基于多层次自注意力网络的人脸特征点检测

人脸特征点检测是人脸图像处理的关键步骤之一,常用检测方法是基于深度神经网络的坐标回归方法,具有处理速度快的优点,但是用于回归的高层次网络特征丢失空间结构信息,且缺乏细粒度表征能力,导致检测精度降低。针对该问题,提出一种基于多层次自注意力网络的人脸关键点检测算法。为提取更具有细粒度表征能力的图像语义特征,构建基于自注意力机制的多层次特征融合模块,实现高层次高语义信息特征和低层次高空间信息特征的跨层次特征融合。在此基础上,设计一种多任务学习人脸特征点检测定位与人脸姿态角估计的训练方式,优化网络对人脸整体朝向姿态的估计,以提升特征点检测的准确性。在人脸特征点主流数据集300W和WFLW上的实验结果表明,与SAAT、AnchorFace等方法相比,该方法有效提升网络的检测精度,标准平均误差指标分别为3.23%和4.55%,相较于基线模型降低0.37和0.59个百分点,在WFLW数据集上错误率指标为3.56%,相较于基线模型降低了2.86个百分点,能够提取更具鲁棒性和细粒度的表达特征。

基于独特性评价的特征点检测与视觉定位

传统的特征点检测算法难以应对实际场景中的光照和视点变化,基于深度学习的特征点检测算法得到的特征点的定位精度不足,且难以剔除局部区域的相似特征点。针对基于深度学习特征点提取面临的问题,设计了基于特征融合和独特性评价的特征点检测算法。首先,为提高特征点的定位精度,采用基于特征融合的网络结构以及对应的特征融合损失函数,解决高层特征中细节特征偏移以及模糊的问题。其次,将特征点是否来自局部相似区域转换为对特征点的独特性评价,在网络结构中增加独特性分支并设计独特性损失函数以学习特征点的独特性响应值。通过提取独特性响应值较高的特征点,剔除局部相似区域的特征点以减少后续特征匹配中误匹配的数量。采用视觉里程计和视觉同时定位与构图系统对算法进行了验证,在KITTI和TUM数据集上验证了算法在大范围室外场景和小范围室内场景下均具有良好的鲁棒性和定位性能。

基于AdaBoost和AAM的面部特征点检测技术研究

文章报告了面部特征点检测的现状,分析了AdaBoost算法的分类性能和AAM模型的建模特性。对面部特征点检测进行了研究,通过训练多个弱分类器并组合它们,提高了面部特征点检测的准确性和鲁棒性。利用AdaBoost强分类器识别的结果作为AAM模型训练的输入,提取面部特征点候选区域,降低了AAM模型重构次数,进一步降低了计算复杂度,尤其是在面部姿态和表情变化较大的情况下,提高了匹配的准确率。同时,AAM模型可以为AdaBoost提供一个更为精细的面部特征点定位,从而提高整体的面部特征点检测性能。

多光谱遥感影像亮度空间相位一致性特征点检测

提出了一种基于亮度空间和相位一致性理论的多光谱遥感影像特征点检测算法。首先利用参数自适应的灰度变换函数建立影像亮度空间;然后结合相位一致性方法在影像亮度空间进行候选特征点检测,并将候选特征点映射到原始影像上进行非极大值抑制;最后在尺度空间计算特征点的特征尺度值。本文方法有效结合了亮度空间特征检测和相位一致性特征检测的优势,对多光谱遥感影像的辐射变化具有较强的稳健性。试验结果证明,与传统特征点检测算法相比,本文方法在特征重复率和重复特征数量方面都具有明显的优势。

AAM在多姿态人脸特征点检测中的应用

主动表观模型AAM是经典的特征点检测方法,但是受到其线性预测模型能力的限制,当初始位置偏离目标位置过大时,很难收敛到正确位置,因此传统的单一AAM模板很难满足多姿态人脸特征点检测的要求。针对此问题,提出了一种基于多模板AAM的人脸特征点检测方法:首先定义模板相似度和人脸特征点,将人脸姿态划分为若干类,每一类姿态训练一个特定的AAM模板;然后对测试样本,利用每个AAM模板搜索特征点,并计算搜索结果与模板的相似度,选择相似度最大的AAM模板的搜索结果作为最终的特征点检测结果。通过相似度选择模板的方法可以为AAM搜索提供相对偏离较小的初始位置,因此可以精确地检测特征点。在东方人脸数据库上的实验结果证明了模板选择的必要性和相似度定义的合理性。在整个数据库上的测试结果表明,92.11%的测试图像均可以通过相似度准则选择到正确的AAM模板,从而可以精准地检测特征点;99.92%的图像可选择到正确的AAM模板或其相邻模板,故可以检测到较为准确的特征点。

多模板ASM方法及其在人脸特征点检测中的应用

ASM(active shape model)是目前最流行的人脸对齐方法之一.为提高ASM在非均匀光照下多表情的人脸特征点检测的准确率,提出了一种融入Gabor特征、并将局部ASM和全局ASM结合的多模板ASM方法.人脸有丰富的表情,如微笑、惊讶、生气、发呆等等.就眼睛而言,可分为睁眼和闭眼;就嘴巴而言,可分为张大的嘴、微笑的嘴、O型的嘴(惊讶时)和紧闭的嘴.眼睛的这两种状态以及嘴巴的这4种状态使得形状有较大的非线性变化,不能简单地放在同一个线性模型下处理.分别对眼睛建立两个局部模板,对嘴巴建立4个局部模板,以及对整脸建立全局模板.在给定眼睛两个内眼角和嘴巴两个外嘴角的前提下,新方法首先用全局模板粗略确定眼睛所在区域,然后在此区域用眼睛的两个局部模板以及Hausdorff距离判断眼睛状态,同理可检测嘴巴状态,最后调用相应的全局模板去搜索整脸轮廓.实验表明,提出的方法其检测准确率比标准ASM有明显提高.

基于B样条模型的曲线特征点检测法

提出了一种基于 B样条模型的曲线特征点检测法。该方法首先用 B样条函数对原始曲线进行逼近 ,得到原始曲线的分段解析表达式 ,然后利用曲线曲率分布来确定其特征点。 B样条曲线分段解析的特点提高了曲率估计的精度 ,进而使特征点检测的准确度也得到提高 ,同时 B样条曲线拟合过程在一定程度上起到了对原始曲线的平滑作用 ,可抑制噪声对特征点检测的影响 ,并且这种平滑不具有常规高斯平滑的萎缩效应。实验结果证明了本文方法的有效性。

三维散乱点云模型的特征点检测

随着三维点云模型越来越受到人们的关注,如何对数据量大,无序的三维点云模型进行特征点检测也是近几年的研究热点。本文提出了基于曲率和密度的特征点检测算法,为每个数据点定义一个特征参数,这个参数由三部分组成:点到邻居点的平均距离;点的法向与邻居点法向夹角的和;数据点曲率。然后通过八叉树方法计算模型的数据点密度,将这个密度与模型到中心点的最大距离相除得到特征阈值,特征参数大于阈值的点就是特征点。本文计算时,检测模型的特征点只需用到三维点云模型的几何特征,如数据点法向,曲率和邻居点。实例表明本算法可准确地检测出散乱数据点云的特征点。

基于图像分块的多尺度Harris特征点检测算法

通过分析H arris特征点检测算法在应用中的不足,提出一种基于图像分块的多尺度H arris特征点检测算法,解决了特征点聚簇现象,检测出的特征点分布均匀.实验结果表明,该算法具有精确性、有效性和鲁棒性,为进一步图像特征点匹配工作提供了保证.

一种改进的SIFT特征点检测方法

尺度不变特征变换(SIFT)图像匹配算法采用高斯差分算子(DoG)进行特征点检测,计算上使用相邻尺度高斯平滑后图像相减。在实践中,检测出的特征点遍布整个图像,造成后续计算量大且误配率高,降低了SIFT算法的实时性。针对以上问题,采用一种优化后的区域检测方法对SIFT特征点检测进行改进。首先利用优化后的区域检测方法检测出目标物体,然后运用DoG算子提取特征点,使特征点集中在目标物体上,从而简化计算,提高SIFT算法的实时性。最后,给出改进算法的实验结果和应用前景。

多投影仪自由立体显示系统中的特征点检测及几何校正

几何校正是多投影仪自由立体显示系统实现无缝拼接显示的关键,而特征点检测是多投影仪组合显示进行几何校正的基础.自由立体显示系统中三维立体显示屏幕的各向异性反射特性使得基于亮度阈值分割的特征点检测方法效果不佳,为此,我们提出了基于轮廓检测的特征点检测方法:采用基于Hough变换的圆检测方法检测特征点的位置,以特征点集的凸包为基准插入及补充漏检的特征点,然后使用两次最小二乘直线拟合方法矫正误差.最后,利用特征点网格,实现了自由立体显示系统的几何校正.实验证明,我们的特征点检测方法鲁棒性好,精度较高,自动地实现了投影显示图像的高精度几何校正.

一种基于USAN的特征点检测算法

SUSAN角点检测算子的提出是以假设待测角点是L型为前提的,这就造成了SUSAN算子在检测角点时以USAN区域的大小为判据的局限性。实际上,当USAN区域的大小等于SUSAN圆模板面积的一半的时候,常常会出现错误的检测结果。在分析图像各特征点的本质区分的基础上,在SU-SAN圆模板内,附加了一个圆环模板,并以圆环模板上灰度的跳变次数为辅助判据,来弥补SUSAN算子的不足。此外,SUSAN算子USAN区域的划分是基于固定灰度差阈值的,这对于具有不同对比度的图像的角点提取很不利。鉴于此,提出了一种基于迭代运算的灰度差阈值的计算方法,在每个像素位置,通过迭代运算计算其对应SUSAN圆模板内的灰度差阈值,得到更合理的USAN区域。所提出的算法以USAN区域大小为第一判据,再辅以圆环模板上的灰度跳变次数为第二判据,从而为特征点的检测提供了双重保障。实验结果表明,算法可以准确、可靠地提取出各种不同类型的角点。

基于背景抑制和特征点检测的目标检测算法

空域远距离红外目标探测系统中,飞行目标多表现为点状或面状的小目标,像素数少,且常伴有低空地面物体的干扰。根据空域和地面在梯度变化上的不同和目标本身的特性,提出了一种基于地面背景抑制和特征点检测的红外空中目标检测算法。分析了地面和空域在梯度变化上的特点,根据梯度变化大的像素的整体统计信息划分了空域和地面在图像中的分布,再通过特征点检测实现了候选红外飞行目标的检测。该算法适用于纯空域和低空背景,经过对实际采集的大量红外图像的仿真表明,本文提出的算法具有很强的实用性和鲁棒性。

图像配准中特征点检测算法的探讨

特征点是图像的一种重要局部特征,特征点检测是基于特征点图像配准的关键技术。通过特征点的提取与处理,对把握图像的局部及整体特征,特别对图像配准及目标识别等领域都具有重要的实际意义。详细介绍了图像配准中主流的特征点提取方法,并分析其优缺点。通过实验,利用特征点评价方法对各种算法的性能进行比较,对图像配准的研究具有一定的指导意义。

改进ORB特征点检测的图像拼接方法

针对图像拼接的实时性、准确度问题,本文提出了一种基于改进ORB特征点检测的图像拼接方法.方法在提取图像噪声点周边点的方式和判断特征点条件上进行改进.首先根据ORB算法判断特征点的特点将选取16个点减少为仅选取上下左右4个点,大大减少了质心与周边像素的比较次数;然后根据特征点延展性的特性,再在外圆选取4个相关点进行比较,快速区分噪点或是特征点,提高了特征点匹配准确率.本文还改进了随机取样一致性RANSAC算法,在迭代过程中增加合适的新特征点,提高内点比,减少迭代次数,不仅提升了效率,还可以计算出更合适的变换矩阵,达到更好的拼接效果.实验证明通过改进的ORB算法,改进的RANSAC算法和泊松融合算法能够实时的、高效的、准确的实现图像拼接.

一种改进的Harris特征点检测算法

现有Harris特征点检测算法采用高斯滤波进行平滑,图像存在角点信息丢失与偏移的现象。为解决该问题,提出基于变分B样条滤波与快速局部窗口搜索相结合的Harris特征点检测算法,选择具有低通特性的B样条函数作为平滑函数构造滤波器,引入形态学滤波中的极大值滤波思想,利用快速局部窗口搜索算法进行特征点局部极值的提取,从而提高特征点提取的精度和速度。实验结果表明,改进算法具有特征点提取快速均匀、检测定位准确、抑噪性好的特点。

面向遥感影像匹配的特征点检测算子性能评估

在基于特征点的匹配方法中,特征点检测是非常关键的步骤,直接影响到匹配的效果.为了确立遥感影像匹配过程中特征点算子的选择依据,本文从光谱、时相和尺度(分辨率)3个方面,选择不同类型的遥感影像作为实验数据,以特征点重复率作为评估标准,对当前主流的Harris-Laplace、Hessian-Laplace、Do G和M_SER 4种特征点检测算子进行性能评估,并分析了每一种算子的优缺点和适用范围.实验结果表明:在光谱和时相方面,Hessian-Laplace的平均重复率达到40%,性能最好,其次为Harris-Laplace和Do G,而M_SER的性能相对较弱;而对于尺度方面,M_SER表现出最好的性能,平均重复率达到35%,其次为Hessian-Laplace,而Harris-Laplace和Do G的性能较弱.

彩色图像特征点检测算子

图像特征点的定位检测是计算机视觉中的一个关键问题,特征点检测算子的性能会直接影响到相机参数标定和视觉测量结果。本文在传统的Harris灰度图像的特征点检测算子基础上,利用彩色图像RGB三分量数据融合,提出了彩色图像特征点检测算子;提出了2个空间位置约束条件,使检测到的特征点均匀分布在图像各个区域;还提出了采用Bilateral滤波器取代Gaussian滤波器,得到一种既能保持边缘信息又能有效平滑噪声的图像滤波方法。通过对加噪彩色图像的特征点检测实验证明所提方法特征点定位准确,分布合理,抗噪声干扰性能好。

激光光幕破片测速信号的特征点检测方法

激光光幕破片测速系统中,破片过靶信号穿过激光光幕时特征点时刻检测的准确度影响测速的准确度与精度.针对传统的特征点检测方法中对信号直接进行数值微分会误检测起伏较大的噪声点、峰值检测会受噪声影响而引起信号误判的问题,提出了基于小波变换的模极大值特征点检测法.该算法利用小波模极大值和尺度、李氏指数与破片信号的奇异性之间的关系,选取合适的小波基对破片信号进行小波模极大值处理,从而实现特征点检测与去噪,可以准确识别破片,并检测到其特征点时刻.经大量测试数据处理表明,小波模极大值法检测破片识别率为96.9%,相比传统峰值检测法,提高了特征点检测的准确率.

基于特征点检测与光流法的运动目标跟踪算法

为了解决当前运动目标跟踪算法在背景模型复杂和目标特征不明显的情况下,导致算法跟踪能力不足的问题,本文分别从特征点检测与光流法分析的角度出发,提出了基于特征点检测与光流法的运动目标跟踪算法。首先,根据图像梯度矩阵最小特征值,通过仿射变换,精确化特征点帧间匹配,排除伪特征点,达到精准检测运动目标特征点的目的。然后,基于图像像素守恒原理,进行2幅图像间变形评估,建立图像约束方程,进一步精确跟踪运动目标。最后,基于软件开发环境QTCreator实现算法,并系统集成。实验测试结果显示:与当前运动目标跟踪技术相比,本文算法拥有更高的准确性与稳定性。