基于SVM的人脸特征定位方法研究

摘要

人脸识别和人脸分析一直是机器视觉、人工智能等领域内研究的热点且有着广泛的应用前景，人脸特征定位作为人脸识别重要的一环及人脸分析的基础，研究如何得到准确的人脸特征定位，对提高人脸识别和分析的可靠性有着非常重要的作用。
　　本文在学习对比了人脸特征定位领域内前人提出的各种算法后，深入研究了主动形状模型(ActiveShapeModel，ASM)方法，利用其良好的全局特征分布约束能力，同时针对其受初始人脸形状影响、以及局部纹理模型对特征描述性不强等不足，提出了一种基于支持向量机(SupportVectorMachine，SVM)的人脸特征定位方法。相较于ASM方法，做了如下三方面的改进:
　　1.利用基于梯度方向直方图(HistogramsofOrientedGradients，HOG)特征描述的SVM分类器及其后验概率实现对局部特征的分类识别以及像素点和局部特征纹理间相似性的评价，增强了对局部特征纹理信息的描述能力，提高了相似性评价的准确性。
　　2.引入基于SVM分类器后验概率的全局人脸形状评价参数——人脸形状相似概率，指导迭代计算中局部特征的位置更新和收敛判断，保证每次迭代过程中生成的新人脸形状不断向真实人脸形状收敛。
　　3.提出一种基于人脸形状模型和SVM分类器的由部分后验概率极大的局部特征计算初始人脸形状的方法，可以得到更接近真实人脸形状的初始人脸形状，提高了算法对人脸有表情变化、姿态变化、遮挡等情况的鲁棒性。
　　将方法在BioID人脸集上进行了实验，实验结果表明本文提出的方法能够得到非常接近实际人脸形状的初始形状，对人脸图像有部分遮挡的情况以及人脸图像有表情变化和小角度偏转等情况具有一定鲁棒性，对各特征定位的准确度可以达到90％左右。

目录

声明

致谢

摘要

1 绪论

1．1 研究背景

1．2 相关研究

1．2．1 基于先验规则的特征定位方法

1．2．2 基于统计学习的特征定位方法

1．3 本文研究内容

1．4 本文结构安排

2 ASM人脸特征定位方法

2．1 人脸形状模型构建

2．1．1 形状模型及建立方法

2．1．2 数据集对齐

2．2 局部灰度模型构建

2．3 搜索方法

2．4 实验结果和分析

2．5 本章小结

3 给定初始人脸形状下基于SVM的人脸特征定位方法

3．1 梯度方向直方图特征描述

3．1．1 梯度方向直方图的计算方法

3．1．2 多层梯度方向直方图特征描述

3．2 支持向量机

3．2．1 SVM的实现方法

3．2．2 SVM核函数

3．3 基于HOG和SVM的局部特征位置分类识别

3．3．1 局部特征SVM分类器的构建

3．3．2 局部特征新位置的搜索区域

3．3．3 SVM的后验概率

3．3．4 新位置候选点集的确定

3．4 基于SVM的入脸全局特征定位

3．4．1 基于SVM后验概率的人脸形状相似概率

3．4．2 基于人脸形状相似概率的局部特征新位置选取

3．4．3 基于人脸形状相似概率的人脸形状收敛条件

3．5 实验结果及分析

3．6 本章小结

4 基于部分特征的初始人脸形状计算方法

4．1 基于部分特征计算全局人脸形状

4．2 基于部分特征的初始人脸形状确定

4．3 实验结果和分析

4．4 本章小结

5 实验结果和分析

5．1 基于SVM的人脸特征定位方法

5．1．1 模型构建

5．1．2 人脸特征定位的计算方法

5．2 实验结果及分析

5．2．1 BioID样本集介绍

5．2．2 特征定位准确的判断依据

5．2．3 实验结果

5．2．4 实验结果分析

5．3 本章小结

6 总结和展望

6．1 总结

6．2 展望

参考文献

作者简历