人脸面部特征点检测及其在视频监控中的应用

发布时间：2017-12-10 08:10

  本文关键词：人脸面部特征点检测及其在视频监控中的应用

  更多相关文章： 人脸面部特征点检测 形状模型 分类器 形状回归

【摘要】：随着信息技术的发展,智能化多媒体在安全控制、刑侦等方面得到了广泛用。人脸面部特征点检测(人脸对齐)作为人脸图像智能中的重要方法,一直是研究的热点。本文主要从人脸面部特征点检测方法及其应用两个方面,研究人脸面部特征点检测的重点难点。人脸面部特征点检测方法研究主要包括基于形状模型结合分类器的检测方法和基于全局到局部回归模型的检测方法。人脸面部特征点检测应用主要包括检测与跟踪在视频中的应用。主要研究内容如下:1、在基于形状模型结合分类器的人脸面部特征点检测方法中,提出了主动形状模型(Active Shape Model,ASM)结合随机森林分类器(Random Forest,RF)的人脸面部特征点检测方法以及ASM结合Adaboost分类器的人脸面部特征点检测方法。实验将提出的方法与ASM及对应的分类器检测方法进行对比,验证了算法在检测速率和准确率上的有效性。实验进一步探索了搜索空间对分类器方法检测准确率的影响,得到搜索空间可优化的结论,该结论为参数择优提供了有力参考。2、在基于全局到局部回归模型的人脸面部特征点检测方法中,将显式形状回归应用于局部形状检测(局部显式形状回归),以提高形状回归在人脸细节上的检测效果。进一步通过对全局显式形状回归以及局部显式形状回归进行分析,提出全局到局部显式形状回归的检测方法。该方法继承了全局显式形状回归的形状约束优点以及局部显式形状回归的局部精细检测的优点。实验从回归量的角度对三者的特性进行分析,并从全局与局部回归器的使用个数角度对全局形状约束与局部形状调整在全局到局部显式形状回归的检测方法中的重要性进行分析,为参数择优提供参考。3、人脸面部特征点检测在视频监控中的应用部分,首先对视觉跟踪的研究现状进行分析,着重通过对基于深度学习的视觉跟踪算法和基于核相关滤波器的视觉跟踪算法进行实验对比,分析当前研究领域跟踪算法面临的重点难点。其次,利用基于Hog特征和SVM分类器的行人检测算法、基于Adaboost分类器的人脸检测算法以及基于ASM结合随机森林的人脸面部特征点检测算法实现视频检测监控系统,从实际应用出发分析人脸面部特征点检测的重点难点。两个跟踪方法中,基于核相关滤波器的视觉跟踪算法相对更适合复杂场景下的跟踪,且跟踪速率更快。基于深度学习的视觉跟踪算法更适合简单场景下的跟踪。
【学位授予单位】：上海大学
【学位级别】：硕士
【学位授予年份】：2015
【分类号】：TP391.41;TN948.6

【参考文献】

中国期刊全文数据库 前1条

1 王洪群,彭嘉雄,强赞霞;基于边缘和纹理特征相结合的快速人脸精确定位方法[J];计算机工程与应用;2004年07期

，

本文编号：1273742