导读:本文包含了面部特征定位论文开题报告文献综述及选题提纲参考文献，主要关键词:面部姿态估计,特征点定位,混合深度回归,自编码器
面部特征定位论文文献综述
黄仰光[1]（2019）在《基于深度学习的面部姿态估计与特征点定位的研究》一文中研究指出随着人工智能技术和计算机视觉领域的发展,智能的人机交互和精确的人脸识别具有越来越重要的学术价值以及广阔的市场前景。其中面部姿态估计是人机交互的重要组成,而面部特征点定位则是人脸识别的核心。面部姿态估计也叫头部姿态估计,是指根据面部图像定位出头部在空间叁个角度参数的过程,而面部特征点定位是根据人脸图像定位出若干个人为定义好的特征点的过程。在深度学习浪潮的推动下,这两个计算机视觉任务都取得了突破性的进展,然而在实际应用中,存在众多干扰因素的影响,导致算法的预测效果下降,因此设计有效的面部姿态估计与特征点定位的算法仍然具有重要的研究意义。本文围绕面部姿态估计与特征点定位这两个问题,通过研究已有方法存在的不足对已有算法提出改进方案,论文主要贡献如下:(1)分析了单模态算法的不足,设计了一种基于多模态的面部姿态估计算法。首先从模型的构建角度入手,在概率性框架下推导出混合模型的目标函数,并介绍了迭代交替的训练方式。在两组公开数据集上,设计了多组对比实验,跟目前经典的算法相比,本文提出的混合回归算法取得了更低的平均绝对误差。最后通过对图像样本增加不同强度的噪声或遮挡,生成了新的噪声数据集,实验结果验证了该混合回归模型对于噪声和遮挡均具有较好的鲁棒性。(2)提出了一种改进的深度特征点定位网络。在原网络的基础上,使用精心设计的多种尺寸的残差模块网络去改进原有的卷积神经网络,使网络具有更强的特征提取能力,改进后的模型在公开的数据集300W上取得了9.1%的提升。分析了改进前后网络的存储开销和运算瓶颈,使用了两种不同的轻量级网络模块在算法层面对模型进行压缩,并通过实验验证了模型压缩的有效性。(3)提出了一种基于半监督学习的面部特征点定位算法。在面部特征点模型的训练中,往往需要大量的标签样本,导致数据获取开销过大。针对这个问题,本文在深度对齐网络的基础上,引入了一种半监督的学习机制,利用大量的无标定的数据和有限的标签样本一起训练模型。该方法将监督学习和无监督学习统一,通过无监督学习来提高监督学习的效果。实验证明,引入的半监督模型学习机制,显着提升了原有模型的特征点定位的准确度。(本文来源于《电子科技大学》期刊2019-04-01）
黄玉琴[2]（2018）在《面部特征点定位方法的研究与应用》一文中研究指出随着互联网技术的不断发展,生物识别技术以其稳定性和可靠性等优点,越来越多的领域开始采用这种非接触式的身份验证方式。人脸作为最容易采集并且特征最明显的人体部位,人脸识别技术成为近些年最热门的领域之一,而在人脸识别技术中人脸特征点的定位是很重要的,它的准确度会对后续工作的进行产生直接影响,因此对人脸特征点定位的研究具有很重要的研究意义。在此背景下,国内外的学者提出了许多人脸特征点定位算法,而基于级联回归与基于外形搜索的人脸特征点定位是众多算法中应用较广泛的两种方法。这两种方法在已有的数据集上都有不错的表现,但同时也有各自的缺陷。目前方法面临的主要难题是算法对初始外形的过分依赖以及对部分遮挡和大变形鲁棒性差等问题。针对以上问题,本文的主要研究工作如下:1.本文针对传统级联回归方法对初始化外形过于依赖的问题提出了一种基于分类外形搜索的外形初始化方法,该方法是基于由粗到精的外形搜索方法进行的。传统的外形搜索方法由于每一次外形搜索都需要在整个外形搜索空间进行人脸外形搜索,涉及到大量的计算量。针对该问题,本文在进行外形搜索之前引进了随机森林分类器对整个外形空间进行分类。该方法首先通过在图像上提取具有识别性的特征对图像进行描述,然后通过随机森林算法将整个外形搜索空间进行分类,在随机森林中每棵树的节点上的样本图像即为同一类别的人脸图像。之后对于每一张输入的人脸图像,都会经过分类器找到最接近的外形搜索子空间,之后的外形搜索将在该外形搜索子空间进行,大大减少了计算量,提高了实验效率,同时也保证了定位精度和算法的鲁棒性。2.基于SDM和DCNN方法对初始化外形过于依赖的问题提出了一种基于级联栈式自编码网络的人脸特征点定位方法。该方法提出了一种新的级联框架,引进四个级联的栈式自编码网络,包括一个全局栈式自编码网络和叁个局部栈式自编码网络。全局栈式自编码网络直接将一张人脸图像通过非线性映射得到一个人脸外形作为初始人脸外形,该人脸外形作为接下来局部栈式自编码网络的输入。对于局部栈式自编码网络,是将上一级得到的人脸外形每个特征点周围的形状索引特征结合之后作为输入,从而达到对人脸外形不断优化的目的,最终得到一个足够接近于真实值的人脸外形。两种方法均在当前具有挑战性的人脸数据集上进行了实验,通过实验的对比分析,验证本文算法的性能。(本文来源于《湖南大学》期刊2018-05-14）
朱虹,李千目,李德强[3]（2018）在《基于单个卷积神经网络的面部多特征点定位》一文中研究指出深度学习在面部特征点定位领域取得了比较显着的效果。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组堆迭层,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。(本文来源于《计算机科学》期刊2018年04期）
刘书颖[4]（2018）在《基于局部响应的面部特征点定位研究》一文中研究指出面部特征点定位是计算机视觉中的一项研究热点,是人脸验证,姿态估计的一项前期基础工作。近年来,特征点定位问题得到了广泛的研究。面部特征点定位的主流解决方案大都是基于级联回归的方法。级联回归模型在人脸姿态相对较小、表情相对简单、遮挡面积相对小的情况下都能够取得非常准确的定位精度。然而,级联回归模型在复杂条件下的泛化能力有限。深度学习凭借其优秀的特征提取能力和泛化性能,也被许多研究人员应用到面部特征点定位问题上,但是级联多个深度模型需要较大的计算资源,故级联回归的方法并非将深度学习应用与特征点定位问题的最佳方式。为了将深度学习更好地应用在面部特征点定位问题上,本文提出了一种利用特征点的局部响应来进行精确定位的深度网络结构。该网络包括一个改造的变分自编码器(EVAE)和一个深度卷积神经网络(DCNN)。EVAE用于从人脸图像中学习特征点的响应图,DCNN用于从响应图和人脸纹理特征中学习特征点的精确位置。改造的变分自编码器包含一个用于从原始像素中提取高阶信息的人脸编码器和一个由高阶编码输出局部响应图的解码器。通过推导,本文将提取局部响应的改进的变分自编码器转化为一个可以通过反向传导算法解决的优化问题。为了解决脸颊处特征点语义明确程度不如脸颊内侧特征点的问题,本文还提出对不同特征点进行加权分段训练的方案。本文通过在AFLW,COFW,300-W等主流数据集上的实验证明,论文提出的方案在姿态、表情、遮挡等因素较为复杂的情况下能取得明显优于基础模型,且与先进方法接近的定位性能。(本文来源于《北京邮电大学》期刊2018-03-14）
朱虹[5]（2018）在《基于深度学习的面部特征点定位方法设计与实现》一文中研究指出面部特征点定位作为面部图像分析领域的主要基础技术,具备重要的理论研究意义和应用价值,尤其是鲁棒的特征点定位对于非约束条件下的人脸识别起着至关重要的作用。常规的深度学习方法大多需要复杂且笨重的深层模型的级联架构,而粗略的初始条件会造成的特征点定位的偏离问题,使得光照、极端姿态、部分遮挡和夸张表情下的定位效果不佳。针对当前特征点定位的困境,结合深度学习突出的特征学习能力,本文重点研究了基于深度学习的面部特征点定位方法设计与实现。本论文的主要工作如下:(1)阐述深度学习和面部特征点定位的研究现状,详细地分析和总结当前研究的重点和热点问题,分别按照特征点定位的模型对算法进行分类,指出各种算法的优势和亟待解决的问题。(2)针对现有的方法大多是针对数目较少的特征点定位并且训练过程复杂,提出一种基于单个卷积神经网络的面部多特征点定位方法。从面部整体性着手,不需要多层网络级联或者将脸部划分若干子区域,仅仅使用单个深层卷积网络,就能够实现多特征点定位。该方法可以精确地提取全局高级特征,直接预测面部多特征点的坐标。此外,在非约束情况下,该方法对姿态、光照、表情和严重遮挡具备鲁棒性。(3)特征点定位不是一个独立的问题,容易受到一些不同类型但又紧密相关因素的影响。本文提出一种基于多任务学习深度网络的面部特征点定位方法,该方法分成两个阶段。首先,通过使用二级级联的卷积神经网络来对给定的测试图像生成面部候选区域,经过多任务学习的深度网络,融合了中间层中卷积层和池化层的特征,最终获得多个任务的结果,包括人脸检测框、性别和特征点及其对应的可见性信息。其次,为了提高多任务学习的深度网络在测试期间的人脸检测精度,提出二级级联卷积神经网络先从测试图像中生成面部候选区域,去除大量非人脸的背景子窗口,来剔除复杂背景的干扰,进而改善多任务学习深度网络的整体性能。本文的研究对局部遮挡、极端光照、姿态变换等因素的干扰具备一定的鲁棒性,且学习能力强,已经在农业银行、南京地铁等多个现实环境中推广应用。(本文来源于《南京理工大学》期刊2018-03-01）
闵秋莎,刘能,陈雅婷,王志锋[6]（2018）在《基于面部特征点定位的头部姿态估计》一文中研究指出头部姿势估计在许多智能系统中是检测身份和理解行为的关键,但其受光照变化、遮挡、分辨率等因素影响较大。针对彩色二维图像的头部姿态估计方法准确率不高的问题,在分析现有的头部姿态估计方法的基础上,提出一种基于面部特征点定位的头部姿态估计方法。将Adaboost算法和椭圆肤色模型相结合,用于检测人脸,并准确获得图片中的人脸区域。利用Hough圆检测方法定位眼睛和鼻孔,利用人眼和鼻孔的位置信息,将眼睛、鼻子定位结果与正脸头部姿态中的眼睛、鼻子进行对比,从而对不同的头部姿态进行粗估计。实验结果表明,该方法能识别正脸以外的6种不同的头部姿态,总体准确率达到93.53%。(本文来源于《计算机工程》期刊2018年06期）
李悦[7]（2017）在《基于级联深度卷积神经网络的面部特征点定位算法》一文中研究指出面部的特征点准确定位对于表情识别和面部动画合成等应用具有重要的意义。随着网络时代自拍的盛行,人们对于实际应用场景中不同光照,角度和遮挡条件下的准确特征点定位提出了更高的要求。本文设计了一种基于级联的深度卷积神经网络的面部特征点定位算法,在初步特征点识别的基础上利用级联网络进行回归优化拟合,从而达到了精确定位的效果。(本文来源于《数码世界》期刊2017年07期）
常梦龙[8]（2017）在《基于特征点定位算法的面部穴位定位方法的研究》一文中研究指出穴位在中医学领域内有着举足轻重的地位,拥有千年的历史,不但可以治疗疾病,更是可以用于日常按摩保健,然而,穴位的寻找对于非专业人员是一件很困难的事,穴位找不准,不但起不到保健作用,还可能有害健康。这让其失去了日常保健的重要作用,处于尴尬的境地。在本文中,作者通过对模式识别技术在人脸面部穴位上的研究,结合当前视频采集设备和微型计算机的普及,提出来一种基于模式识别的人体部分面部穴位定位方法。该方法操作简单,不需要进行专业培训也可以进行使用,因此大大降低穴位定位难度,提高定位准确度,利于穴位在治疗保健中的应用。本文中,利用ASM算法进行人脸关键点定位,通过边缘提取算法提取发际轮廓,通过特征叁角形法对人像的姿态进行估计,并依据传统中医里定位穴位的骨度分寸法提出了人脸骨度分寸计算方法、人脸图像穴位定位方法。之后通过神经网络对没有明显图形特征的穴位进行了定位。本课题对于面部特征点的应用领域进行了新的拓展,将传统中医医学与计算机图像技术进行了融合,对降低取穴难度,普及穴位养生,以及医学教学有着很好的实用价值,同时对于通过面部特征点技术对穴位定位提出了新的研究思路和方法。希望可以给有志于研究和普及中医穴位的学者提供一些参考,为中医穴位保健治疗做出贡献。(本文来源于《北京工业大学》期刊2017-06-01）
郭志芳[9]（2015）在《基于支持向量回归的面部特征点定位算法》一文中研究指出面部特征点定位是人脸识别过程中的一个关键步骤,面部特征点定位的准确度直接影响到人脸识别的性能。然而,面部特征点定位却是一项具有挑战性的研究课题,因为许多因素,如光照、表情、姿态的变化等都会对面部特征点定位产生影响。本文围绕面部特征点定位进行了深入的研究,主要内容如下:(1)利用支持向量回归的方法进行面部特征点定位。在训练的过程中,首先得到测试点到手工标记目标点之间的位移矢量,建立该位移矢量与测试点的纹理特征之间的关系模型。利用训练获得的模型,在预测时通过测试点的纹理特征就可以得到预测的目标点。SVR的一个主要缺陷就是不能评估预测目标点为真实目标点的概率大小,由此会影响算法定位的精度。为降低该影响,在支持向量回归预测的阶段,增加了一个评价函数评估预测目标点为真实目标点的概率,评估值小的点,说明其为真实目标点的概率低则舍弃。(2)采用Gabor小波变换与局部二值模式相结合来描述测试点的纹理特征。此方法首先对以测试点为中心的一个18×18像素的窗口进行2尺度4方向的Gabor小波变换,分别对每个尺度的Gabor滤波图谱迭加,得到两个尺度的Gabor特征图像。然后,对每个尺度的Gabor特征图像进行分块LBP编码,分为3×3的子块,分别统计每个子块的LBP特征,得到每个子块的LBP直方图。最后,将所有的直方图按顺序连接起来作为该测试点的纹理表示。利用此种方法进行纹理特征描述所得到的特征维数是巨大的。为了降低特征维数,节省计算时间,引入基于相关性的特征选择方法去除冗余特征和不相关特征。(3)提出了基于预测目标点信息更新的采样策略。预测的过程中,评估支持向量回归每次迭代获得的预测目标点,评估值高的则加入到采样区域的信息集合中。这样不断更新的信息集合会使采样区域在真实目标点附近不断缩小。因为在真实目标点附近的预测准确度更高,因此该策略可以有效提高定位精度。(4)最后对本文算法在不同的数据库上进行了实验,实验结果表明本文方法可以很好的解决表情、光照、姿态等发生变化的情况。(本文来源于《南昌航空大学》期刊2015-06-01）
汪亚芬[10]（2015）在《多视角面部特征点定位研究与应用》一文中研究指出人脸图像的感知和分析是模式识别和人工智能学科的前沿课题,包括人脸检测,面部特征点定位,姿态估计,表情分析,人脸合成,人脸识别和人脸动画等一系列研究内容。其中,人脸检测和面部特征定位是基础,人脸识别是重要应用之一。与正面人脸检测与特征点定位相比,多视角人脸的研究还相对薄弱,难度也大得多,离实际应用还有距离,但却是人脸感知和分析技术走向实用化急需解决的关键问题。正是在这种背景下,本文提出一种多视角树结构模型M-TSM(Multi-view Tree Structured Model)并将其应用在大型数据库搜索中,以期解决大数据环境下的人脸识别问题。该模型通过建立和维护不同视角下的面部模板来解决图片中的人脸检测和特征点定位问题,通过合并这两个问题,简化人脸识别过程。同时,将其做分布式处理来完成大型人脸数据库的自动注册,并利用其在图像分析中捕获视角的优势,提出在特征向量中加入2维视角信息的方法,直接略过视角不符的注册特征,缩小搜索范围,加快识别速度。主要工作及成果如下:(1)对训练样本中每一个特征点建模获得对应此点的局部模块,且存档所有视角下均共享的模块,构成共享集。同时,基于不同视角,构建由局部模块组成的多视角树结构模型并设计模型能量函数,函数包含各局部模块HOG[49]特征信息以及模块之间的一次、二次连接系数等全局信息;(2)甄选多个视角下的样本并标定人脸区域、特征点和视角信息,首先基于Chow-Liu算法原理,获得给定样本特征点的最大似然估计,作为特征点分布的粗估计;然后建立LSVM[23](Latent variable SVM)框架对M-TSM中的所有参数进行判别性训练,提取人脸区域的鉴别性特征,用于定位人脸区域;最后分析M-TSM搜索过程,提出在已知的人脸区域内,枚举所有视角并应用多次动态规划[27]确定目标人脸特征点和视角的方法;(3)对M-TSM进行测试并分别针对人脸定位、姿态估计和特征点定位与其他常用算法做实验对比和分析。实验结果显示,多视角树结构不仅拥有良好的各方面性能,且能够同时完成图片中的多人脸分析。(4)基于分布式文件系统DFS[15](Distributed File System)和Map Reduce[16]框架,架构一个基于Windows系统上的轻便型分布式文件系统[21],利用M-TSM在图像分析中的优势,即同时获得人脸视角和特征点分布,将其做分布式处理来自动完成大型数据库的人脸注册环节和用户输入图片的特征提取。后续实验将展示M-TSM在分布式数据库构建和搜索中发挥的巨大作用。(本文来源于《上海交通大学》期刊2015-01-01）
面部特征定位论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
随着互联网技术的不断发展,生物识别技术以其稳定性和可靠性等优点,越来越多的领域开始采用这种非接触式的身份验证方式。人脸作为最容易采集并且特征最明显的人体部位,人脸识别技术成为近些年最热门的领域之一,而在人脸识别技术中人脸特征点的定位是很重要的,它的准确度会对后续工作的进行产生直接影响,因此对人脸特征点定位的研究具有很重要的研究意义。在此背景下,国内外的学者提出了许多人脸特征点定位算法,而基于级联回归与基于外形搜索的人脸特征点定位是众多算法中应用较广泛的两种方法。这两种方法在已有的数据集上都有不错的表现,但同时也有各自的缺陷。目前方法面临的主要难题是算法对初始外形的过分依赖以及对部分遮挡和大变形鲁棒性差等问题。针对以上问题,本文的主要研究工作如下:1.本文针对传统级联回归方法对初始化外形过于依赖的问题提出了一种基于分类外形搜索的外形初始化方法,该方法是基于由粗到精的外形搜索方法进行的。传统的外形搜索方法由于每一次外形搜索都需要在整个外形搜索空间进行人脸外形搜索,涉及到大量的计算量。针对该问题,本文在进行外形搜索之前引进了随机森林分类器对整个外形空间进行分类。该方法首先通过在图像上提取具有识别性的特征对图像进行描述,然后通过随机森林算法将整个外形搜索空间进行分类,在随机森林中每棵树的节点上的样本图像即为同一类别的人脸图像。之后对于每一张输入的人脸图像,都会经过分类器找到最接近的外形搜索子空间,之后的外形搜索将在该外形搜索子空间进行,大大减少了计算量,提高了实验效率,同时也保证了定位精度和算法的鲁棒性。2.基于SDM和DCNN方法对初始化外形过于依赖的问题提出了一种基于级联栈式自编码网络的人脸特征点定位方法。该方法提出了一种新的级联框架,引进四个级联的栈式自编码网络,包括一个全局栈式自编码网络和叁个局部栈式自编码网络。全局栈式自编码网络直接将一张人脸图像通过非线性映射得到一个人脸外形作为初始人脸外形,该人脸外形作为接下来局部栈式自编码网络的输入。对于局部栈式自编码网络,是将上一级得到的人脸外形每个特征点周围的形状索引特征结合之后作为输入,从而达到对人脸外形不断优化的目的,最终得到一个足够接近于真实值的人脸外形。两种方法均在当前具有挑战性的人脸数据集上进行了实验,通过实验的对比分析,验证本文算法的性能。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
面部特征定位论文参考文献
[1].黄仰光.基于深度学习的面部姿态估计与特征点定位的研究[D].电子科技大学.2019
[2].黄玉琴.面部特征点定位方法的研究与应用[D].湖南大学.2018
[3].朱虹,李千目,李德强.基于单个卷积神经网络的面部多特征点定位[J].计算机科学.2018
[4].刘书颖.基于局部响应的面部特征点定位研究[D].北京邮电大学.2018
[5].朱虹.基于深度学习的面部特征点定位方法设计与实现[D].南京理工大学.2018
[6].闵秋莎,刘能,陈雅婷,王志锋.基于面部特征点定位的头部姿态估计[J].计算机工程.2018
[7].李悦.基于级联深度卷积神经网络的面部特征点定位算法[J].数码世界.2017
[8].常梦龙.基于特征点定位算法的面部穴位定位方法的研究[D].北京工业大学.2017
[9].郭志芳.基于支持向量回归的面部特征点定位算法[D].南昌航空大学.2015
[10].汪亚芬.多视角面部特征点定位研究与应用[D].上海交通大学.2015