本文選題：人臉檢測(cè) + 可變形模型　； 參考：《南京理工大學(xué)》2017年碩士論文

【摘要】：人臉面部圖像分析技術(shù)是計(jì)算機(jī)視覺(jué)熱點(diǎn)問(wèn)題之一,而人臉檢測(cè)是諸多面部分析技術(shù)的前提。就目前而言,正面人臉檢測(cè)技術(shù)已趨近成熟,研究成果廣泛應(yīng)用于人臉識(shí)別、生物信息安全、虛擬現(xiàn)實(shí)等領(lǐng)域,而多視角、遮擋、表情夸張等自然狀態(tài)下的人臉快速檢測(cè)技術(shù)還相對(duì)薄弱。本文在分析和總結(jié)基于傳統(tǒng)可變形模型的人臉檢測(cè)方法優(yōu)缺點(diǎn)的基礎(chǔ)上,引入人臉對(duì)齊算法,提出一種二級(jí)級(jí)聯(lián)人臉快速檢測(cè)框架,并分別將支持向量機(jī)和級(jí)聯(lián)提升算法應(yīng)用到檢測(cè)框架,評(píng)測(cè)結(jié)果表明檢測(cè)器能加快人臉檢測(cè)速度,提高檢測(cè)精度,有效降低誤檢率。本文主要的創(chuàng)新工作如下:(1)結(jié)合傳統(tǒng)可變形模型的優(yōu)點(diǎn),引入人臉對(duì)齊算法,提出二級(jí)級(jí)聯(lián)人臉快速檢測(cè)框架。框架包含兩個(gè)層級(jí),第一層級(jí)檢測(cè)器快速穩(wěn)定的提供人臉候選框;第二層級(jí)檢測(cè)器通過(guò)學(xué)習(xí)以人臉特征點(diǎn)為中心的判別信息強(qiáng)的局部區(qū)域特征提高精度,過(guò)濾第一層級(jí)得到的人臉候選框,去除非人臉子窗口。框架的三大優(yōu)勢(shì):級(jí)聯(lián)方式提高檢測(cè)速度;無(wú)需對(duì)多視角人臉建立相應(yīng)模型;訓(xùn)練樣本易搜集。(2)本文將支持向量機(jī)應(yīng)用于二級(jí)級(jí)聯(lián)檢測(cè)框架,提出基于二級(jí)級(jí)聯(lián)支持向量機(jī)的人臉快速檢測(cè)算法。在第一層級(jí)中,設(shè)計(jì)了基于圖像梯度的人臉稀疏特征;在第二層級(jí)中,算法依據(jù)人臉特征點(diǎn)分別提取SIFT和SURF特征,實(shí)驗(yàn)對(duì)比分析兩種特征下的檢測(cè)精度和速度,并指出可引入高性能人臉檢測(cè)算法改善檢測(cè)器性能。訓(xùn)練過(guò)程中,本文設(shè)計(jì)了有效的難例挖掘方法加速收斂。算法采用C++開(kāi)發(fā),并采用了多個(gè)方法加速檢測(cè)過(guò)程,與其他高性能算法評(píng)測(cè)對(duì)比,結(jié)果表明二級(jí)級(jí)聯(lián)支持向量機(jī)人臉快速檢測(cè)算法能流暢運(yùn)行于VGA視頻流當(dāng)中,能處理姿態(tài)變化的人臉,且有效降低誤檢,為無(wú)約束條件下的人臉檢測(cè)提供一種有效解決方案。(3)針對(duì)傳統(tǒng)基于級(jí)聯(lián)Boosting的人臉檢測(cè)算法誤檢率稍高,人臉檢測(cè)和對(duì)齊聯(lián)合訓(xùn)練時(shí)正樣本難搜集的問(wèn)題,本文提出基于人臉對(duì)齊感知的級(jí)聯(lián)Boosting人臉檢測(cè)算法。該算法第一層級(jí)通過(guò)模擬近視患者在模糊視野下篩選人臉的能力去除大量背景子窗口,第二層級(jí)通過(guò)特征點(diǎn)周?chē)牧庑螀^(qū)域提取局部特征,并嘗試解決人臉對(duì)齊失敗的情況。經(jīng)過(guò)評(píng)測(cè)集測(cè)試,實(shí)驗(yàn)結(jié)果顯示,與傳統(tǒng)算法相比該算法誤檢率低,且能解決人臉姿態(tài)變化、輕微遮擋等問(wèn)題,達(dá)到了較高的精度。
[Abstract]:Face image analysis is one of the hot issues in computer vision, and face detection is the premise of many face analysis techniques. At present, the frontal face detection technology has come to maturity, and the research results are widely used in face recognition, biological information security, virtual reality and other fields, but multi-angle, occlusion, etc. Expression exaggeration and other natural state of face detection technology is relatively weak. On the basis of analyzing and summarizing the advantages and disadvantages of face detection methods based on traditional deformable model, this paper introduces face alignment algorithm, and proposes a two-stage cascaded fast face detection framework. Support vector machine (SVM) and cascaded lifting algorithm are applied to the detection framework respectively. The evaluation results show that the detector can accelerate the speed of face detection, improve the detection accuracy and effectively reduce the false detection rate. The main innovations of this paper are as follows: (1) combining the advantages of the traditional deformable model and introducing the face alignment algorithm, a two-stage cascaded fast face detection framework is proposed. The framework consists of two levels: the first layer detector provides the face candidate frame quickly and stably; the second level detector improves the accuracy by learning the local region features with strong discriminant information centered on the face feature points. Filter the first level to get the face candidate, go unless the face subwindow. Three advantages of the framework: cascading method to improve detection speed; no need to build a corresponding model of multi-view face; training samples easy to collect. 2) this paper applies support vector machine to two-level cascade detection framework. A fast face detection algorithm based on two-stage cascade support vector machine is proposed. In the first level, a face sparse feature based on image gradient is designed. In the second level, the SIFT and SURF features are extracted according to the face feature points, and the detection accuracy and speed under the two features are compared and analyzed. It is pointed out that the high performance face detection algorithm can be introduced to improve the performance of the detector. In the process of training, this paper designs an effective mining method to accelerate convergence. The algorithm is developed with C, and several methods are used to accelerate the detection process. Compared with other high performance algorithms, the results show that the two-stage cascaded support vector machine (SVM) fast face detection algorithm can run smoothly in the VGA video stream. It can deal with human face with changing pose and reduce false detection effectively. It provides an effective solution for face detection under unconstrained conditions. (3) the traditional face detection algorithm based on cascaded Boosting has a slightly higher false detection rate. It is difficult to collect positive samples in face detection and alignment joint training. A cascade Boosting face detection algorithm based on face alignment perception is proposed in this paper. The first level of the algorithm removes a large number of background subwindows by simulating myopia patients' ability to screen faces in fuzzy field. The second level extracts local features by diamond region around feature points and tries to solve the problem of face alignment failure. The experimental results show that compared with the traditional algorithm, the algorithm has lower false detection rate and can solve the problems of face pose change and slight occlusion, and achieve a higher accuracy.
【學(xué)位授予單位】：南京理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類(lèi)號(hào)】：TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 趙東方;楊明;鄧世濤;;幾種人臉檢測(cè)算法的對(duì)比研究[J];內(nèi)江科技;2011年10期

2 王仕民;葉繼華;羅文兵;占明艷;;嵌入式人臉檢測(cè)算法的研究與實(shí)現(xiàn)[J];江西通信科技;2011年02期

3 金鑫;李晉惠;;基于神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)算法研究[J];科技信息;2008年35期

4 翟懿奎;黃聿;謝劍華;吳志龍;郭承剛;;基于膚色的實(shí)時(shí)人臉檢測(cè)算法研究[J];電子設(shè)計(jì)工程;2011年09期

5 王小蘭;蔡燦輝;朱建清;;一種改進(jìn)的快速人臉檢測(cè)算法[J];微型機(jī)與應(yīng)用;2013年15期

6 張煒;耿新;陳兆乾;陳世福;;一種基于可疑人臉區(qū)域發(fā)現(xiàn)的人臉檢測(cè)方法[J];計(jì)算機(jī)科學(xué);2004年04期

7 羅三定;周磊;沙莎;;一種新的快速多人臉檢測(cè)算法[J];計(jì)算機(jī)應(yīng)用研究;2008年04期

8 喬曉芳;吳小俊;王士同;楊靜宇;;一種改進(jìn)的人臉檢測(cè)算法[J];計(jì)算機(jī)應(yīng)用;2008年04期

9 徐顯日;;視頻中實(shí)時(shí)的人臉檢測(cè)算法[J];福建電腦;2012年08期

10 崔曉琳;蔡燦輝;朱建清;;一種基于膚色后置濾波的快速人臉檢測(cè)算法[J];通信技術(shù);2013年08期

相關(guān)會(huì)議論文 前2條

1 付朝霞;韓焱;王黎明;;復(fù)雜背景下視頻運(yùn)動(dòng)目標(biāo)的人臉檢測(cè)算法[A];第十三屆中國(guó)體視學(xué)與圖像分析學(xué)術(shù)會(huì)議論文集[C];2013年

2 陳健;錢(qián)蕓蕓;;用DSP實(shí)現(xiàn)實(shí)時(shí)人臉檢測(cè)[A];第二屆全國(guó)信息獲取與處理學(xué)術(shù)會(huì)議論文集[C];2004年

相關(guān)博士學(xué)位論文 前2條

1 周薇娜;人臉檢測(cè)算法及其芯片實(shí)現(xiàn)關(guān)鍵技術(shù)研究[D];復(fù)旦大學(xué);2012年

2 郭聳;人臉檢測(cè)若干關(guān)鍵技術(shù)研究[D];哈爾濱工程大學(xué);2011年

相關(guān)碩士學(xué)位論文 前10條

1 趙玉亭;基于ARM9的便攜式監(jiān)控取證系統(tǒng)的研究與設(shè)計(jì)[D];西安工業(yè)大學(xué);2015年

2 袁成林;基于支持向量機(jī)的笑臉識(shí)別算法研究[D];廣西大學(xué);2015年

3 楊萬(wàn)振;視頻人臉檢測(cè)算法研究及其DSP實(shí)現(xiàn)[D];東北大學(xué);2013年

4 寧勇敢;不合作條件下人臉檢測(cè)算法研究[D];遼寧工業(yè)大學(xué);2016年

5 劉吉;基于自學(xué)習(xí)特征融合的人臉檢測(cè)算法研究[D];中國(guó)海洋大學(xué);2015年

6 馬慧;人臉檢測(cè)算法的設(shè)計(jì)與實(shí)現(xiàn)[D];東南大學(xué);2015年

7 鄒奇文;非對(duì)稱(chēng)人臉檢測(cè)算法的研究與實(shí)現(xiàn)[D];華中科技大學(xué);2014年

8 江銳;基于Cortex-A8的人臉檢測(cè)系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];華中科技大學(xué);2014年

9 張雪楠;基于PCA降維的快速人臉檢測(cè)算法研究[D];燕山大學(xué);2016年

10 羅富麗;單目可量測(cè)快速人臉檢測(cè)算法[D];昆明理工大學(xué);2016年

，

本文編號(hào)：1980926