论文部分内容阅读
随着视觉计算领域各种先进理论和高新技术的飞速发展以及计算机计算性能的大幅度提高,人类借助计算机实现面部图像的自动分析已成为现实。人脸检测和面部特征点检测作为面部图像分析的基础环节,对后续工作的效果有着重要影响。本文从人脸检测的实时性和面部特征点检测的姿态鲁棒性出发,提出了相应有效的解决方案。针对对人脸检测的实时性要求,本文使用了基于两级结构的人脸检测方法,改进基于传统AdaBoost的人脸检测算法。该方法采用由粗到精的方式,将BING特征应用到人脸信息描述,训练对应的粗检分类器,为检测的执行过滤掉大部分的非人脸区域,实现人脸的初步定位。然后,将第一级的粗检区域作为第二级的输入,再做进一步的精确检测。如此,便可以使AdaBoost算法集中在更有效的区域内检测人脸,缩小了原始的搜索范围,从而提高检测速度。实验结果表明,本文的方法在基本保持原有检测率的同时,有效地减少了检测时间,速度提高14.4%。针对面部特征点检测的姿态鲁棒性要求,本文设计了一个级联卷积神经网络模型。第一级为全局模型用于实现特征点的粗定位,各级网络层均连接ReLu激活函数以提高模型的收敛性。卷积过程中采用边缘扩充的方式避免生成的响应图过小,并引入多尺度特征提取改进全连接层的输入,丰富提取到的特征信息。第二级是分别针对每个关键点的局部模型,其作用是在粗定位的基础上利用关键点周围的信息微调特征点的位置,获得最佳检测点的估计。基于两级结构的卷积神经网络模型的检测既能够利用人脸的全局信息为特征点检测确定可靠的初始估计点,又可以充分发挥局部信息的有效性,将特征信息的提取控制在更有效的区域内。在多个公开数据库(LFW,LFPW)上的测试实验证实了本文提出的模型对姿态偏转下的特征点检测具有较强的鲁棒性。