基于概率关系的面部特征点定位技术方法

基于BCD提出了一种新的面部特征点定位方法,该方法在以下三个方面扩展了传统的BCD(boostedcascade detector):a)建立了BCD决策响应与特征点位置之间的概率关系;b)提出一种基于上述概率关系的特征点定位方法;c)设计了两种最佳人脸候选区域的选择方法。解析式的BCD把人脸检测和面部特征点定位融合成一个统一的过程。实验表明其精度和速度高于平均位置法(AVG)和基于boosted classifiers的最佳命中法(BestH it),并且它的运行速度也明显高于基于非线性优化的AAM和SOS法。

双向层级结构分类器及其在面部特征点定位中的应用

设计了一种新颖的双向层级结构分类器,并将其应用于面部特征点的定位。该分类器在训练过程中对正例样本和反例样本交替进行重采样,因而与采用传统的单向层级分类器的面部特征定位方法相比,采用这种新的双向层级结构分类器的方法具有以下优点:可以应对大规模的数据集;可以处理存在复杂变化的正反例样本;而且无论是在训练过程还是在测试过程,其算法都能快速地过滤大量的'易分'样本,执行效率非常高。在两个公开测试数据库上的实验结果表明,采用双向层级结构分类器的方法可以实现准确、快速的特征点定位。

基于单个卷积神经网络的面部多特征点定位

深度学习在面部特征点定位领域取得了比较显著的效果。然而,由于姿态、光照、表情和遮挡等因素引起的面部图像的复杂多样性,数目较多的面部特征点定位仍然是一个具有挑战性的问题。现有的用于面部特征点定位的深度学习方法是基于级联网络或基于任务约束的深度卷积网络,其不仅复杂,且训练非常困难。为了解决这些问题,提出了一种新的基于单个卷积神经网络的面部多特征点定位方法。与级联网络不同,该网络包含了3组堆叠层,每组由两个卷积层和最大池化层组成。这种网络结构可以提取更多的全局高级特征,能更精确地表达面部特征点。大量的实验表明,所提方法在姿态、光照、表情和遮挡等变化复杂的条件下优于现有的方法。

基于面部生成的视频序列多角度人脸识别系统

针对人机交互系统捕捉大姿态侧脸图像过程中面部纹理缺失严重导致的人脸识别效果不佳问题,提出一种基于面部生成的视频序列多角度人脸识别系统。对传统人脸识别系统中的检测和对齐模块进行改进,将生成对抗网络(GAN)与两种主流面部特征点定位方法相结合。通过增加预处理过程实现正面人脸生成,并针对不同侧脸角度设定系统阈值,还原丢失面部特征。实验结果表明,该系统能有效提高人脸定位精度,并最多可将识别准确率提升18.85%。