基于图像特征融合和统计决策的人脸特征点定位

人脸特征点定位旨在从图像或图像序列中搜索出预定义的面部特征，如眼睛中心点、左右嘴角、脸颊轮廓等的位置。现有的理论和方法通常采用纹理或颜色或形状等简单的图像底层信息，定位精度和效率都有待提高。本项目拟研究在各种姿态、表情变化和遮挡情况下的鲁棒特征点定位。项目主要研究内容包括：基于图像信息融合的特征点表示模型，基于统计决策的关键特征点定位，基于反向合成匹配的快速外观模型搜索。本项目的研究成果可为人脸对齐、人脸识别、表情识别、人脸三维图像合成、视频中的人脸跟踪等实际应用系统提供关键数据。

人脸面部特征点定位是人脸识别、表情识别、人脸三维图像合成、人脸跟踪等应用系统中的基础。本课题研究在姿态、表情变化和遮挡情况下的鲁棒特征点定位，主要理论成果包括：（1）基于稀疏表示的人眼中心点定位，该算法将特征点定位问题转换为一个二分类问题，也即测试图像的中心点是否为特征点，其基本思想是将人眼图像看做是训练人眼图像的稀疏线性组合，当重构误差小于阈值时则认定测试图像的中心点为人眼中心点。（2）扩展稀疏表示分类模型，该模型在稀疏表示模型基础上加入一个的类内变化字典来描述光照、表情、遮挡等同类样本的图像特征变化，通过L1 范数最小化方法把测试样本表示为训练样本和类内变化字典的稀疏线性组合，实验证明即使在每类只有极少样本（甚至单一样本）的条件下，扩展的稀疏表示也能获得较高的分类精度。（3）基于二维投影映射的人脸特征点定位，该方法在基于主动形状模型的人脸特征点定位中引入投影变换，旨在将训练样本中不同表情、不同大小、不同侧面角度的人脸变换到同一坐标下，从而获取稳定的图像特征以增强定位的精度。（4）变换不变性的主成分分析方法，其核心思想是找到图像在平面内具有旋转和尺度不变性的子空间。基于该思想的特征点定位算法首先将待定位的人脸图像对齐到变换不变性特征空间中去，然后在对齐后的图像中进行特征点定位，最后通过逆变换将对齐空间中的特征点位置投影到原空间形成最终输出。课题组在期刊IEEE Trans. PAMI上发表论文1篇且另有1篇已录用待发表、Pattern Recognition上发表论文1篇，在CVPR、AAAI、ICPR、ICIP等国际会议上发表论文7篇。