论文部分内容阅读
随着科技的快速发展,计算机视觉在社会生活中日渐流行,人脸检测及对齐技术便是其中的一个研究热点,是人脸三维重建、换脸、表情分析等人脸相关应用的基础。目前的人脸检测已经能够较好地检测接近正向的人脸,然而在背景复杂环境下的人脸检测仍然存在许多的挑战。HOG+SVM算法是人脸及行人检测中被广泛应用的一个经典算法,然而由于HOG特征提取的过程相对来说并不快速并且特征单一,且通过传统的扫描图像金字塔来确定人脸尺寸及位置也非常耗时,仍然存在一定的局限。本文在HOG+SVM算法的基础之上构造了一个多特征级联并行SVM分类器,提出了一种HOG特征的快速提取方式、一种图像金字塔的优化构建及扫描方式以及一套并行策略,在保证了一定的准确率的同时,提高了人脸尺寸检测的精确率,且运行效率也得到了显著提升。同时现今大多数人脸对齐算法都是基于单张图片进行的,然而在视频中利用单纯的人脸对齐方法时,实用性、精确性以及特征点稳定性都存在一定的局限。首先,由于目前大多数人脸对齐方法在人脸倾斜的状态下精确度大都有所下降。其次,在视频中通过跟踪得到的人脸具有一定的不确定性。再者,环境细微的光照变化或其他轻微的变化都会导致特征点的局部抖动影响用户体验。本文针对这几个问题提出了几个增强方案,提出一种基于颜色直方图跟踪的人脸图像矫正算法,提高倾斜人脸检测和对齐的鲁棒性和准确性。引入HOG+SVM分类器解决了人脸跟踪结果的不确定性。同时根据不同尺度人脸特征点的抖动变化率,提出了一种高效的自适应阈值人脸特征点增稳算法。实验结果显示,上述的几个问题得到了明显的改善,极大地提高了视频中人脸对齐的稳定性和实用性。本文的研究旨在提高基于视频序列的人脸检测及对齐技术的鲁棒性和实用性,提出了一个基于SVM的多特征级联并行人脸检测算法,在保证一定的精度的情况下将人脸检测效率提升为HOG+SVM算法的2.6倍,以及一个基于视频的实时人脸对齐增强算法,改善了倾斜人脸对齐的精确性及鲁棒性以及特征点的稳定性,极大提高了算法的实用价值。