摘 要

人脸检测和特征点提取是计算机视觉和三维人脸重建中的关键环节。人脸检测是人脸识别中的第一步，目的是应用一定的策略对于给定的图片搜索其中是否含有人脸，其在人机交互、视频监控与处理、安保等领域有着广阔的前景。人脸特征点提取是三维人脸再建中的承前启后的关键一环，定位的精度直接影响到后续工作的进展。本文对人脸检测与特征点提取进行了深入研究，选用基于Harr特征的Adaboost人脸检测算法进行人脸检测，并用AAM算法对检测到的人脸进行特征点提取。论文的主要工作如下：

首先，使用基于Harr特征的Adaboost算法进行人脸检测，进行单人与多人人脸检测。采用积分图方法计算人脸的Harr特征，并用于构建人脸分类器，设置相同的初始样本权值与初始阈值，用得弱分类器进行分类，降低正确样本的权值，通过对样本的权值进行改进，并根据分类结果对正负样本更新阈值和权重，找出最佳阈值，再训练弱分类器，将弱分类器级联得到最后的强分类器。

其次，利用基于反向组合拟合的AAM算法进行人脸特征点的提取，详细介绍形状、纹理、表观模型以及拟合过程，并详细介绍AAM算法流程。

最后，利用adaboost检测出人脸，并将检测出的人脸切割出来进行AAM人脸特征点的提取，消除一张图片中多副人脸和背景对AAM算法人脸提取产生的影响。

关键字：Adaboost算法，harr特征，积分图，AAM算法，反向拟合算法　

Abstract

Face detection and feature point positioning is the key link in computer vision and 3D face reconstruction. Face detection is the first step in face recognition with the aim of using certain strategy for a given image search to judge whether it contains a human face, and it has a broad prospect in the human-computer interaction, video monitoring and processing, security and other fields. Facial feature point extraction is a key link of 3D face reconstruction in the connecting link between the preceding and the following, positioning is accurate or not directly affects the reliability of the follow-up work. This paper were in-depth study in face detection and feature point extraction, AdaBoost face detection algorithm based on Harr feature is adopted for face detection,and AAM algorithm is used to extract the feature points of the detected faces:

First, face detection using AdaBoost algorithm based on Harr feature is used for single and multi human face detection. The integral image method calculating Harr feature of human face used to construct face classifier. Then set the same initial sample weights and threshold and use the week classifier for classification, next step is reducing the weight of positive samples and improving the weights of misclassified samples, Then according to the classification results of positive and negative samples update threshold and weight, we can find the optimal threshold and the re training weak classifiers, Finally we pack all the trained weak classifiers in a cascade to get the final strong classifier.

Secondly, using the AAM algorithm based on reverse combination fitting to extract the facial feature points, the shape, texture, apparent model and fitting process are introduced in detail, and the process of AAM algorithm is introduced in detail,too.

Finally, using AdaBoost to detect the human face, and the detected face cut out for AAM face feature points extraction, so these methods can eliminate the impact of multiple images in a picture and background on the AAM algorithm which is for face extraction.

Keywords: Adaboost algorithm，Harr feature，integral graph，AAM algorithm

目 录

摘 要 I

Abstract II

第1章 绪论 1

1.1 人脸检测及特征点定位研究意义 1

1.2人脸检测及特征点定位的国内外研究现状 1

1.2.1 人脸检测的研究现状 1

1.2.2 特征点提取的国内外研究现状 2

1.3 本文主要内容和结构 3

第2章 基于adaboost的人脸检测算法 5

2.1 引言 5

2.2 adaboost人脸检测训练部分 6

2.2.1 harr特征 6

2.2.2 积分图 8

2.2.3利用积分图计算特征值 9

2.2.4计算特征矩形的特征值 10

2.3 adaboost检测部分 11

2.3.1 构建弱分类器 11

2.3.2 构建强分类器 12

2.3.3 构建级联分类器 12

2.4 实验结果 13

3.5 结论 16

第3章 基于AAM算法的人脸特征点提取 19

3.1 引言 19

3.2 AAM模型建立 19

3.2.1 形状建模 19

3.2.2 纹理建模 19

3.2.3 建立表观模型 20

3.3 AAM的拟合算法 20

3.3.1原始的AAM拟合算法 20

3.3.2利用逆向组合算法进行AAM拟合计算 21

3.4 算法实现及实验结果： 21

3.5　本章小结 26

第4章 结合Adaboost算法与AAM算法的多幅人脸特征 27

第5章 总结与展望 29

5.1 总结 29

5.2展望 29

参考文献 31

致 谢 33

绪论

1.1 人脸检测及特征点定位研究意义

人脸包含了一个人的丰富信息，根据人脸可以获得一个人的性别，年龄，种族和身份等特征。人们从人类学、计算机图形学、图象检索等多领域进行了人脸研究。如何识别各种特征是计算机视觉中最难突破的课题之一：人脸之间由于表情，肤色，姿态，外貌上的不同，需要考虑到检测对象模式的可变性；

由于人脸图像是3维对象，由于不同的光线的影响，其必然会受到影响；实际检测人脸面部时还会有帽子、眼镜等因素的影响。因此，如果我们能够找到解决上述问题的方法，我们将提供一个重要的灵感来解决其他类似的复杂模式检测问题。

人脸特征点提取是全部人脸识别中的关键步骤，可以通过计算机在一副人脸图像中自动提取人脸面部器官的确切位置。而定位的准确直接关系到后续应用，如身份验证，表情识别等，并在视频图像中人脸图像的跟踪，人脸三维重建及人脸动画的研究中有着关键作用。

因此，人脸检测和特征提取是一个很值得探究的课题，并且有很广泛的发展前景。

1.2人脸检测及特征点定位的国内外研究现状

1.2.1 人脸检测的研究现状

人脸检测和识别发展至今，大体能够分为三种方法：基于知识的方法、基于模板匹配的方法和基于肤色的方法。基于知识的方法是根据对人脸的先验知识研究得出的人脸检测方法。人脸局部特征的排列往往存在一定的顺序，比如说人的两只眼睛对称排布在鼻子的两侧，鼻梁和嘴唇中心连线基本与两只眼睛的连线相互垂直,等等，因此可以利用五官等人脸信息的排布规律来进行检测。Yang和Huang选用分层的基于知识的人脸检测方法，创建了基于知识的三层检测系统，而该方法的重要难题是把人类的感知体验定义为良好的规则，由于这些规则都是确定的，所有这些规则之外的人脸很难检测，导致漏检；但是，如果这些规则过于一般化，则往往会发生误检。此外，由于人脸表情的变化，该方法很难列举出所有可能的情形，所以很难检测到这些表情的变化。基于模板匹配的方法最初创建并储存一些人脸模板作为标准，这些模版可以是单独的一个眼睛、嘴巴或者是脸颊，也可以是这些器官的组合，然后，使用一些算法来计算每个测试区域和标准模板之间的相似度或相关性，以确定该区域是否是人脸或相应的特征。梁路宏等人在人脸检测中使用了5个模板；1个双目模板用于最初筛选以及4个用于检测不同长宽比例的人脸模板。该方法在正面的单一人脸检测中得到了很不错的效果。而在复杂背景下的人脸检测，问题的关键所在是能够建立一个可以区分背景的干扰又能代表不同特征不同表情的人脸的模板。然而，一个很好区分背景与人脸的模板，很代表不同表情与特征的人脸，可以代表各种人脸模板，不能很好的消除背景对检测的影响，即基于模板匹配的方法，准确率与漏检率不可兼得。

基于肤色方法则利用人脸肤色进行图像的分割和人脸的检测。皮肤的颜色是一个重要的信息，它不取决于人脸面部特征，对于表情变化、图像旋转等情况这种方法也能稳定的检测出人脸，并且可以区分出大部分的背景，有速度、姿态不变性等特点。因此，该方法在复杂的背景中的人脸检测应用很普遍，一部分检测算法得到了比较好的检测结果。而该方法存在的缺陷是，图像的特征被如光照、噪声等影响被严重的破坏，肤色特征被弱化，可能使得算法难以使用。 虽然基于肤色的方法有一定的缺陷但其优势却十分突出。其不变性的特点,可用于在复杂背景下的人脸检测，这种方法对人脸的方向尺寸没有太多限定,并且处理速度相对快，适用于实时的人脸检测系统。尤特别是在复杂背景彩色人脸图像的检测，采用肤色分割的方法对人脸区域进行肤色分割，然后整理候选人脸，接着使用候选人脸进行特征提取和验证，以确定人脸。

1.2.2 特征点提取的国内外研究现状

就人脸特征点提取发展来说，国外对人脸特征点提取研究比较早，到目前为止，已经有很多科研机构和大学研究出一批较为先进的人脸特征点提取方法，如CMU机器人实验室，密西根州立大学，马里兰大学等等。而国内对人脸特征点提取的研究起步较晚。在近二十年的研究中，同样取得了一系列的科研成果。清华大学电子系，浙江大学、中科院计算所与自动化所等很多单位都发展了人脸特征点提取的研究，尤其是上世纪末以来，各类新算法被不断开发出来，这些算法在不同层次促进了人脸特征点提取技术的臻于完善。