论文总字数：30338字

摘 要

本文采用基于随机森林模型的方法对二维图像的人脸特征点进行定位。本文采用方法的思想是每个特征点的局部范围内随机采取像素差值特征训练得到该特征点对应的随机森林模型，然后每个特征点遍历其随机森林模型进而生成高度稀疏的局部二值特征。接着利用获得的局部二值特征进行整体线性回归学习得到最终的形状增量以更新预测形状，从而实现二维图像的人脸特征点定位。同时为了在人脸偏转较大及部分遮挡的情况下能够获得更好的特征点定位效果，对人脸偏向左侧及右侧的图片分别训练随机森林模型查看定位效果，同时也提出了一些改进的尝试及方法。

本文采用的误差标准是相对人眼双瞳距离百分比来标记预测特征点位置与标准特征点位置之间误差。主要在Helen及LFPW人脸库上进行训练与测试。

实验结果表明本文所用方法不仅对正脸图片而且对环境光照不同、人脸姿态变化、表情多样性以及外物遮挡等多种情况下都取得了较好的特征点定位准确度。

关键词：人脸特征点定位，随机森林，局部二值特征

Abstract

This thesis uses the method based on the random forest model to locate the facial feature points of 2D images. The idea of ​​the method adopted in this thesis is to randomly take the pixel difference feature within the local range of each feature point to obtain the random forest model corresponding to the feature point. Then each feature point traverses its random forest model to generate highly sparse local binary features. Then using the obtained local binary features to learn the overall linear regression to obtain the final shape increment to update the predicted shape, so as to realize the localization of the facial feature points of the 2D image. At the same time, in order to obtain better feature point positioning effect when face deflection is large and partial occlusion, pictures of the human face biased to the left and right are respectively trained in a random forest model to see the positioning effect, and some improvements are also proposed at the same time.

The error criterion adopted in this thesis is to mark the error between the position of the predicted feature point and the position of the standard feature point with respect to the percentage of double-pupil distance of the human eye. Helen and LFPW face database are mainly trained and tested.

The experimental results show that the method used in this thesis not only achieves better feature point location accuracy for positive face images, but also different environment illumination, face pose changes, facial expression diversity, and foreign object occlusion.

KEY WORDS: Face feature point location, Random forest, Local binary features

目 录

摘 要 I

Abstract II

第一章 绪论 2

1.1 研究背景及意义 2

1.2 国内外研究现状 2

1.3 研究目标及内容 4

1.3.1 研究关键问题 4

1.3.2 研究难点 5

1.4 本文结构 5

第二章 人脸检测 6

2.1 人脸数据库介绍 6

2.1.1 Helen人脸库介绍 6

2.1.2 AFW人脸库介绍 6

2.1.3 LFPW人脸库介绍 8

2.2 人脸检测基本方法 9

2.3 本章小结 12

第三章 人脸特征点定位 13

3.1 人脸特征点介绍 13

3.2 随机森林介绍 13

3.3 随机森林人脸特征点定位算法介绍 14

3.3.1 相关工作介绍 14

3.3.2 本文所用方法概述 15

3.3.3 局部二值特征学习 18

3.3.4 整体线性回归 19

3.4 随机森林人脸特征点定位算法实现 20

3.4.1 软件实现平台介绍与配置 20

3.4.2 主函数介绍 20

3.4.3 随机森林训练实现过程 20

3.4.4 人脸特征点定位测试实现过程 28

3.5 软件测试与改进 29

3.5.1 训练过程测试 29

3.5.2 定位过程测试 29

3.5.3 改进及测试 35

3.6 本章小结 47

第四章 结论与展望 48

4.1 本文总结 48

4.2 后续工作展望 48

致 谢 49

参考文献 50

绪论

研究背景及意义

随着科技的发展以及时代的需要，相信无论是从事哪方面工作的人们多多少少听到过人脸检测识别这个词，所以人脸检测识别技术受到了越来越多的科技公司以及研究学者的关注。人脸检测识别技术在当今时代需求下迫切需要发展，虽然起步较晚，在20世纪50年代才开始进入人们的视野，但是随着计算机时代的到来，计算能力及资源的大力发展下，人们也有了更多的能力对其进行深入的研究，从而使得其技术越来越成熟。

在当今人类生活中，人脸检测识别技术在许多领域都得到了广泛的应用，如我们常见的安全保护、购物支付、门禁考勤、个人信息鉴定保护等领域，尤其是在当下作为热门研究方向的生物特征检测识别方面，人脸是生物特征的一个相当重要的特征，能够从人脸中获得许多重要的信息，所以人脸检测识别技术的准确程度对这方面的工作相当重要。除了人脸检测识别技术准确程度越来越重要，在现在人们生活需求中，越来越快的生活节奏以及各种实时工作设备的要求，对人脸检测识别技术的快速性也提出了更高的技术要求。

剩余内容已隐藏，请支付后下载全文，论文总字数：30338字