛的信息不足以提供高鲁棒性的确定佩戴位置,所以提出了一种基于多区域的模型。在此模型中,眼睛的信息提供了佩戴位置的区域和中心坐标、鼻梁特征点的信息和嘴部特征点的信息确定了眼镜需要发生的偏转角度。实验证明,该算法可以适应人脸主体的尺度变化和一定程度的姿态变化,并且眼镜和人脸的贴合效果良好。3)提出改进的Otsu算法提取眼镜图片本文提出的基于人脸特征点提取的虚拟眼镜试戴应用的另一核心算法就是将眼睛图片的前景和背景进行分离,得到待佩戴的图像。为了在效果和时间复杂度上取得平衡,本文采用了掩膜方法进行图像合成,这就要求需要通过一个自适应的算法获得眼镜图片的二值化图像。传统的Otsu大津算法在背景和前景的像素均值比例相差很大时无法很好的二值化,因此Otsu算法对于眼镜提取这种特定情况是有局限性的,不能较为精确的确定边缘和纹理复杂的信息,因此对Otsu算法进行了改进。