论文部分内容阅读
面部特征识别和头部姿态估计可根据图像提供用户情绪状态、视线方向、操作意图等大量隐含信息，在心理分析和人机交互等领域应用前景广阔。人脸关键点标记作为面部图像分析中的基础研究，是面部特征识别和头部姿态估计的重要前提。本论文从最优化求解角度，围绕人脸关键点标记问题及其在面部特征识别和头部姿态估计中的应用进行研究，主要内容如下: 首先，研究了人脸关键点标记问题。针对图像特征描述信息冗余问题，提出了PCA-SDM(Principal Component Analysis-Supervised Descent Method)人脸关键点标记方法，通过主成分分析将高维特征投影至低维子空间，缩短了模型训练时间，提升了关键点标记准确度。为了提高关键点标记鲁棒性，建立了联合表观和位置特征的asSDM(appearance-shape-Supervised DescentMethod)关键点标记模型，借助岭回归法求解位置偏量，降低了关键点标记误差。 其次，研究了基于人脸关键点信息的面部特征识别问题。针对眼部状态分类问题，根据眼部关键点位置，建立了基于边缘信息距离的眼部状态分类器模型，比较了多种分类器和距离特征的检测结果。同时，针对人脸识别问题，设计了基于关键点表观信息的面部特征，分析了不同识别算法和图像特征描述子对准确率的影响。 再次，针对人脸关键点标记和跟踪分别在头部姿态估计和运动检测中的应用展开研究。建立了从三维空间到二维平面的头部姿态映射模型，分析了视频中头部姿态时序数据在不同尺度空间下的幅值特性，实现了连续参数的头部姿态估计和动作检测。 最后，本论文实现了基于头部姿态和运动的计算机图文显示控制及三维模型旋转操作方案，完成了友好、便捷的人机交互。