论文部分内容阅读
人脸识别技术是当前计算机视觉、机器学习等领域的研究热点,在安防、信息安全等领域有十分重要的应用背景。其中,人脸特征点定位算法作为人脸识别与验证的关键步骤,与人脸识别准确率息息相关。为此,本文以火车站、公交等监控卡口为研究对象,针对人脸视角、分辨率变化等特点开展了特征点定位方法的研究。主要工作包括:(1)建立了卡口监控人脸数据库。火车站、机场等监控卡口人脸识别是安防领域的难点,其图像通常具有俯视角、分辨率低、人脸姿态多变、光照条件复杂等特点,导致现有的主流算法难以高效地定位卡口监控人脸面部特征点。目前的公开人脸数据库一般是通过爬虫在互联网上采集,与卡口监控系统中人脸图像特点差异较大。为此,本文通过处理大量的火车站和快速公交站监控视频数据,利用半自动的方法对卡口监控人脸图像进行检测、标定、筛选处理,最终得到了卡口监控人脸数据库。该数据库包括火车站卡口监控人脸图像6647张,快速公交车站卡口监控中人脸图像1287张。本文中涉及到的人脸特征点定位实验大多利用该卡口监控人脸数据库中数据进行训练、测试和评估。(2)针对局部二值特征算法(Local Binary Features,LBF)的在卡口监控中人脸特征点定位存在的问题,提出了基于LBF增量学习的卡口人脸特征点定位算法。该方法的主要的思想是在LBF算法级联回归训练的最后一级,利用增量学习的方法,向已经回归得到的模型中导入一部分卡口监控人脸数据库中的人脸图像,对新数据回归得到新的形状增量,从而对现有模型进行修正以达到预期效果。本文所选取的新加入人脸图像的数量是原训练集人脸图像数量的十分之一。实验结果表明,该方法在卡口监控人脸图像特征点定位上更优于时下主流的监督梯度下降法(Supervised Descent Method,SDM)、回归树集合算法(Ensemble of Regression Trees,ERT)和LBF算法。(3)针对卡口监控人脸的俯视视角、分辨率低和运动模糊等特点,提出了基于权重自学习的多任务级联卷积神经网络(Multi-task Cascaded Convolutional Networks,MTCNN)算法。该算法首先调整MTCNN中多任务的权重分布,使MTCNN的网络结构侧重解决人脸特征点定位问题。然后在MTCNN网络结构中加入权重自学习模块,使其能自动学习得到多任务协调计算的最佳权重分布,从而进一步提高对卡口监控中人脸图像特征点定位的精度。实验结果表明,该方法在卡口监控中人脸图像特征点定位的准确率高于SDM、ERT、LBF、MTCNN和基于LBF增量学习卡口人脸特征点定位算法。最后对本文工作进行了总结,并对本文后续工作进行了展望。