人臉特征點定位及表情動畫的研究與應用.pdf

1、人臉特征點定位是機器學習領域中一項基礎性的研究，廣泛應用于人臉數據分析、人臉識別和人臉重構。人臉特征點定位的主要難點在于人臉外觀易受光照、表情、姿態(tài)等因素的影響，從而發(fā)生形變引起特征的丟失，最終導致特征點定位的失敗。通常，流行的人臉特征點定位算法針對正面的人臉樣本進行訓練和測試，對于多角度的人臉特征點定位效果不佳。然而現實生活中的應用如犯罪分子識別、敏感人物檢測、非限定性場景下的人臉表情識別和人臉動畫等都屬于多角度人臉特征點檢測研究。而

2、多角度的頭部姿態(tài)會引起臉部外形的非線性變化，對人臉特征點定位的影響較大。由于有這些外界因素的影響，人臉特征點定位成為一項具有挑戰(zhàn)性的研究任務。
　　本文在已有算法的基礎上進一步進行分析與研究，提出一種多角度的人臉特征點定位的方法。該方法采用頭部姿態(tài)估計和條件回歸森林相結合，將原非線性問題轉換為分段線性問題，有效地提高了人臉特征點定位的精度。該方法主要包含兩部分：
　　第一部分是頭部姿態(tài)估計，采用局部保持投影（LPP）和廣義回

3、歸神經網絡（GRNN）相結合的方法，進行二維平面角度頭部姿態(tài)估計，該方法首先用局部保持投影對圖像數據進行降維，然后采用廣義回歸神經網絡將數據映射到線性可分空間，通過廣義回歸神經網絡的結果對頭部姿態(tài)進行精確估計。實驗表明，該方法能夠很好地估計出頭部姿態(tài)，具有較快運行速度和較強的魯棒性。
　　第二部分是人臉特征點定位，采用基于頭部姿態(tài)的條件回歸森林對二維圖像進行人臉特征點定位。面部的一些變化依賴于全局人臉的特征如頭部姿態(tài)，因此我們從頭

4、部姿態(tài)對人臉進行分類學習。條件回歸森林是從參數空間中得到幾個條件概率來代替常規(guī)隨機回歸森林的單個概率，因此不再需要處理全部人臉在外形上的變化。通過不同頭部姿態(tài)分別訓練對應的條件樹，在預測時也通過頭部姿態(tài)進行決策。實驗表明，該方法有效地降低了頭部偏轉引起的特征點定位誤差，人臉特征點定位的精確度得到提高。
　　最后是表情動畫合成，基于獲取到的人臉特征點定位信息，建立圖像與三維模型表情的對應關系。通過這種對應關系訓練徑向基回歸網絡，獲取