基于改进Faster R-CNN的嘴部检测方法

在通过嘴部进行人机交互的场景下,外界光线变化、小目标检测的复杂性、检测方法的不通用性等因素给不同场景下嘴部的识别带来了很大困难.该文以不同场景下的人脸图像为数据源,提出了一种基于改进Faster RCNN的人脸嘴部识别算法.该方法在Faster R-CNN框架中结合多尺度特征图进行检测,首先将同一卷积块不同卷积层输出的特征图结合,然后对不同的卷积块按元素进行求和操作,在输出的特征图上进行上采样得到高分辨率的表达能力更强的特征,从而提高了嘴部这种小目标的检测性能.在网络训练试验中运用多尺度训练和增加锚点数量增强网络检测不同尺寸目标的鲁棒性.实验表明,相比于原始的Faster R-CNN,对嘴部的检测准确率提高了8%,对环境的适应性更强.

基于嘴角约束的嘴部轮廓检测#

由于嘴部轮廓的多样性，传统的基于ASM的嘴部轮廓检测方法并不能够准确的获得期望的轮廓，本文提出了一种基于嘴角约束的嘴部轮廓检测算法，该方法首先使用MeanShift聚类对嘴部灰度图进行处理，得到两个嘴角的位置，之后在这两个点的约束下使用改变的ASM 算法来检测嘴部轮廓。该方法对不同口型的轮廓都具有较好的检测结果，与传统的基于ASM的嘴部轮廓检测方法相比有更高的适用性和鲁棒性。

视频图像检测中嘴部错检的自动更正算法

提出一种应用于视频序列图像的新的嘴部检测算法,该算法能克服现有的嘴部检测算法的缺陷,利用视频中相邻帧图像之间的高度相关性,能探测到现有算法中的误检、漏检,并自动作出纠正,得到正确的人嘴检测结果。实验结果显示,该算法能大大提高视频序列图像中嘴部检测的正确率。

基于改进MeanShift算法的视线跟踪技术

介绍了SURF算法和MeanShift算法的基本原理。将MeanShift跟踪算法应用于视觉鼠标技术，提出了基于OpenCV技术的视线系统设计方法；提出了基于SURF算法的自动嘴部区域初始化MeanShift改进算法。实验结果表明，算法匹配识别效果较好，基于MeanShift跟踪算法的嘴唇跟踪系统实时性好、具有较好鲁棒性。