目前人臉檢測和人臉對齊在光照良好、人臉無遮擋、無極端人臉姿態(tài)、圖像分辨率較高的情況下已經(jīng)基本實用化,例如在人證比對,美顏相機等近距離情況下的人臉檢測對齊應(yīng)用。但是在非控場景下的人臉對齊和人臉檢測還不盡如人意,尤其是在復(fù)雜的人臉姿態(tài)表情、嚴重的人臉遮擋、外界環(huán)境背景復(fù)雜、光照條件差、圖像分辨率低、人臉分辨率低等情況下不能做到較好的人臉對齊和人臉檢測,而實時性檢測更加難以做到。隨著深度學(xué)習等人工智能算法的日益成熟,在非控場景下的人臉對齊和人臉檢測技術(shù)得到了很大改善。本文研究了在非控場景下基于卷積神經(jīng)網(wǎng)絡(luò)的人臉對齊算法和自下而上的人臉檢測算法,其主要工作如下:1.對比分析了基于模型匹配、基于級聯(lián)回歸、基于深度學(xué)習三類人臉對齊算法,提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的人臉對齊算法。采用多任務(wù)學(xué)習策略和訓(xùn)練數(shù)據(jù)增廣策略,使用稠密網(wǎng)絡(luò)和6個級聯(lián)網(wǎng)絡(luò)進行人臉相關(guān)關(guān)鍵點檢測和關(guān)鍵點位置關(guān)系檢測,實現(xiàn)了基于卷積神經(jīng)網(wǎng)絡(luò)的人臉對齊算法。實驗測試表明,在不同姿態(tài)、不同遮擋程度、不同光照條件下,本文算法在非控場景下比其它算法具有較明顯的優(yōu)勢,且在公開的數(shù)據(jù)集（AFLW）進行平均誤差評測結(jié)果為6.8%。2.對比分析了基于... 

【文章來源】：河北工業(yè)大學(xué)天津市 211工程院校

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【部分圖文】：

Haar-like特征

在非控條件下的人臉檢測及人臉對齊算法研究-12-對于邊緣特征的特征值v計算公式（2.1），（2.1）對于線條特征的特征值v計算公式（2.2），（2.2）對于對角線特征的特征值v計算公式（2.3），（2.3）Sum表示區(qū)域內(nèi)像素值之和，由不同的特征模板可以得到不同的特征值。積分圖是為了解決利用Harr-like進行特征提取時計算量大的問題。主要是通過減少重復(fù)計算提升特征值的計算速度，基本思想如圖2.2所示。圖2.2積分圖1的位置是區(qū)域A所有的像素值之和，2的位置是區(qū)域A+B的所有像素值之和，3的位置是區(qū)域A+B+C+D的所有像素值之和，4的位置是區(qū)域區(qū)域A+C的所有像素值之和，可以看出每個點的位置i(x,y)，i1，2，3，4，，都是該點左上角區(qū)域所有像素值之和，如公式（2.4），每個點的像素值為v(w,h)（2.4）舉例說明，計算區(qū)域D內(nèi)所有像素值之和DSum公式（2.5）（2.5）這樣可以很快的計算出某一塊區(qū)域的所有像素值之和，減少了大量的重復(fù)計算，直接減少了特征提取的時間。Adaboost對傳統(tǒng)的Boosting[56]算法做了一些改進，主要是將若干個弱分類器進行組合形成一個強分類器�？梢岳斫鉃閷斎氲奶卣鬟M行二分類，符合人臉特征和不符合人臉特征，這樣一層一層的去除不符合人臉的特征，每個二分類器就是弱分類器，級聯(lián)組合到一起就形成了一個強分類器。在輸入圖像分辨率為384228時，可以做到每秒檢測15幀（15fps），是實時的人臉檢測系統(tǒng)。盡管這種人臉檢測方法對于正臉已經(jīng)做的很好了，但是在非控場景下，人臉姿態(tài)表情很復(fù)雜、人臉存在遮擋、外界背景環(huán)境復(fù)雜等情況下存在大量的誤檢和漏檢。v=SumSum黑白v=2SumSum黑白v=SumSum黑白0,0(,)(,)wxhyixyvwh3(,)2(,)4(,)1(,)DSumxyxyxyxy

河北工業(yè)大學(xué)碩士學(xué)位論文-13-2.2.2基于可變形部件模型的人臉檢測算法研究正是因為Viola和Jones提出的人臉檢測算法在人臉姿態(tài)表情比較復(fù)雜時存在大量的漏檢和誤檢，而基于可變形部件模型（DPM）的人臉檢測可以得到比較好的檢測效果。DPM可以分為根濾波器0F，部件濾波器iF（i=1,2,,nà，共n個部件模型），部件形變組成。下面采用彈簧模型說明原理，如圖2.3所示，可以看到這是由人臉器官（嘴巴、鼻子、眼睛、頭發(fā)、臉的邊緣）組成的模型，每個器官就是一個部件，還可以看到各個部件之間的位置關(guān)系。0F使用在低分辨率圖像上，主要提取人臉邊緣輪廓等特征信息，iF使用在分辨率是0F的兩倍的圖像上，主要提取人臉關(guān)鍵部位信息，比如左眼、右眼、鼻子等部位信息，部位形變表示部位信息發(fā)生的變化程度。采用改進的HOG特征，去除原HOG特征的塊（Block）只剩下單元（cell），但是提取到的特征進行歸一化后和HOG特征很接近。單一DPM模型公式定義為（2.6），000000,00,001(,,)(,)(2(,))nliliiscorexylFxyFxyvb（2.6）式（2.6）中000x,y,l分別表示錨點x軸坐標和y軸坐標，尺度0l的層。00,00(,)lFxy為根濾波器響應(yīng)值得分，0,00(2(,))iliFxyv為部件濾波器響應(yīng)值得分，i1,2,,n，共n個部件，尺度層0l，b為偏移系數(shù)。002(x,y)是因為部件濾波器分辨率是根濾波器兩倍，錨點映射到尺度層0l要放大一倍，iv為錨點與理想檢測點的偏移系數(shù)。圖2.3DPM彈簧模型部件濾波器響應(yīng)值得分,(,)ilFxy計算公式（2.7），x，y為部件濾波器i在尺度層l的理想位置，,(,)ilRxdxydy為部件濾波器的匹配得分，(,)idddxdy為部件的偏移損失得分，id為偏移損失系數(shù)，(,)ddxdy為部件錨點和部件模型檢測點之間的距離。

【參考文獻】：
期刊論文
[1]基于改進激活函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)研究[J]. 曲之琳,胡曉飛.  計算機技術(shù)與發(fā)展. 2017(12)
[2]基于ASM的改進型人臉特征點定位方法[J]. 王洋,李俊.  桂林電子科技大學(xué)學(xué)報. 2016(06)
[3]生物特征識別技術(shù)綜述[J]. 鄭方,艾斯卡爾·肉孜,王仁宇,李藍天.  信息安全研究. 2016(01)
[4]基于改進主動外觀模型的人臉識別算法研究[J]. 田華,蒲天銀.  計算機應(yīng)用與軟件. 2014(08)
[5]人臉檢測算法綜述[J]. 肖陽.  電子技術(shù)與軟件工程. 2014(04)
[6]一種改進的AdaBoost人臉檢測算法[J]. 劉瓊,彭光正.  計算機應(yīng)用與軟件. 2011(06)

博士論文
[1]Boosting方法的理論研究[D]. 高尉.南京大學(xué) 2014

碩士論文
[1]基于可變形模型的人臉檢測算法研究與應(yīng)用[D]. 李德強.南京理工大學(xué) 2017
[2]基于深度學(xué)習的人臉對齊[D]. 徐珍琦.北京郵電大學(xué) 2017
[3]基于級聯(lián)回歸的多姿態(tài)人臉特征點檢測算法研究[D]. 黃宇駒.華南理工大學(xué) 2016
[4]基于隨機蕨的三維人臉網(wǎng)格重建[D]. 寇曦.浙江大學(xué) 2016
[5]人體頭部姿態(tài)參數(shù)測量[D]. 王侃.西安工業(yè)大學(xué) 2015



本文編號：3256801