表情变化鲁棒的面部特征点检测与跟踪方法研究

摘要

在计算机技术快速发展的今天，人工智能广泛出现在人们生活中。人脸智能分析作为人工智能的一个重要分支，在实际应用中起着巨大的作用。面部特征点检测和跟踪作为人脸智能分析中的一个重要的基础环节，实际中对特征点定位的鲁棒性要求较高。本文针对静态图像中表情变化的人脸图像，提出了一种特征点定位方法。针对视频序列中表情变化的人脸图像，提出了一种面部特征点跟踪的方法。实验结果表明，提出的特征点检测和跟踪方法在其对应的条件下均表现出表较好的鲁棒性。
　　为了解决静态图像中表情变化的人脸特征点定位问题，提出了基于多特征和多核学习的面部特征点定位方法。首先，使用已经标记好的一定数量的人脸库，建立人脸形状统计模型。其次，使用多特征和多核学习的方法构建局部检测器。再次，在初始化完成后，使用构建好的局部检测器，在每个初始化点的周围局部区域检测，输出响应图。最后在局部响应图上构造二次函数并结合全局模型约束迭代优化函数，完成特征点的检测工作。实验结果表明该方法在含有表情变化的静态图像中有较好的定位效果，与基于单特征单核的支撑向量机的特征点检测方法相比，定位的精度有了显著提高。
　　为了解决视频中面部特征点的跟踪问题，提出了一种改进的时空上下文跟踪方法，并结合基于局部限制模型的特征点检测方法完成特征点的跟踪。首先，使用特征点定位方法给定初始位置。其次，学习空间上下文和时间上下文产生置信图。再次，计算置信图中置信度较高的位置，并计算当前预测区域和前一帧目标区域的相似判决系数。最后，判断相似系数是否满足设定的阈值，如果不满足则以当前预测位置初始化重新进行迭代计算，直到满足相似判决系数的阈值要求停止迭代，输出跟踪结果。通过引入迭代优化过程，提高了目标跟踪的精度。实验结果表明，该方法在视频序列中对表情变化条件下的图像的特征点能够进行快速且稳定的跟踪。

目录

声明

1绪论

1.1研究背景与意义

1.2 国内外研究进展

1.3 本文的研究内容和安排

2 基于局部限制模型的面部特征点检测方法

2.1 统计形状模型的构建

2.2局部模型的构建

2.3 基于局部限制模型定位方法的搜索方法

2.4 本章小结

3 静态图像中表情变化鲁棒的面部特征点定位方法

3.1 CLM与多特征和多核学习相结合的特征点定位方法

3.2 基于多特征和多核学习局部检测器的构造

3.3 实验结果和分析

3.4 本章小结

4视频图像中的面部特征点跟踪方法

4.1 基于时空上下文的跟踪方法

4.2时空上下文算法的跟踪过程

4.3 基于改进的STC目标跟踪方法

4.4 实验结果和分析

4.5本章小结

5总结与展望

5.1 总结

5.2 展望

致谢

参考文献