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.     

一种改进主动形状模型的研究

主动形状模型（Active Shape Model,ASM）是一种较为流行的用于特征定位的统计学形状模型,主要应用于灰度图像中物体的跟踪与定位。在传统主动形状模型基础上,研究了一种构建局部纹理模型的新方法。该模型充分利用特征点之间的联系,构建加权模型。在ORL人脸数据库、JAFFE人脸数据库中进行特征定位实验,并进行了ASM性能分析。结果表明,改进ASM方法提高了搜索速度与特征点定位的精度。     

基于深度学习的煤矿井下低光照人脸检测方法

煤矿井下光线昏暗、人工光源干扰等造成监控系统采集到的人脸图像对比度低、人脸特征模糊,传统人脸检测算法应用于煤矿井下时会出现误检、漏检。针对上述问题,提出了一种基于深度学习的煤矿井下低光照人脸检测方法。采用基于无监督学习的生成对抗网络（GAN）对煤矿井下低光照图像进行对比度增强,使用自调整注意力引导的U-Net作为生成器,利用双判别器对全局和局部信息进行引导,并使用自特征保留损失函数来指导训练过程和维护图像中人脸的纹理结构,强化人脸特征,避免出现曝光、人脸细节信息丢失等现象,得到较为清晰的人脸图像;利用RetinaFace人脸检测框架对增强后的人脸特征进行检测,其采用特征金字塔结构和单阶段检测模式对人脸图像进行检测,在基本不增加计算量的同时,提高对小尺度人脸检测的能力。在公开低光照人脸数据集DARK FACE和自建煤矿井下人脸数据集上的实验结果表明,该方法提高了图像对比度,清晰地恢复了图像中的人脸特征,在准确率、召回率、平均精度方面均表现较好,有效提高了煤矿井下人脸检测精度。     

两种自由曲线重建方法*

通过深入分析ASM/AAM算法的各种改进方案的试验统计结果,提出了一种基于局部梯度统计特征和纹理约束形状的改进ASM算法： 用梯度信息代替灰度信息训练特征模型得以有效提高匹配精度和减少所需训练的样本数,用全局的纹理去约束形状得以有效提高算法对特征点定位的精度。大量统计试验表明所提出的算法能正确地提取大部分正向人脸的特征点。提出的算法对人脸跟踪、识别和表情分析等图像理解任务有着广泛的应用前景。     

基于改进Hausdorff距离的人脸匹配方法

提出了一种基于改进Hausdorff距离的人脸相似度匹配的方法,该方法首先将人脸划分为脸型、双眼、鼻、嘴等几个特征点集,分别计算各部分的改进Hausdorff距离,然后进行加权计算相似度。利用该方法,在ASM（主动形状模型）定位人脸的基础上进行了人脸检索。实验表明,利用人脸相似度计算方法对人脸特征库进行搜索,达到了较好的效果。同时结合ASM自动人脸检测,本方法可以全自动完成人脸匹配,应用于人脸识别及数字娱乐等领域。     

基于ASM和K近邻算法的人脸脸型分类

针对人脸特征分类问题,提出一种基于主动形状模型(ASM)和K近邻算法的人脸脸型分类方法。将Hausdorff距离作为K近邻算法的距离函数,利用ASM算法提取待测图像的特征点,对点集进行归一化后计算人脸轮廓特征点与样本库中所有样本点集的Hausdorff距离,根据该距离值,通过K近邻算法实现待测图像的脸型分类。实验结果证明,该方法分类正确率高、速度快、易于实现。     

基于YOLOv3与ResNet50的摄影机器人人脸识别跟踪系统

虚拟演播室下,针对需要摄影机器人来自动完成对主持人的识别并对其进行镜头跟踪的任务,提出一种在基于YOLOv3完成人脸检测的基础上,构建ResNet50网络,对主持人进行人脸识别及镜头跟踪的系统。为提高其在开放集上人脸识别的精度,基于CASIA-FaceV5与PubFig数据集构建人脸训练集,在改进的ResNet50模型上完成模型的联合监督训练。结合摄影机器人运动控制算法进行实验,实验表明该系统具有较好的识别精度与实时性,能够满足虚拟演播室下摄影机器人人脸跟踪要求。     

一种鲁棒的全自动人脸特征点定位方法

人脸特征点定位的目标是能够对人脸进行全自动精确定位. 主动形状模型(Active shape modal, ASM)和主动表象模型(Active appearance modal, AAM)的发表为全自动人脸特征点定位工作提供了很好的思路和解决框架. 之后很多研究工作也都在ASM和AAM的框架下进行了改进. 但是目前的研究工作尚未很好地解决人脸表情、光照以及姿态变化情况下的人脸特征点定位问题, 本文基于ASM框架提出了全自动人脸特征点定位算法. 和传统ASM方法以及ASM的改进方法的不同在于: 1)引进有效的机器学习方法来建立局部纹理模型. 这部分工作改进了传统ASM方法中用灰度图像的梯度分布进行局部纹理建模的方法, 引入了基于随机森林分类器和点对比较特征的局部纹理建模方法. 这种方法基于大量样本的统计学习, 能够有效解决人脸特征点定位中光照和表情变化这些难点; 2)在人脸模型参数优化部分, 本文成功地将分类器输出的结果结合到人脸模型参数优化的目标函数当中, 并且加入形状限制项使得优化的目标函数更为合理. 本文在包含表情、光照以及姿态变化的人脸数据上进行实验, 实验结果证明本文提出的全自动人脸特征点定位方法能够有效地适应人脸的光照和表情变化. 在姿态数据库上的测试结果说明了本算法的有效性.     

基于ASM和肤色模型的疲劳驾驶检测

疲劳驾驶研究中,面部关键特征精确定位与跟踪是个难点。提出了一种基于主动形状模型ASM和肤色模型的疲劳驾驶检测方法。首先,利用肤色模型检测到人脸区域为ASM提供初始定位;然后基于ASM进行人眼和嘴巴跟踪获得眼睛与嘴巴区域;再利用Canny算子对两个区域精确定位,获得疲劳检测参数;最后根据PERCLOS方法实现疲劳检测。考虑到基于HSV颜色模型的人脸检测不受姿势和角度的影响,但容易受到背景干扰,而ASM的优点是人脸关键点跟踪效果好,但初始定位困难,将二者结合实现了眼睛与嘴巴精确定位与跟踪。实验表明,眼睛检测准确率可以达到90.7%,哈欠检测准确率可以达到83.3%,疲劳检测准确率达到91.4%。     

基于改进主动形状模型的人脸表情识别

主动形状模型（ASM）是面部特征定位、人脸识别和表情识别等模式识别领域中常用的一种方法。但受到初始情况、光照等诸多因素的影响,其性能会有所下降。研究了一种改进的主动形状模型,改进主要体现在两个方面：第一,首先用点轮廓检测算法（PCDM）检测到双眼的位置,为ASM中的点分布模型粗略地定位好初始位置;第二,从ASM原始的思想出发,充分挖掘标定点之间的联系,提出一种构建局部纹理模型的新方法。在JAFFE人脸数据库中进行验证,结果表明,改进ASM方法提高了搜索速度与特征点定位的精度。最终构造神经网络分类器进行人脸表情识别实验,得到了较好的识别率。