复杂背景下人脸特征点跟踪算法研究 选题报告.docVIP

西 南 交 通 大 学 硕 士 研 究 生 选 题 报 告 姓 名 学 号 导师姓名 职 称 教 授 专 业 计算机应用技术 研究方向 计算机视觉技术 题 目 复杂背景下人脸特征点跟踪算法研究 2012 年 12 月 13 日 开题报告的内容应包括 课题的研究意义、国内外现状分析。 课题研究目标、研究内容、拟解决的关键问题。 拟采取的研究方法、技术路线、试验方案及其可行性 研究。 课题的创新性。 （5）计划进度、预期进展和预期成果。 注：（1）开题报告由各院（系、所、中心）组织实施，专家组成员由副高以上人员组成，邀请导师和督导组相关专家参加，导师担任组长。 （2）专家组的作用是帮助导师和研究生执行选题论证，论证意见以“通过”、 “不通过”结论。通过者按计划开展论文工作，不通过者，在半年内需 重新开题。 选 题 报 告 主 要 内 容 一、课题的研究意义及国内外现状分析 课题的背景及研究意义 人类获取信息，感知世界，理解世界主要是通过视觉来完成的。近年来，随着人工智能和神经网络的发展，人们逐步开始使用计算机来模拟人类的视觉——机器视觉，已经涉及到社会生活中的各个领域。机器视觉的出现，为人类获取视觉的全部信息提供了很好的可能，其中视觉跟踪（Vision Tracking）又是机器视觉中最热门的研究课题之一。视觉跟踪就是在没有目标运动信息的条件下，对信息的运动目标进行检测、提取、识别、跟踪，获取相关的参数，并对目标信息进行进一步分析和理解，并给出回应。在视觉跟踪中，人脸在我们的日常生活中又提供了丰富的视觉信息，人脸的面部信息常用在视频监控、表情分析等实际问题中。故本课题主要采用人脸作为跟踪的研究对象。 人脸跟踪(Face Tracking)指在一系列的视频流中，能够准确的检测、识别、跟踪到某个特定的人脸，以此提取人脸的位置信息和表现参数，从而对人脸进行实时的跟踪的过程。与人脸跟踪不同的是，人脸特征点的跟踪除了确定人脸在每一帧的位置，还要提供描述人脸部件（如眼睛、鼻子、眉毛）的特征点的位置。人脸特征点的跟踪是以后人脸表情分析和理解工作的基础，用处相当广泛。 但是在现实生活中，视频中的人脸经常受到姿态的变化、表情的变化、光照等因素影响，传统的一些人脸跟踪技术已经不再能实时、鲁棒的克服这些复杂环境的干扰，因此，研究一种新的人脸特征点跟踪算法，尤为重要。 国内外现状分析 人脸特征点跟踪[1] 解决的主要难题在于三点：人脸姿态、所处环境的变化、面部表情的变化。近年来，关于人脸特征点跟踪问题，大量的方法已经提出。目前国内外采用的主要方法分为两类：基于底层特征的方法和基于模型的方法。基于底层特征的方法[2] [3] 多采用人脸肤色或背景知识进行跟踪，用得最多的人脸颜色直方图[2] 在处理光照变化和人脸区域和背景颜色相似的时候，鲁棒性很差。段鸿等[4] 使用（Kanade-Lucas-Tomasi, KLT）算法从未加标识点的正面人像视频系列中通过纹理特征信息直接获取面部某些特征点的位移，虽然使得KLT算法更加合理有效，但是无法解决光照变化大且人脸大幅度转动的跟踪正确率。程远航等[5] 在光流法（Optical Flow, OF）的基础之上，将初始帧和当前帧的前一帧有机结合起来，共同作为当前帧的参考进行特征点的跟踪，取得了一定的效果，但是对嘴部特征点的动作幅度大而且快的情况，有些帧会丢失。为了解决这一问题，后来有的学者使用光流和Gabor小波[6] 的弹性图匹配方法相结合来进行人脸特征点跟踪，取得了很好的跟踪效果，但是误差很大，实时性难以提高。综上，底层特征的使用不能很好的描述人脸在姿态、光照等复杂环境下的变化，不能精确的描述人脸各个部件的局部运动。 基于模型的方法主要包括：模板匹配、2D、3D建模方法和粒子滤波框架。模板匹配方法主要在于形状模板[7] 和表象模板[8] [9] 为代表的模板匹配方法。该方法主要通过在图像中搜索与模板最匹配的区域作为跟踪结果。Wang等[10] 提出了一种基于边缘结构的自适应观测模型来实时，完全自动更新人脸特征点的跟踪方法，提高了跟踪的准确性和鲁棒性，但是计算复杂度太高。2D模型主要包括主动形状模型(Active Shape Model, ASM)[11] 和主动表象模型(Active Appearance Model, AAM)[12] 两种模型。这两种模型主要