自动人脸识别(AFR)研究试图赋予计算机根据人脸辨别人物身份的能力。该研究具有重要的科学意义和巨大的应用价值。经过三十多年的发展,AFR技术取得了长足的进步,目前最好的AFR系统在理想情况下已经能够取得可以接受的识别性能。但测试和实践经验表明:非理想条件下的人脸识别技术还远未成熟,要开发出真正鲁棒、实用的AFR应用系统还需要解决大量的关键问题,尤其需要研究作为识别必要前提条件的面部关键特征精确定位问题。本文重点探讨基于统计学习的面部特征定位问题。 研究了特征精确配准问题,重点讨论了基于主动形状模型的人脸定位算法。首先介绍了点分布模型,并在训练样本对齐、形状变换建模和基数目的选择三方面展开讨论,然后详细描述了主动形状模型的整个搜索过程和多分辨率框架,并讨论了相关研究工作。从统计外观模型出发,介绍了基于统计外观模型的AAM技术,并与ASM做了比较说明。同时介绍了图像扭曲技术,重点描述了分块仿射技术。 介绍了人脸定位样本的采集过程,搜集各种人脸图片进行人工标定关键特征点,利用主动形状模型(ASM)进行人脸定位。提出模型分次搜索,在对整个人脸建模的同时,也分别对眼睛和嘴巴构造模型,利用眼睛模型和嘴巴模型优化总体搜索达到了非常好的效果。通过模型点数对比实验和去除轮廓实验来对模型描述选择进行讨论,计算了平均搜索误差和搜索一次所耗时间,并进行了对比分析。对测试中失败结果进行分析,对影响搜索的各种因素进行讨论,指出初始化对于搜索的成败往往起了决定作用,而光照变化、姿态变化、表情变化、毛发饰物的遮挡、训练集不足等因素的影响也是整个搜索失败的重要原因。 指出基于ASM的人脸定位缺少收敛准则和质量评价,强调了建立一种合理的质量评价机制的重要性,提出了一种利用统计学习方法来构造人脸定位评估函数的方法。介绍和讨论分类器设计,指出分类器性能主要取决于特征空间和学习算法选取两个方面。观察和分析了Gabor小波,指出其优良特性(良好的空间局部性和方向选择性)并选择Gabor特征作为评估算法的分类特征。介绍和研究了AdaBoost学习算法,选用AdaBoost学习算法来设计用于定位评估的分类器。实验结果证明此分类方法效果良好,并在语义上更有意义。