基于GPU加速的人脸分析系统设计与实现

摘要

近年来，人脸图像分析成了计算机视觉与模式识别领域的一个热门研究方向，该技术被广泛应用于生物特征识别、人机交互、视频监控，多媒体应用等等。人脸检测与配准是人脸图像分析中最基本的任务，也是关键任务之一。本文通过仔细分析和总结了近年来国内外人脸检测与关键点定位的现况，以此为基础，深入研究了基于类 Haar特征的AdaBoost人脸检测算法和基于主动形状模型（Active Shape Model,ASM）的人脸关键点定位算法，分析得到算法的并行点，利用GPU进行加速。对于人脸检测而言，本文在积分图计算、扫描窗口的检测以及窗口放大修正合并均挖掘了并行点，并采用 GPU进行并行加速，在FDDB数据库上的实验结果表明，本文提出的方法能够有效提升人脸检测速度。对于人脸关键点定位而言，本文将经典ASM算法的局部文理模型换成了表达能力更强的SIFT特征描述，并且在求局部图像描述子的时候进行了并行加速，实验结果表明，该方法同时具有提升速度和提高精度的优势。在LFPW和Helen数据库上的实验表明，本文提出的方法具有较好的定位效果。在人脸检测和人脸关键点精确定位的基础上，受心理学研究的启发，本文提出采用联合特征编码的方法来描述人脸表情的局部细节特征。本文采用的是Boosting学习机制，通过Boosting学习机制得到表情分类器，该表情分类器基于联合Haar特征。为了检测本文提出方法的性能，我们在CMU和JAFFE通用人脸表情数据库进行实验，得到令人满意的结果。对于人脸的属性分析，本文提取面部的LBP特征，通过SVM训练了种族，性别，是否佩戴眼镜，是否留有胡须等属性的分类器，在实际应用的过程中效果良好。基于人脸检测，关键点定位，表情识别，属性分析的研究工作，本文最终设计和实现了性能相对稳定的GPU加速人脸分析系统，并进行了实际环境下的实验测试，取得了较好的实验结果。本文的构建的人脸分析系统具有很高的实际应用价值，无论在PC平台还是移动平台，效果都很好，值得推广应用。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪 论

1.1 引言

1.2 课题的研究意义

1.3 课题的研究现状

1.4 本文主要研究工作

1.5 论文结构安排

2 基于GPU加速的人脸检测

2.1 Adaboost算法简介

2.2 Viola-Jones人脸检测

2.3 GPU人脸检测

2.4人脸检测测试实验

2.5 本章小结

3 基于GPU加速的人脸关键点定位

3.1经典 ASM的局限性

3.2 全局形状模型

3.3局部纹理模型

3.4人脸关键点迭代搜索

3.5 多分辨率的搜索策略

3.6定位结果分析

3.7 本章小结

4 人脸表情识别与属性分析

4.1 联合Haar 特征的构建

4.2 基于Boosting的表情识别

4.3 表情识别实验分析

4.4 人脸属性分析

4.5 本章小结

5 基于移动平台的人脸关键点快速定位

5.1 关键点定位

5.2 局部器官定位

5.3 基于加权投影的人脸配准

5.4 实验结果分析

5.5 本章小结

6 人脸分析系统的设计与实现

6.1 系统组成

6.2 软件设计

6.3 系统性能测试与分析

6.4 本章小结

7 总结与展望

7.1 工作总结

7.2 未来展望

参考文献

致谢

攻读学位期间发表的学术论文目录