论文部分内容阅读
使用常规相机获得的人脸图像可能具有固定的限制,阻碍脸部图像中一些特定信息表达。为了实现更好的性能,通过专门的采集方法捕获的3D面部已经用于改进的方法。虽然由于诸如成本和可访问性的若干问题,这些3D图像仍然难以获得,但是低成本的深度传感器如Kinect允许直接获取3D信息以及RGB彩色图像。这为计算机视觉和人脸识别研究提供了新的机会。本文的主要工作如下:1.调研了一系列基于RGB-D数据的人脸识别方法。探讨了低成本深度传感器Kinect在人脸识别过程中获取深度的有效性并获得一系列结论。仅仅使用深度图像进行人脸识别的分类结果超出了人类期望的知觉,将RGB和深度图像结合确实提高了识别性能,并且Kinect深度图像的性能高度依赖预处理步骤。以上结论证明了研究RGB-D人脸识别的意义。2.提出了一种紧密的二值描述子用于解决RGB-D人脸识别过程中的特征表达问题。首先,该方法不同于传统的使用手工设计的特征,其使用无监督学习的方法从训练数据学习紧密的二值特征,自动的在可区分性和不变性之间达到了很好的折中;其次,为了有效的利用空间上下文信息,该方法并非采用原始的像素作为训练数据,而使用像素与周围像素的差异信息作为输入;最后,考虑到Depth图像相较于RGB图像的平滑性特点,对分块的Depth图像和RGB图像提取不同半径范围的像素差异信息。实验结果表明,所提出的方法具有较强的人脸描述能力和可鉴别性。且对光照和面部的遮挡变化具有一定的鲁棒性,并在三个公开的数据集上获得了较好的识别率。3.提出了针对Kinect v2的深度增强方法和基于深度图像序列的人脸检测方法用于实时的Kinect的人脸识别。训练随机森林进行基于深度图像序列的人脸检测和姿势估计,由于获得的人脸的大小和人脸中心点的距离具有2次关系,因此可以裁剪出人脸;然后,对7个姿态的人脸训练获得7种相应的AAM模型,将检测到的头部姿势进行多姿势AAM的初始化和模型的选择,快速准确的定位人脸的特征点;最后进行人脸跟踪并且提取上面设计的特征描述子。本文设计的基于深度序列的人脸检测方法和传统的方法相比,在弱光和具有一定头部旋转角度下,具有较好的检测结果。在实时的基于Kinect的人脸识别系统下获得了较好的识别效果。