基于形变模型的真实感三维人脸动画研究

论文提出了一种新的基于三维人脸形变模型,并兼容于MPEG-4的三维人脸动画模型。采用基于均匀网格重采样的方法建立原型三维人脸之间的对齐,应用MPEG-4中定义的三维人脸动画规则,驱动三维模型自动生成真实感人脸动画。给定一幅人脸图像,三维人脸动画模型可自动重建其真实感的三维人脸,并根据FAP参数驱动模型自动生成人脸动画。     

基于AVS-M的3G视频流媒体传输与差错控制

分析了以RTP包传输视频数据，并以RTCP包进行控制的传输机制。根据3GPP规范和相关协议，设计实现了针对AVS-M码流的负载包、重传包和六种不同的RTCP包，包括引入的FB包。建立了一个包传输和控制系统。在立即反馈的基础上提出了一种基于分层重传的差错控制机制。     

基于深度视频的人体行为特征表示与识别

深度视频中的人体行为的识别研究主要集中在对深度视频进行特征表示上,为了获得具有判别性的特征表示,首先提出了深度视频中一种基于表面法向信息的局部二值模式( local binary pattern, LBP)算子作为初级特征,然后基于稀疏表示模型训练初级特征字典,获取初级特征的稀疏表示,最后对用自适应的时空金字塔划分的若干个子序列使用时空池化方法进行初级特征与稀疏系数的规格化,得到深度视频的高级特征,最终的特征表示实现了深度视频中的准确的人体行为识别。在公开的动作识别库MSR Action3D和手势识别库MSR Gesture3D上的实验证明了本文提出的特征表示的有效性和优越性。     

基于独立特征融合的面部疲劳状态识别

为提高面部疲劳状态的识别效果,提出了一种融合全局特征和局部特征的面部疲劳特征表示方法.该方法将离散余弦变换(discrete cosine transform,DCT)和独立元分析(independent component analysis,ICA)技术以及Gabor变换相结合,通过融合全局独立DCT特征和局部动态Gabor特征得到最终的面部疲劳特征表示.基于前人自建的疲劳图像序列库进行了实验,结果表明该方法提取的疲劳特征更加具有鉴别力.     

基于重采样的三维人脸样本扩充

为了对现有三维人脸数据库的数据规模和数据覆盖范围进行扩充,提出一种基于样本重采样的三维人脸样本扩充算法.该方法首先根据面部器官的分布规律对人脸样本进行区域划分,并获得关于各个器官的样本集;然后通过从各个器官样本集中选择器官并重组的方式来获取新的三维人脸样本,为了保证新器官之间的无缝融合,提出了基于薄板样条函数(thin-plate-spline,TPS)的几何信息缝合方法和基于微分算子的纹理缝合方法.实验结果表明:本文提出的样本扩充方法能对现有三维人脸数据库进行扩充;扩充后的样本集可以提高算法的效果.     

以学生为主体的教学过程设计——“计算机图形学”教学方法研究与探讨

本文从学生的需要和学习特点出发,阐述了以学生为主体设计"计算机图形学"专业课教学过程的方法。这样的教学方法注重对学生主观能动性的挖掘,旨在提高学生的学习兴趣,培养其学习能力,从而优化教学效果。     

基于2DUGDP的戴眼镜人脸识别

针对戴眼镜人脸识别问题,提出了二维非监督测地线判别投影(2D unsupervised geodesic discriminant projection,2DUGDP)方法.该方法在扩充虚拟样本库的基础上,分析戴眼镜人脸图像和不戴眼镜人脸图像的差异及戴不同眼镜人脸图像的差异,提取判别特征用于识别.该特征考虑局部特征的同时考虑非局部特征,寻找一种最优投影在最大化非局部散度矩阵的同时最小化局部散度矩阵,使得距离近的数据投影后仍然近,距离远的数据投影后仍然远.考虑到人脸是非线性的流形结构,文中采用测地线距离表示样本间的差异.在FERET人脸库和CAS-PEAL人脸库上分别进行了实验,实验结果表明,该方法相比较其他方法更能提高戴眼镜人脸的识别率.     

基于二维、三维信息融合的人脸识别

为解决光照、姿态等因素发生变化时二维人脸识别算法识别率骤然下降的问题,提出了基于二维、三维信息融合的人脸识别方法.与其他算法不同,该算法输入为一幅二维灰度图像,通过重建相应的三维模型提供三维信息.对于二维图像,选择局部二值模式(LBP)特征进行人脸表示.对于三维模型,定义了54个特征点,将鼻尖点与特征点之间的测地线距离作为三维特征.对2种特征识别结果采用加权融合的方式,权值的确定依据Fisher判别准则.通过CAS-PEAL-R1人脸库对提出的算法进行了测试,并与其他方法进行了比较.     

基于深度学习的小目标检测方法综述

小目标检测一直是目标检测领域中的热点和难点,其主要挑战是小目标像素少,难以提取有效的特征信息.近年来,随着深度学习理论和技术的快速发展,基于深度学习的小目标检测取得了较大进展,研究者从网络结构、训练策略、数据处理等方面入手,提出了一系列用于提高小目标检测性能的方法.该文对基于深度学习的小目标检测方法进行详细综述,按照方法原理将现有的小目标检测方法分为基于多尺度预测、基于数据增强技术、基于提高特征分辨率、基于上下文信息,以及基于新的主干网络和训练策略等5类方法,全面分析总结基于深度学习的小目标检测方法的研究现状和最新进展,对比分析这些方法的特点和性能,并介绍常用的小目标检测数据集.在总体梳理小目标检测方法的研究进展的基础上,对未来的研究方向进行展望.     

基于肤色模型和重心模板的人脸检测

为了获得具有较高检测率并保持较低误检率的快速人脸检测,提出了一种基于知识的人脸检测方法．在人脸粗检中用肤色模型分割出输入图像中的人脸可能区域,并对这些区域进行重心模板匹配过滤出非人脸区域．利用人脸的生理分布特征设计出一种动态的人脸三分图分布模型,并以不同条件下的大量人脸图像样本作为统计数据建立了一个人脸规则知识库,用来判定过滤后的区域是否为人脸．实验结果表明,该方法具有很好的鲁棒性,能快速检测出不同光照、不同大小和有一定旋转角度的人脸．