人脸检测及特征点定位在计算机视觉研究中有着重要地位,在生活中应用也极其广泛。人脸检测是指在输入图像中检测是否存在人脸,如果存在,则标识出人脸区域的位置。特征点定位则是在人脸检测的基础上,更精确地寻找到脸部的特征点位置。人脸检测及特征点定位是很多人脸相关应用如表情识别、姿态估计、人脸动画合成中的关键步骤,这两个步骤的性能对其后续人脸相关应用有重要影响。传统的人脸检测及特征点定位方法在训练阶段需要进行复杂的特征提取,且鲁棒性不佳。本论文致力于简化特征提取环节,并构造新的特征点定位优化方法,进一步提高检测和定位的准确性和速度。本文对人脸检测及特征点定位方法进行了深入研究。首先,将肤色模型和用深度学习方法训练的人脸分类器结合用于人脸的检测,在人脸检测的基础上,再利用回归网络对检测结果不精确的人脸区域做回归处理,以获得更精准的人脸检测定位。接下来,根据回归后的人脸检测结果进行特征点定位。特征点定位是采用随机森林方法,通过对人脸特征点建立全局约束模型进行整体优化,利用级联回归结构迭代获得人脸特征点的精确位置。论文主要研究内容如下:1、而本文中通过深度学习方法设计并训练一个人脸分类器网络,将其与肤色模型相结合,能够更有效地检测出复杂场景下的人脸,且避免了显式的特征设计和提取环节。2、针对前一步骤人脸检测环节中可能出现的检测精度不高的情况,设计了一个回归网络,利用回归网络对检测结果进行回归校正以获得更精确的检测定位。3、特征点定位初始阶段将根据人脸检测结果给特征点赋予初始坐标,因此,一个精确的人脸检测结果对于提升特征点定位的速度和精度有重要作用。本文首先训练随机森林模型实现对特征点定位重要特征的筛选,之后对人脸特征点建立全局约束模型,用最小二乘方法对全局模型参数进行整体优化,最后利用级联回归结构进行迭代获得人脸特征点的精准定位。实验结果表明,改进的人脸检测及特征点定位系统能够有效提高复杂环境下人脸检测及特征点定位的性能,在保证鲁棒性及较高定位精度的前提下,还拥有接近实时的较高检测及定位速度。