复杂背景下视频序列中的人脸定位算法

视频序列中的人脸定位是利用视频图像进行人脸识别的关键技术.为提高视频序列中人脸定位的准确性,通过分析彩色视频序列中的人脸特点,提出一种采用背景去除、肤色区域探测、水平亮度投影和垂直梯度运算、特征点拟合等人脸模板特征的方法,对视频序列中的人脸进行定位.实验结果表明,该方法定位的人脸能够满足实际应用,已利用本方法开发了人脸门禁系统.     

基于头肩图像序列的人脸特征定位系统的实现

针对复杂背景的人脸彩色图像进行特征定位,一直是研究的热点和难点问题.提出了一种实时进行人脸特征定位的算法.在单人脸头肩图像序列中,首先利用背景差分法提取出人脸前景图像,利用几何先验知识和积分投影法分离出人脸区域;接着在人脸区域中采用YCbCr肤色模型、模板匹配以及边缘检测的方法定位出眼睛和嘴角,最后在RGB空间上采用阈值方法和积分投影法相结合的方法确定眉毛和鼻子的位置.实验表明,系统可以快速地检测出人脸特征,具有较高的检测精度和鲁棒性,检测的帧率达到10fps.     

人脸图像定位与标准化算法

提出了一种基于人脸左右侧的轮廓线和眼部水平特征的人脸定位与标准化算法。对于光照、表情、人脸的角度等有一定变化的人脸图像，也可以进行快速定位。该方法首先利用人脸的左右侧轮廓线进行垂直定位，然后用人眼在水平方向上的特点进行水平定位。在定位基础上，系统对人脸图像作了标准化处理。     

利用Hausdorff距离人脸图像定位算法

利用 Hausdorff距离的人脸图像定位算法是动态人脸识别系统的预处理工作 .定位算法与识别系统相结合 ,可提高人脸识别率 .由于动态人脸图像在移动过程中成像大小不是完全相同的 ,这样对进一步运动中人脸图像相互关系有较大的影响 ,提出了利用 Hausdorff距离来对图像中人脸进行定位 ,将图像中人脸部分提取出来并对其大小做调整 ,过滤掉背景信息 ,一定程度上简化了后续识别工作     

复杂背景下基于肤色分割的人脸检测算法研究

针对复杂背景下的多姿态彩色人脸图像,提出了一种基于Adaboost级联分类器和模板匹配相结合的人脸检测算法.利用肤色信息对对图像中的皮肤区域和非皮肤区域进行分割,运用改进后的Adaboost方法定位可能的人脸区域.最后通过模板匹配的方法对检测到的人脸区域进行进一步验证,实现了彩色图像中更精确的人脸定位.在实验中从不同大小、背景、光照、表情和光源方向等方面对多姿态的人脸图像进行了检测,取得了很好的效果,表明了该算法的有效性和实用性.     

灰度图像中基于像素分布特征的人脸定位

提出了一种利用人脸图像的像素分布特征来定位人脸的方法，在定位人脸的内轮廓时利用了图像二值化后的分布特征和灰度图的像素分布特征相结合的方法，然后将人脸区域的图像进行标准化，经过以脸图像可以方便地用于人脸的识别。在对采集到的图像进行的测试中得到了较好的效果。     

人脸识别中面部图像处理算法研究

在人脸图像定位的前提上,利用灰度信息实现了人脸面部主要器官如眼睛、鼻子和嘴巴的定位。采用双三次插值法对图像进行旋转和缩放。另外,采用直方图增强的方法对图像灰度值进行归一化处理。     

基于深度自编码器网络的人脸特征点定位方法

使用深度学习网络技术的人脸特征点定位方法已经取得了比较突出的效果。然而,人脸图像由于姿态、表情、光照、遮挡等变化而具有复杂多样性,因此数目较多的人脸特征点(超过50个特征点)定位依然有很大的挑战性。设计了三层级联的自编码器网络,并通过由粗到精的方法对多数目的人脸特征点进行定位。第一层网络以整张人脸图像为输入,直接估计人脸轮廓和部件位置,从而将特征点分成三部分(眼眉鼻,嘴巴和人脸轮廓)进行下一步定位;之后的两层网络分别对各部件特征点进行估计求精。在LFPW、HELEN数据库上的实验表明,该方法能够提高人脸特征点定位的准确性和鲁棒性。     

基于Hausdorff距离和改进ASM的人脸跟踪方法*

针对视频图像中人脸定位跟踪的问题,提出了基于Hausdorff距离和改进ASM的跟踪方法.由于Hausdorff距离多模板匹配的复杂性,采用ASM的人脸模型作为模板大大降低了模型维数;并对传统的ASM算法进行了改进,利用DCT进行去相关和能量集中,充分利用特征点附近的二维纹理信息代替传统ASM的一维灰度信息,提高了定位速度和精度.实验证明该方法在视频图像人脸跟踪中是非常有效的.     

彩色静态图像的人脸检测研究

讨论了一种彩色静态图像的人脸检测法,先使用光照补偿对图像进行预处理,再采用YCbCr肤色模型检测出图像的肤色部分,然后对肤色部分进行膨胀、腐蚀,去除非人脸区域,最后使用人工神经网络对候选人脸区域进行验证,最终定位出人脸区域.实验证明了该方法对不同光照环境和复杂背景的图片有较好的适应性,提高了检测速度与精度.     

人机交互中的人脸信息曲波分析

视觉交互是自然人机交互的重要组成部分,而人脸特征提取则是视觉交互成功的关键。针对小波变换难以充分描述人脸曲线特征的缺点,为了更好地提取人脸特征,将更符合人类视觉特性的曲波变换用于人脸信息处理,提出了结合曲波变换与Adaboost方法的人脸检测优化方法和基于曲波变换与SVM进行表情分析的新方法,并开展了人脸检测、人脸识别与表情分析的对比实验。实验结果显示,曲波变换在人脸特征提取中具有明显优势,从而为自然人机交互的下一步工作打下了坚实基础。     

快速人脸检测与特征定位

人脸检测与特征定位是人脸分析技术的一个重要组成部分,其目标是在图像中搜索人脸特征(如眼、鼻、嘴、耳等)的位置。虽然人们可以毫不费力地完成这些工作,但对于机器来说,这依然是一件极其困难的任务。近几年来该项技术已有了长足的发展,已成功地应用于诸如人脸识别、姿态识别、表情识别、脸部动画等诸多领域。本文利用David Cristinace和Tim Cootes提出的一个多阶段人脸特征检测方法实现了一个实时人脸特征定位系统。同时也对原算法本身作了一些改进,在对精度影响极小的情况下,大大提高了原算法的速度。     

面部表情分析进展和挑战

面部表情分析是计算机通过分析人脸信息尝试理解人类情感的一种技术,目前已成为计算机视觉领域的热点话题。其挑战在于数据标注困难、多人标签一致性差、自然环境下人脸姿态大以及遮挡等。为了推动面部表情分析发展,本文概述了面部表情分析的相关任务、进展、挑战和未来趋势。首先,简述了面部表情分析的几个常见任务、基本算法框架和数据库;其次,对人脸表情识别方法进行了综述,包括传统的特征设计方法以及深度学习方法;接着,对人脸表情识别存在的问题与挑战进行总结思考;最后,讨论了未来发展趋势。通过全面综述和讨论,总结以下观点：1）针对可靠人脸表情数据库规模小的问题,从人脸识别模型进行迁移学习以及利用无标签数据进行半监督学习是两个重要策略;2）受模糊表情、低质量图像以及标注者的主观性影响,非受控自然场景的人脸表情数据的标签库存在一定的不确定性,抑制这些因素可以使得深度网络学习真正的表情特征;3）针对人脸遮挡和大姿态问题,利用局部块进行融合的策略是一个有效的策略,另一个值得考虑的策略是先在大规模人脸识别数据库中学习一个对遮挡和姿态鲁棒的模型,再进行人脸表情识别迁移学习;4）由于基于深度学习的表情识别方法受很多超参数影响,导致当前人脸表情识别方法的可比性不强,不同的表情识别方法有必要在不同的简单基线方法上进行评测。目前,虽然非受控自然环境下的表情分析得到较快发展,但是上述问题和挑战仍然有待解决。人脸表情分析是一个比较实用的任务,未来发展除了要讨论方法的精度也要关注方法的耗时以及存储消耗,也可以考虑用非受控环境下高精度的人脸运动单元检测结果进行表情类别推断。     

基于CBP-TOP特征的人脸表情识别*

针对人脸表情时空域特征信息的有效提取,本文提出了一种CBP-TOP（Centralized Binary Patterns From Three Orthogonal Panels）特征和SVM分类器相结合的人脸表情识别新方法。该方法首先将原始图像序列进行图像预处理,包括人脸检测、图像截取和图像尺度归一化,然后用CBP-TOP算子对图像序列进行分块提取特征,最后采用SVM分类器进行表情识别。实验结果表明,该方法能更有效提取图像序列的运动特征和动态纹理信息,提高了表情识别的准确率。和VLBP特征相比, CBP-TOP特征在表情识别中具有更高的识别率和更快的识别速度。     

基于形状-色彩的改进的Laplacianface人脸识别算法

针对人脸识别算法中普遍存在的鲁棒性不高的问题,提出一种新颖的特征提取手段,使提取的特征相对于图像尺度,人脸姿态等条件具有不变性;同时,将特征提取算法集成至Laplacianface人脸识别算法中,形成一种改进的基于形状-色彩特征的人脸识别算法。实验结果表明算法不仅提高了现有人脸识别算法的准确度,而且在人脸姿态等条件发生变化的情况下仍然能保持较高的识别率,有效提高了算法的鲁棒性。     

融合人脸多特征信息的表情识别系统

基于对处于不同表情中人脸特征差异的分析,发现用同种方法提取面部各部分特征无法达到信息利用度的最大化,会产生有用信息丢失或者冗余计算,降低了算法的识别准确率和运行速度。针对面部表情改变时,变化最大的3个部分——嘴、额头和眉毛在形状、纹理和距离上的差异,提出用模板匹配法提取嘴部特征,用边缘检测法提取额头特征,用外轮廓检测法提取眉毛特征,并综合这三者的输出得到最终面部表情识别结果的多特征提取识别系统。实验结果验证了该方法的稳定性与有效性,该算法无论在识别准确率还是在整体运行速度上都达到了较高的水平。     

面部表情的深度卷积级联森林识别

面部表情识别广泛应用于各种研究领域,针对面部表情识别使用深度神经网络方法结构复杂、可解释性差和传统机器学习方法特征提取缺乏多样性、识别率低的问题.提出了一种新的深度卷积级联森林(Deep Convolution Cascade Forest,DCCF)方法用于人脸面部表情识别,该方法通过卷积神经网络深度学习人脸面部显著特征,并采用基于随机森林的级联结构森林逐层学习识别出不同的面部表情特征,提高了人脸表情的识别准确率.DCCF在JAFFE、CK+和Fer2013 3个公开面部表情数据集进行了实验,并对面部表情提取的5种特征和7种分类方法进行了比较分析,结果显示DCCF在对比的算法中人脸表情识别性能最好,3个数据集的准确率分别达到91.4%,98.7%,71.6%.     

人脸特征自适应选取技术

如何选取并提取稳定可靠的人脸特征是人脸识别技术中迫切需要解决的问题，文中在对现有特征提取方法的优缺点进行详细分析的基础上，提出人脸特征自适应选取算法框架，详细论述了如何建立并提取人脸特征自适应选取的准则，该算法在100多幅人脸图像实验中效果理想。     

多信息融合的深度学习人脸表情识别算法研究

人脸表情识别作为人机交互系统的重要组成部分,在安防监控、人机交互等领域有广泛的应用,是计算机视觉的研究热点。传统的卷积神经网络方法一般提取单张人脸图像或者人脸标记点作为特征提取的输入数据,未能考虑到人脸全域的表情信息。提出了一种基于三通道多信息融合的深度学习人脸表情识别模型,以人脸图像表情平静到高峰时期标记点坐标的相对位移为输入,提取整个人脸表情图像特征信息,模型融合了稀疏自编码器以提高对边缘特征提取效率。该模型在CK+数据集上进行了训练和测试,实验结果表明,与该领域中的同类算法相比,该算法模型提高了表情识别的准确率。     

TP-FER：基于优化卷积神经网络的三通道人脸表情识别方法

针对人脸五官在表达不同情绪时所起的作用不同,利用单一的卷积神经网络对人脸面部特征进行特征提取和表情识别可能会导致提取表情关键特征信息时聚焦性不够,而仅对眼部或者嘴部等重点部位进行特征提取,又有可能造成特征提取不够充分的问题,提出了一种基于优化卷积神经网络的三通道人脸表情识别方法TP-FER(tri-path networks for facial expression recognition).该方法基于构建的卷积神经网络训练,采用三个输入渠道,分别聚焦面部、眼部和嘴部区域进行特征提取和表情判别,最后采用基于决策层的融合技术将三个渠道的识别结果进行相对多数投票决策,获取整体最优识别率.将此方法应用于JCK+数据集和自建数据集上进行了实验判别分析,结果表明该方法在两个数据集上均提高了整体表情识别率.该方法既考虑了脸部整体特征的提取,又兼顾了某些表情主要聚焦在眼部、嘴部表达的特性,相互辅助,整体提高了表情的识别率;该方法也能对神经心理学研究提供数据支持.