基于红外和深度图像的人脸对齐研究

摘要

人脸对齐是指从输入的人脸图片上获取人脸各关键点位置。人脸对齐问题是计算机视觉领域的一个重要问题，许多与人脸相关的应用，如人脸识别、表情识别、人脸跟踪等，往往依赖人脸对齐的结果。最近几年里，许多人脸应用从实验室走向市场，出现在我们日常生活中，人脸对齐技术在这些应用背后发挥着重要作用。因此，无论从理论上，还是工程实践上，人脸对齐技术都非常重要。
　　大部分人脸对齐算法都是为彩色图像而设计的。彩色图像具有获取简单、成本低廉、研究积累丰富等优势。与彩色图像相比，深度图像提供了完全不同的信息。在深度图像中，每个像素值代表了场景中该点与深度摄像机之间的距离。近年来，随着Kinect的出现，越来越多的研究者把目光投向深度图像。然而，在深度图像上进行人脸对齐的研究还比较少，将深度图像与其他信号结合进行人脸对齐的研究则更为少见。
　　我们认为，深度图像所提供的信息，与彩色图像和红外图像所提供的信息非常不同，将两者结合能发挥各自的优势，在人脸对齐问题上取得更好的结果。因此，本文探索了将红外图像与深度图像结合进行人脸对齐的可行性。我们在Cascade Shape Regression这类人脸对齐模型的基础上，通过对深度图像进行特征提取，对红外特征、深度特征进行特征选择与融合，有效地将两者提供的信息结合起来。实验结果表明，两者的结合能有效发挥两种信号的特点，最终得到比单独使用其中任何一种信号更好的结果。
　　我们还把该算法应用到了视频疲劳驾驶检测之中，验证了该算法在实际问题上的有效性。

目录

声明

第一章 绪论

1.1 人脸对齐技术的重要意义

1.2 人脸对齐技术发展回顾

1.3 商业化的人脸对齐算法服务

1.4 本文主要研究内容

第二章 深度图像的获取与处理

2.1 深度图像简介

2.2 深度图像采集技术

2.3 基于结构光的深度图像采集技术

2.4 基于Time-of-Flight的深度图像采集技术

2.5 Kinect One的使用

2.6 深度图像的特点

第三章 人脸对齐问题分析

3.1 人脸对齐问题描述

3.2 人脸对齐中的基本结构和算法

3.3 人脸对齐常用数据集

第四章 基于红外和深度图像的人脸对齐算法

4.1 整体架构

4.2 特征提取

4.3 特征选择

4.4 特征提取与特征选择的优化

4.5 协方差计算的优化

4.6 机器学习模型

4.7 训练方式

4.8 测试方式

4.9 模型压缩

第五章 性能评估与比较

5.1 FRGC[27]（Face Recognition Grand Challenge）数据集

5.2 LIDF数据集

5.3 各关键点精度

5.4 算法运行速度

5.5 参数选择

第六章 人脸对齐在疲劳驾驶检测中的运用

6.1 疲劳驾驶检测研究的重要意义

6.2 基于视频的疲劳驾驶检测技术

6.3 系统总体介绍

6.4 人脸检测

6.5 人脸对齐

6.6 疲劳特征提取

6.7 本系统的优势和存在的问题

全文总结

参考文献

致谢

攻读学位期间发表的学术论文

攻读学位期间参与的项目