本文關(guān)鍵詞：結(jié)合人臉檢測(cè)的人臉特征點(diǎn)定位方法研究

  更多相關(guān)文章： 人臉檢測(cè) 人臉特征點(diǎn)定位 深度學(xué)習(xí) 級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò) 多任務(wù)學(xué)習(xí)

【摘要】：人臉特征點(diǎn)定位是人臉識(shí)別和分析研究領(lǐng)域中的重中之重,它是諸如自動(dòng)人臉識(shí)別、表情分析、三維人臉重建及三維動(dòng)畫(huà)等其它人臉相關(guān)問(wèn)題的前提和突破口。近些年來(lái),深度學(xué)習(xí)方法由于其自動(dòng)學(xué)習(xí)及持續(xù)學(xué)習(xí)能力,已被成功應(yīng)用到了圖像識(shí)別與分析、語(yǔ)音識(shí)別和自然語(yǔ)言處理等很多領(lǐng)域,且在這些方面都帶來(lái)了很顯著的改善。因此,本文利用深度學(xué)習(xí)方法進(jìn)行了人臉特征點(diǎn)定位的研究。在傳統(tǒng)的研究過(guò)程中,人們一般都是將人臉檢測(cè)和人臉特征點(diǎn)定位當(dāng)作兩個(gè)獨(dú)立的課題。但事實(shí)上,人臉檢測(cè)和人臉特征點(diǎn)定位工作是緊密聯(lián)系并且互相影響著的。其中,人臉檢測(cè)是人臉特征點(diǎn)定位的前提和基礎(chǔ),在目標(biāo)人臉圖像中準(zhǔn)確地檢測(cè)出人臉區(qū)域既可以保證人臉特征點(diǎn)定位的準(zhǔn)確性,又可以縮小搜索范圍,從而提高定位的效率。因此,本文考慮結(jié)合人臉檢測(cè)來(lái)提高人臉特征點(diǎn)定位的精度。第一種結(jié)合方式是人臉檢測(cè)卷積神經(jīng)網(wǎng)絡(luò)與人臉特征點(diǎn)定位卷積神經(jīng)網(wǎng)絡(luò)前后相級(jí)聯(lián),以充分發(fā)揮人臉檢測(cè)對(duì)人臉特征點(diǎn)定位的基礎(chǔ)作用;第二種結(jié)合方式是多任務(wù)學(xué)習(xí)。將人臉檢測(cè)和人臉特征點(diǎn)定位看作互相關(guān)聯(lián)的兩種任務(wù),利用多任務(wù)學(xué)習(xí)的思想,用一個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)模型同時(shí)學(xué)習(xí)這兩種任務(wù),從而讓兩個(gè)任務(wù)之間可以互相促進(jìn)、互相提高。基于此,本文的主要研究?jī)?nèi)容和創(chuàng)新點(diǎn)是:(1)設(shè)計(jì)了基于選擇性搜索策略和改進(jìn)的Alexnet卷積神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)器。本文在人臉檢測(cè)問(wèn)題上選用的也是深度學(xué)習(xí)方法和卷積神經(jīng)網(wǎng)絡(luò)模型。這是因?yàn)?通過(guò)傳統(tǒng)人臉檢測(cè)算法(比如最經(jīng)典的Adaboost算法)裁剪出來(lái)的人臉矩形框,經(jīng)常會(huì)摻雜很多冗余的背景,且定位到的人臉,有時(shí)并不能夠準(zhǔn)確在矩形的中心,而使用卷積神經(jīng)網(wǎng)絡(luò)可以明顯改善這些問(wèn)題,從而能更好地進(jìn)行人臉特征點(diǎn)定位。(2)提出了基于級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的人臉特征點(diǎn)定位方法。第一級(jí)是(1)中提到的人臉檢測(cè)器,第二、三級(jí)分別是用于人臉特征點(diǎn)粗定位和細(xì)定位的兩層卷積神經(jīng)網(wǎng)絡(luò),文中詳細(xì)探討了這兩層卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)及參數(shù)設(shè)置。(3)提出了基于多任務(wù)深度學(xué)習(xí)的人臉特征點(diǎn)定位算法。設(shè)計(jì)了兩個(gè)多任務(wù)深度學(xué)習(xí)模型:在卷積神經(jīng)網(wǎng)絡(luò)的中間層融合人臉檢測(cè)和人臉特征點(diǎn)定位兩個(gè)子任務(wù)的深度學(xué)習(xí)模型以及在卷積神經(jīng)網(wǎng)絡(luò)的全連接層融合這兩個(gè)任務(wù)的深度學(xué)習(xí)模型。本文設(shè)置了多組對(duì)照實(shí)驗(yàn),實(shí)驗(yàn)基于Caffe深度學(xué)習(xí)框架和Python編程而進(jìn)行。實(shí)驗(yàn)結(jié)果證明,上述兩種方法得到的人臉特征點(diǎn)定位效果,相對(duì)目前比較好的方法,在精度上都有很大提升。
【學(xué)位授予單位】：青島科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：TP391.41

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 李倩;江澤濤;;二值化的SIFT特征描述子及圖像拼接優(yōu)化[J];中國(guó)圖象圖形學(xué)報(bào);2016年12期

2 向程諭;王冬麗;李建勛;周彥;;基于改進(jìn)SIFT特征的深度圖像匹配[J];計(jì)算機(jī)應(yīng)用;2016年S2期

3 曾成;魏京歡;;基于多任務(wù)CNN的人臉活體多屬性檢測(cè)[J];科學(xué)技術(shù)與工程;2016年32期

4 邵蔚元;郭躍飛;;多任務(wù)學(xué)習(xí)及卷積神經(jīng)網(wǎng)絡(luò)在人臉識(shí)別中的應(yīng)用[J];計(jì)算機(jī)工程與應(yīng)用;2016年13期

5 李岳云;許悅雷;馬時(shí)平;史鶴歡;;深度卷積神經(jīng)網(wǎng)絡(luò)的顯著性檢測(cè)[J];中國(guó)圖象圖形學(xué)報(bào);2016年01期

6 畢雪芹;惠婷;;基于膚色分割與AdaBoost算法的人臉檢測(cè)[J];國(guó)外電子測(cè)量技術(shù);2015年12期

7 譚萍;邢玉娟;于成洋;;基于深度學(xué)習(xí)和部分模型的相關(guān)性人臉檢測(cè)[J];計(jì)算機(jī)應(yīng)用與軟件;2015年12期

8 曲建嶺;杜辰飛;邸亞洲;高峰;郭超然;;深度自動(dòng)編碼器的研究與展望[J];計(jì)算機(jī)與現(xiàn)代化;2014年08期

9 梁淑芬;劉銀華;李立琛;;基于LBP和深度學(xué)習(xí)的非限制條件下人臉識(shí)別算法[J];通信學(xué)報(bào);2014年06期

10 趙海英;楊一帆;徐正光;;基于多角度LBP特征的三維人臉性別分類[J];自動(dòng)化學(xué)報(bào);2012年09期

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前3條

1 鄧柳;基于深度卷積神經(jīng)網(wǎng)絡(luò)的車型識(shí)別[D];西南交通大學(xué);2015年

2 向飛;基于局部約束模型與SCMS的面部特征點(diǎn)跟蹤[D];西安電子科技大學(xué);2014年

3 周茜;基于多任務(wù)學(xué)習(xí)的人臉識(shí)別方法[D];西北大學(xué);2013年

，

本文編號(hào)：1298279