论文部分内容阅读
人脸关键点是指人脸中具有特质特征的区域，比如眼角、嘴角等。人脸的关键点检测不仅对于人脸识别有很大作用，而且可以为表情识别提供基础。人们在日常生活中相互交流，语言的交流占了很大一部分，但是也有相当一部分信息需要面部的表情去传达。面部的关键点识别应用无论现在还是将来，日趋重要，但面部关键点识别由于其计算的区域面积小，变化多样，很难进行侦测捕获。
人脸的关键点检测和定位可以帮助我们更好的快速的描述表情，但精确的检测定位人脸关键点是一个复杂的过程:光照影响因素、人脸的肤色因素、头发的遮盖因素以及附属物（眼镜）遮盖都有可能使得检测定位失败。一般的人脸关键点定位，需要的样本规模较大，计算前需要对样本进行归一化，本文的工作是建立一个模型，要求用较少的样本，不用归一化人脸，最后一样达到检测人脸关键点的目的。针对模型的建立，基于以下几种模块支持:
1、图像平滑模块。针对于图像中噪点的存在，对图像进行平滑处理，采用不同的参数的高斯平滑函数，对图像进行不同程度的平滑处理。
2、特征提取模块。提取的图像中的子图像做训练集时，根据眼睛、嘴巴的特点建立不同的区域块，并且结合LBP特征对子图集合进行提取特征，并且划定范围对特征进行加权平均，综合考虑距离因素对目标点的贡献度分成8个方向的量化方法，组合成新特征集合。
3、训练分类器模块。实验训练器基于随机森林分类器，由于随机分类器的Boosting特性，对小样本数据重复采样，得到相对稳定的结果，符合本次试验的目标，因此训练器采用随机森林分类器。
4、搜索模块。深入分析人脸图像的特点，根据ASM模型的搜索思想的启发，建立二维模式的最佳像素点搜索，最终达到精确检测的目的。
实验结果表明，小样本的训练集结合随机森林分类器，也可以对人脸关键点进行定位，误差率控制在10％左右。与其他同类模型相比，本文的创新点在于第一次采用了随机森林和LBP相关的特征来对人脸的关键点进行检测定位，而且不用进行大量样本的采集以及严格标准化。