基于视频图像的人脸特征点实时检测方法研究

摘要

人脸检测来源于人脸识别(Face Recognition),人脸检测是人脸自动识别系统的关键环节,早期的人脸识别研究主要针对于具有较强约束条件的人脸图象(如无背景的图象),往往假设人脸位置一直容易获得,因此人脸检测问题并未受到重视。人脸特征点的检测基于人脸检测,是在检测到的人脸范围内进行面部特征点的检测。
　　 本文研究开发的人脸特征点检测系统,光照适应性、背景适应性强,具有针对不同人的普遍适应性。本系统采用Haar特征检测人脸、人眼眶的位置,在迭代算法和角点检测算法基础上提出了一种新的瞳孔和眼角检测算法。该算法检测的精度高,适应性强。首先,利用Haar特征检测,找到人脸框的位置,在此基础上找到人眼框的位置。然后,在人眼眶内采用改进的迭代算法,找到人眼瞳孔的中心位置,采用角点检测算法找到人眼内眼角的位置。最后,在人眼眶的基础上,采用肤色算法精确人脸左右边界。检测人眼眨眼,触发某种事件,作为后续应用的基础。
　　 为了提高人脸特征点检测的精度和提高眼控鼠标系统的控制精度,本系统提高了图像像素大小,采用大像素图像定位人眼瞳孔和眼角的位置,利用像素抽取技术,将大像素的图像抽取成小像素进行人脸检测,人眼检测,然后再转换到大像素,从而找到大像素下的人眼框位置进行瞳孔和内眼角的检测。该方法提高了人脸特征点的检测的精度,并且对实时性影响较小。
　　 另外为了提高人脸特征点的检测实时性,本文采用预测机制,即利用上一帧图像的人脸检测位置,作为下一帧的检测的参考范围,从而大大减少了人脸检测的运行时间,提高了系统的实时性。

目录

文摘

英文文摘

第一章 绪论

1.1 人脸特征检测的研究背景及意义

1.2 人脸特征检测主要研究方法

1.3 本文研究工作及内容安排

第二章 系统主要算法概述

2.1 基于Boosted Cascade的特征检测

2.1.1 Haar特征

2.1.2 Haar训练方法

2.1.3 Haar识别方法

2.2 积分图

2.3 投影算法

2.3.1 积分投影函数

2.4 瞳孔检测算法

2.4.1 瞳孔检测算法综述

2.4.2 瞳孔检测算法改进

2.5 角点检测算法

2.5.1 角点检测算法综述

2.6 肤色算法

2.6.1 肤色算法描述

2.7 本章小结

第三章 人脸特征检测系统概述

3.1 系统处理流程

3.2 帧预测机制

3.3 基于Directshow的视频采集

3.4 本章小结

第四章 人脸特征检测

4.1 人脸检测与定位

4.1.1 人脸Haar特征训练与特征识别

4.1.2 肤色算法人脸边界精确定位

4.1.3 实验小结

4.2 人眼检测与特征点提取

4.2.1 人眼眶提取

4.2.2 瞳孔定位

4.2.3 内眼角定位与提取

4.2.4 实验小结

4.3 像素抽取算法

4.3.1 抽取算法

4.3.2 大像素人眼定位

4.3.3 性能分析

4.3.4 实验小结

4.4 眨眼检测

4.4.1 眨眼检测算法描述

4.4.2 实验小结

4.5 本章小结

第五章 实验结果和分析

5.1 系统运行环境约束

5.2 测试结果和性能分析

5.2.1 测试规则

5.2.2 系统实时性分析

5.2.3 系统定位精度测试

5.3 本章小结

第六章 总结与展望

6.1 本文工作总结

6.2 未来展望

参考文献

致谢