在非控条件下的人脸检测及人脸对齐算法研究
发布时间：2021-06-29 16:56
目前人脸检测和人脸对齐在光照良好、人脸无遮挡、无极端人脸姿态、图像分辨率较高的情况下已经基本实用化,例如在人证比对,美颜相机等近距离情况下的人脸检测对齐应用。但是在非控场景下的人脸对齐和人脸检测还不尽如人意,尤其是在复杂的人脸姿态表情、严重的人脸遮挡、外界环境背景复杂、光照条件差、图像分辨率低、人脸分辨率低等情况下不能做到较好的人脸对齐和人脸检测,而实时性检测更加难以做到。随着深度学习等人工智能算法的日益成熟,在非控场景下的人脸对齐和人脸检测技术得到了很大改善。本文研究了在非控场景下基于卷积神经网络的人脸对齐算法和自下而上的人脸检测算法,其主要工作如下:1.对比分析了基于模型匹配、基于级联回归、基于深度学习三类人脸对齐算法,提出一种基于卷积神经网络的人脸对齐算法。采用多任务学习策略和训练数据增广策略,使用稠密网络和6个级联网络进行人脸相关关键点检测和关键点位置关系检测,实现了基于卷积神经网络的人脸对齐算法。实验测试表明,在不同姿态、不同遮挡程度、不同光照条件下,本文算法在非控场景下比其它算法具有较明显的优势,且在公开的数据集（AFLW）进行平均误差评测结果为6.8%。2.对比分析了基于...
【文章来源】：河北工业大学天津市 211工程院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
Haar-like特征
在非控条件下的人脸检测及人脸对齐算法研究-12-对于边缘特征的特征值v计算公式（2.1），（2.1）对于线条特征的特征值v计算公式（2.2），（2.2）对于对角线特征的特征值v计算公式（2.3），（2.3）Sum表示区域内像素值之和，由不同的特征模板可以得到不同的特征值。积分图是为了解决利用Harr-like进行特征提取时计算量大的问题。主要是通过减少重复计算提升特征值的计算速度，基本思想如图2.2所示。图2.2积分图1的位置是区域A所有的像素值之和，2的位置是区域A+B的所有像素值之和，3的位置是区域A+B+C+D的所有像素值之和，4的位置是区域区域A+C的所有像素值之和，可以看出每个点的位置i(x,y)，i1，2，3，4，，都是该点左上角区域所有像素值之和，如公式（2.4），每个点的像素值为v(w,h)（2.4）举例说明，计算区域D内所有像素值之和DSum公式（2.5）（2.5）这样可以很快的计算出某一块区域的所有像素值之和，减少了大量的重复计算，直接减少了特征提取的时间。Adaboost对传统的Boosting[56]算法做了一些改进，主要是将若干个弱分类器进行组合形成一个强分类器。可以理解为对输入的特征进行二分类，符合人脸特征和不符合人脸特征，这样一层一层的去除不符合人脸的特征，每个二分类器就是弱分类器，级联组合到一起就形成了一个强分类器。在输入图像分辨率为384228时，可以做到每秒检测15帧（15fps），是实时的人脸检测系统。尽管这种人脸检测方法对于正脸已经做的很好了，但是在非控场景下，人脸姿态表情很复杂、人脸存在遮挡、外界背景环境复杂等情况下存在大量的误检和漏检。v=SumSum黑白v=2SumSum黑白v=SumSum黑白0,0(,)(,)wxhyixyvwh3(,)2(,)4(,)1(,)DSumxyxyxyxy
河北工业大学硕士学位论文-13-2.2.2基于可变形部件模型的人脸检测算法研究正是因为Viola和Jones提出的人脸检测算法在人脸姿态表情比较复杂时存在大量的漏检和误检，而基于可变形部件模型（DPM）的人脸检测可以得到比较好的检测效果。DPM可以分为根滤波器0F，部件滤波器iF（i=1,2,,nà，共n个部件模型），部件形变组成。下面采用弹簧模型说明原理，如图2.3所示，可以看到这是由人脸器官（嘴巴、鼻子、眼睛、头发、脸的边缘）组成的模型，每个器官就是一个部件，还可以看到各个部件之间的位置关系。0F使用在低分辨率图像上，主要提取人脸边缘轮廓等特征信息，iF使用在分辨率是0F的两倍的图像上，主要提取人脸关键部位信息，比如左眼、右眼、鼻子等部位信息，部位形变表示部位信息发生的变化程度。采用改进的HOG特征，去除原HOG特征的块（Block）只剩下单元（cell），但是提取到的特征进行归一化后和HOG特征很接近。单一DPM模型公式定义为（2.6），000000,00,001(,,)(,)(2(,))nliliiscorexylFxyFxyvb（2.6）式（2.6）中000x,y,l分别表示锚点x轴坐标和y轴坐标，尺度0l的层。00,00(,)lFxy为根滤波器响应值得分，0,00(2(,))iliFxyv为部件滤波器响应值得分，i1,2,,n，共n个部件，尺度层0l，b为偏移系数。002(x,y)是因为部件滤波器分辨率是根滤波器两倍，锚点映射到尺度层0l要放大一倍，iv为锚点与理想检测点的偏移系数。图2.3DPM弹簧模型部件滤波器响应值得分,(,)ilFxy计算公式（2.7），x，y为部件滤波器i在尺度层l的理想位置，,(,)ilRxdxydy为部件滤波器的匹配得分，(,)idddxdy为部件的偏移损失得分，id为偏移损失系数，(,)ddxdy为部件锚点和部件模型检测点之间的距离。
【参考文献】：
期刊论文
[1]基于改进激活函数的卷积神经网络研究[J]. 曲之琳,胡晓飞. 计算机技术与发展. 2017(12)
[2]基于ASM的改进型人脸特征点定位方法[J]. 王洋,李俊. 桂林电子科技大学学报. 2016(06)
[3]生物特征识别技术综述[J]. 郑方,艾斯卡尔·肉孜,王仁宇,李蓝天. 信息安全研究. 2016(01)
[4]基于改进主动外观模型的人脸识别算法研究[J]. 田华,蒲天银. 计算机应用与软件. 2014(08)
[5]人脸检测算法综述[J]. 肖阳. 电子技术与软件工程. 2014(04)
[6]一种改进的AdaBoost人脸检测算法[J]. 刘琼,彭光正. 计算机应用与软件. 2011(06)
博士论文
[1]Boosting方法的理论研究[D]. 高尉.南京大学 2014
硕士论文
[1]基于可变形模型的人脸检测算法研究与应用[D]. 李德强.南京理工大学 2017
[2]基于深度学习的人脸对齐[D]. 徐珍琦.北京邮电大学 2017
[3]基于级联回归的多姿态人脸特征点检测算法研究[D]. 黄宇驹.华南理工大学 2016
[4]基于随机蕨的三维人脸网格重建[D]. 寇曦.浙江大学 2016
[5]人体头部姿态参数测量[D]. 王侃.西安工业大学 2015
本文编号：3256801
【文章来源】：河北工业大学天津市 211工程院校
【文章页数】：84 页
【学位级别】：硕士
【部分图文】：
Haar-like特征
在非控条件下的人脸检测及人脸对齐算法研究-12-对于边缘特征的特征值v计算公式（2.1），（2.1）对于线条特征的特征值v计算公式（2.2），（2.2）对于对角线特征的特征值v计算公式（2.3），（2.3）Sum表示区域内像素值之和，由不同的特征模板可以得到不同的特征值。积分图是为了解决利用Harr-like进行特征提取时计算量大的问题。主要是通过减少重复计算提升特征值的计算速度，基本思想如图2.2所示。图2.2积分图1的位置是区域A所有的像素值之和，2的位置是区域A+B的所有像素值之和，3的位置是区域A+B+C+D的所有像素值之和，4的位置是区域区域A+C的所有像素值之和，可以看出每个点的位置i(x,y)，i1，2，3，4，，都是该点左上角区域所有像素值之和，如公式（2.4），每个点的像素值为v(w,h)（2.4）举例说明，计算区域D内所有像素值之和DSum公式（2.5）（2.5）这样可以很快的计算出某一块区域的所有像素值之和，减少了大量的重复计算，直接减少了特征提取的时间。Adaboost对传统的Boosting[56]算法做了一些改进，主要是将若干个弱分类器进行组合形成一个强分类器。可以理解为对输入的特征进行二分类，符合人脸特征和不符合人脸特征，这样一层一层的去除不符合人脸的特征，每个二分类器就是弱分类器，级联组合到一起就形成了一个强分类器。在输入图像分辨率为384228时，可以做到每秒检测15帧（15fps），是实时的人脸检测系统。尽管这种人脸检测方法对于正脸已经做的很好了，但是在非控场景下，人脸姿态表情很复杂、人脸存在遮挡、外界背景环境复杂等情况下存在大量的误检和漏检。v=SumSum黑白v=2SumSum黑白v=SumSum黑白0,0(,)(,)wxhyixyvwh3(,)2(,)4(,)1(,)DSumxyxyxyxy
河北工业大学硕士学位论文-13-2.2.2基于可变形部件模型的人脸检测算法研究正是因为Viola和Jones提出的人脸检测算法在人脸姿态表情比较复杂时存在大量的漏检和误检，而基于可变形部件模型（DPM）的人脸检测可以得到比较好的检测效果。DPM可以分为根滤波器0F，部件滤波器iF（i=1,2,,nà，共n个部件模型），部件形变组成。下面采用弹簧模型说明原理，如图2.3所示，可以看到这是由人脸器官（嘴巴、鼻子、眼睛、头发、脸的边缘）组成的模型，每个器官就是一个部件，还可以看到各个部件之间的位置关系。0F使用在低分辨率图像上，主要提取人脸边缘轮廓等特征信息，iF使用在分辨率是0F的两倍的图像上，主要提取人脸关键部位信息，比如左眼、右眼、鼻子等部位信息，部位形变表示部位信息发生的变化程度。采用改进的HOG特征，去除原HOG特征的块（Block）只剩下单元（cell），但是提取到的特征进行归一化后和HOG特征很接近。单一DPM模型公式定义为（2.6），000000,00,001(,,)(,)(2(,))nliliiscorexylFxyFxyvb（2.6）式（2.6）中000x,y,l分别表示锚点x轴坐标和y轴坐标，尺度0l的层。00,00(,)lFxy为根滤波器响应值得分，0,00(2(,))iliFxyv为部件滤波器响应值得分，i1,2,,n，共n个部件，尺度层0l，b为偏移系数。002(x,y)是因为部件滤波器分辨率是根滤波器两倍，锚点映射到尺度层0l要放大一倍，iv为锚点与理想检测点的偏移系数。图2.3DPM弹簧模型部件滤波器响应值得分,(,)ilFxy计算公式（2.7），x，y为部件滤波器i在尺度层l的理想位置，,(,)ilRxdxydy为部件滤波器的匹配得分，(,)idddxdy为部件的偏移损失得分，id为偏移损失系数，(,)ddxdy为部件锚点和部件模型检测点之间的距离。
【参考文献】：
期刊论文
[1]基于改进激活函数的卷积神经网络研究[J]. 曲之琳,胡晓飞. 计算机技术与发展. 2017(12)
[2]基于ASM的改进型人脸特征点定位方法[J]. 王洋,李俊. 桂林电子科技大学学报. 2016(06)
[3]生物特征识别技术综述[J]. 郑方,艾斯卡尔·肉孜,王仁宇,李蓝天. 信息安全研究. 2016(01)
[4]基于改进主动外观模型的人脸识别算法研究[J]. 田华,蒲天银. 计算机应用与软件. 2014(08)
[5]人脸检测算法综述[J]. 肖阳. 电子技术与软件工程. 2014(04)
[6]一种改进的AdaBoost人脸检测算法[J]. 刘琼,彭光正. 计算机应用与软件. 2011(06)
博士论文
[1]Boosting方法的理论研究[D]. 高尉.南京大学 2014
硕士论文
[1]基于可变形模型的人脸检测算法研究与应用[D]. 李德强.南京理工大学 2017
[2]基于深度学习的人脸对齐[D]. 徐珍琦.北京邮电大学 2017
[3]基于级联回归的多姿态人脸特征点检测算法研究[D]. 黄宇驹.华南理工大学 2016
[4]基于随机蕨的三维人脸网格重建[D]. 寇曦.浙江大学 2016
[5]人体头部姿态参数测量[D]. 王侃.西安工业大学 2015
本文编号：3256801
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3256801.html
