人臉

003）1 引言人臉識(shí)別［1］是根據(jù)人的臉部特征信息進(jìn)行身份識(shí)別的一種技術(shù)，在現(xiàn)實(shí)生活廣泛應(yīng)用于教育、金融、公安等領(lǐng)域。而人臉檢測(cè)是指輸入一副圖像，確定圖像中所有人臉的位置、尺度和位姿的過程。它是進(jìn)行人臉識(shí)別、人像對(duì)比、視頻人像追蹤等視覺任務(wù)的基本步驟和前提。早期的人臉檢測(cè)技術(shù)基于先驗(yàn)知識(shí)來和手工設(shè)計(jì)的特征來提取人臉圖像的特征。如：姜軍［2］等人采用與人臉生理結(jié)構(gòu)特征相符合的人臉鑲嵌圖模型，針對(duì)人臉圖像的灰度和邊緣信息，建立人臉知識(shí)庫。并通過多級(jí)監(jiān)測(cè)步驟加

],同時(shí)也是動(dòng)態(tài)人臉識(shí)別、智能安防監(jiān)控、智能交通等領(lǐng)域的核心問題。常見的目標(biāo)跟蹤算法主要有:1)基于目標(biāo)模型建模的算法,如區(qū)域匹配、特征點(diǎn)跟蹤、光流法等;2)基于搜索的算法,如粒子濾波[2]、kalman濾波[3]、Camshift[4]等算法。目前在已有目標(biāo)跟蹤算法中,均值偏移(Meanshift)算法憑借計(jì)算簡(jiǎn)單、實(shí)時(shí)性較好[5]等優(yōu)點(diǎn)被廣泛應(yīng)用于人臉跟蹤等領(lǐng)域。Bradski等[4]在Meanshift算法的基礎(chǔ)上提出了Camshift算法。從本質(zhì)上

)0 引 言視頻人臉檢測(cè)是視頻人臉識(shí)別的基礎(chǔ)，只有在很好的人臉檢測(cè)效果的前提下，視頻人臉識(shí)別才會(huì)對(duì)有較好的識(shí)別效果。視頻人臉檢測(cè)一般更貼近于日常生活，這些要檢測(cè)人臉的視頻大多數(shù)都是在室外場(chǎng)景拍攝的，相比較于一般的人臉檢測(cè)難度更大。因?yàn)橐曨l人臉檢測(cè)不僅面臨著和圖像人臉檢測(cè)同樣的光照、遮擋、姿態(tài)等問題，實(shí)際應(yīng)用中視頻的圖像質(zhì)量通常不佳，人臉五官不清晰，這些因素都進(jìn)一步加大了人臉特征提取與檢測(cè)的難度。本文提出了一種基于人臉超分辨率重建的網(wǎng)絡(luò)視頻人臉檢測(cè)模型，主要

101）0 概述人臉檢測(cè)作為計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)，是人臉檢索［1］、人臉配準(zhǔn)［2］、人機(jī)交互［3］、人臉超分辨率重建［4］等人臉分析任務(wù)的基礎(chǔ)。近年來，卷積神經(jīng)網(wǎng) 絡(luò)（Convolutional Neural Network，CNN）［5-7］在 無約束人臉檢測(cè)領(lǐng)域取得了較大成果，國內(nèi)外眾多學(xué)者也相繼提出很多優(yōu)秀的網(wǎng)絡(luò)結(jié)構(gòu)［8-9］和損失函數(shù)［10-11］。例如，文獻(xiàn)［12］提出一種正交嵌入式CNN網(wǎng)絡(luò)，增強(qiáng)了對(duì)年齡不變的深度人臉的特征學(xué)習(xí)，文獻(xiàn)［13

仁］生物特征包括人臉、指紋等，獨(dú)特性是生物特征中最突出的特征，對(duì)比與其他生物特征，人臉具有易采集、不易偽造、特征顯著、穩(wěn)定性好等優(yōu)點(diǎn)。因?yàn)榧夹g(shù)水平的發(fā)展和社會(huì)認(rèn)可度的提升，現(xiàn)在人臉識(shí)別技術(shù)已經(jīng)廣泛應(yīng)用到我們生活的各個(gè)方面，除了考勤、門禁等簡(jiǎn)單應(yīng)用場(chǎng)景，人臉識(shí)別技術(shù)還可以應(yīng)用于①刑事偵查，比如運(yùn)用人臉識(shí)別技術(shù)在一定范圍內(nèi)搜索逃犯；② 電子證件，結(jié)合個(gè)人指紋信息和人臉信息的電子身份證和電子護(hù)照等電子證件將極大方便我們的生活；③自助服務(wù)，比如銀行自動(dòng)提款機(jī)，如果

000）1 引言人臉圖像超分辨率技術(shù)，又名人臉幻覺，是一項(xiàng)致力于根據(jù)給定的低分辨率人臉圖像恢復(fù)出具有高頻細(xì)節(jié)的高質(zhì)量人臉圖像的技術(shù)。人臉圖像超分辨率技術(shù)不僅可以提升人臉圖像的分辨率，還可以增加人臉圖像的辨識(shí)度。在工業(yè)界和學(xué)術(shù)界人臉圖像超分辨率技術(shù)都發(fā)揮著舉足輕重的作用。在智能安保和監(jiān)控系統(tǒng)中，由于人物與監(jiān)控的遠(yuǎn)距離，或者成像環(huán)境（環(huán)境光照條件、噪聲、壓縮等因素）的影響，捕獲到的人臉圖像往往是低質(zhì)量且缺少高頻細(xì)節(jié)的，無法提供較高的辨識(shí)度，從而對(duì)后續(xù)的人臉檢測(cè)

且穩(wěn)定性較差。而人臉識(shí)別技術(shù)可以有效提取人的面部特征，依次與人臉庫中的數(shù)據(jù)進(jìn)行比對(duì)，其對(duì)人員身份識(shí)別具有非侵犯性、無法取代性等顯著優(yōu)點(diǎn)，在門禁系統(tǒng)中得到廣泛應(yīng)用。2 系統(tǒng)軟件設(shè)計(jì)流程門禁系統(tǒng)的軟件功能設(shè)計(jì)分為視頻幀人臉獲取、人臉檢測(cè)、人臉跟蹤、人臉特征提取、人臉特征比對(duì)等，具體流程如圖1所示。對(duì)視頻中的每一幀人臉圖像進(jìn)行人臉檢測(cè)以確定圖像中人臉所在的區(qū)域，使用人臉跟蹤以應(yīng)對(duì)人臉區(qū)域的移動(dòng)，通過對(duì)視頻幀中人臉的特征進(jìn)行提取與人臉庫中的人臉特征進(jìn)行人臉比對(duì)，若

，虹膜門禁系統(tǒng)，人臉識(shí)別門禁系統(tǒng)，亂序鍵盤門禁系統(tǒng)等等。盡管它們?cè)诎踩?，方便性等方面都各有特長(zhǎng)，但是相比其他智能門禁系統(tǒng)，基于人臉識(shí)別的門禁系統(tǒng)操作簡(jiǎn)便，結(jié)果直觀，無需用戶接觸，不具有強(qiáng)制性，設(shè)備通用且成本較低?；?span id="j5i0abt0b" class="hl">人臉識(shí)別的門禁系統(tǒng)主要功能是將攝像頭采集到的圖像進(jìn)行識(shí)別，如果通過身份鑒定就打開大門，如果鑒定失敗則不打開大門，若鑒定失敗訪客依然要打開門禁則報(bào)警。人臉識(shí)別技術(shù)是一種生物識(shí)別技術(shù)，它首先需要通過具有拍攝功能的設(shè)備對(duì)人臉圖片進(jìn)行采集，然后對(duì)捕捉

0 引言基于單張人臉圖片的三維人臉重建和密集人臉對(duì)齊是計(jì)算機(jī)視覺和計(jì)算機(jī)圖形學(xué)領(lǐng)域一項(xiàng)具有挑戰(zhàn)性的任務(wù)，在人臉識(shí)別、人臉動(dòng)畫、人臉表情遷移、人臉對(duì)齊等方面有著非常廣泛的應(yīng)用。傳統(tǒng)的二維人臉對(duì)齊方法在遇到大姿態(tài)人臉圖片和具有遮擋的人臉圖片時(shí)往往會(huì)受到很大的挑戰(zhàn)，而通過從單張人臉圖片進(jìn)行三維人臉幾何重建可以很好地應(yīng)對(duì)這些挑戰(zhàn)。由于三維人臉網(wǎng)格模型強(qiáng)大的拓?fù)湫再|(zhì)，三維人臉網(wǎng)格模型的數(shù)萬個(gè)頂點(diǎn)都可以被視為密集三維人臉對(duì)齊可以使用的人臉特征點(diǎn)。傳統(tǒng)的三維人臉重建方法

6)0 引言三維人臉重建是指通過一張或多張同一個(gè)人的照片來構(gòu)建該人的三維人臉網(wǎng)格。該課題一直是計(jì)算機(jī)視覺和圖形學(xué)的熱門關(guān)注焦點(diǎn)，擁有廣泛的應(yīng)用場(chǎng)景，如人臉身份識(shí)別、醫(yī)學(xué)方案展示、三維人臉動(dòng)畫等。在三維人臉重建領(lǐng)域，VETTER T 和 BLANTZ V在1999年提出的三維人臉參數(shù)化模型(3DMM)[1]具有重要意義。3DMM 采集了 200 位實(shí)驗(yàn)對(duì)象的臉部激光掃描數(shù)據(jù)集，并對(duì)該數(shù)據(jù)集進(jìn)行主成分分析(PCA)。通過對(duì)PCA 所提取的基向量進(jìn)行線性組合從而

要： 針對(duì)現(xiàn)有人臉卡通動(dòng)畫設(shè)計(jì)系統(tǒng)實(shí)現(xiàn)復(fù)雜度高、圖像還原不精確的問題，文中設(shè)計(jì)基于彈性形變?cè)淼?span id="j5i0abt0b" class="hl">人臉卡通動(dòng)畫系統(tǒng)。利用Candide?3建模平臺(tái)對(duì)采集到的原始人臉圖像進(jìn)行建模，并根據(jù)提取到的人臉特征進(jìn)行匹配，以獲取相應(yīng)的器官模型。在該模型的基礎(chǔ)上，基于彈性形變?cè)韺?shí)現(xiàn)人臉卡通圖像的生成以及表情的變化。測(cè)試和實(shí)現(xiàn)結(jié)果表明，文中所設(shè)計(jì)的系統(tǒng)利用OpenGL平臺(tái)對(duì)人臉圖像進(jìn)行圖像渲染，生成具有高還原度的人臉卡通動(dòng)畫，且系統(tǒng)對(duì)硬件要求較低，適用于大多數(shù)應(yīng)用場(chǎng)景。

，基于深度學(xué)習(xí)的人臉檢測(cè)和人臉識(shí)別[1-3]引起了廣泛的關(guān)注。但在一些特殊的場(chǎng)景中，由于平面內(nèi)旋轉(zhuǎn)(rotation in plane，RIP)導(dǎo)致的人臉表面特征變化，使得這些人臉檢測(cè)變得極具挑戰(zhàn)性。而目前的人臉檢測(cè)算法恰恰沒有考慮到這些特殊的場(chǎng)景，因此需要一種精確快速全方位RIP人臉檢測(cè)算法，以提高后續(xù)的人臉識(shí)別精度。DDFD[4]指出在CNN訓(xùn)練階段增加多視角多姿態(tài)人臉圖片，可以提高多姿態(tài)人臉檢測(cè)精度，該方法一方面需要對(duì)數(shù)據(jù)進(jìn)行增廣以檢測(cè)RIP人臉，另

言具有真實(shí)感的人臉表情生成方法目前已經(jīng)被廣泛應(yīng)用到各個(gè)行業(yè)，在電影動(dòng)畫、虛擬人物、商業(yè)服務(wù)、醫(yī)學(xué)美容等方面都有了具體的應(yīng)用場(chǎng)景。特別是在動(dòng)畫電影方面，逼真的人臉和人體動(dòng)畫、表情豐富的虛擬人物，能有效增強(qiáng)人物與場(chǎng)景的真實(shí)感和觀看人的沉浸感。此外，二維人臉識(shí)別受圖像中的光照條件、人臉姿態(tài)和表情等可變因素影響巨大，動(dòng)態(tài)環(huán)境下局限性較大，且防偽性能不好[2]。三維人臉識(shí)別方案能夠解決現(xiàn)有的這些問題，例如Apple公司利用三維結(jié)構(gòu)光建模的人臉識(shí)別技術(shù)。從早期的利用

93)0 引 言人臉檢測(cè)[1-2]主要檢測(cè)視頻和數(shù)字圖像中的人臉，在人機(jī)交互界面、安防系統(tǒng)、監(jiān)控系統(tǒng)、基于內(nèi)容的圖像檢索等方面有廣泛的應(yīng)用。一般來說，人臉檢測(cè)系統(tǒng)的目標(biāo)是獲取圖像并準(zhǔn)確檢測(cè)出面部，并且不受人物姿勢(shì)、圖像尺寸或面部表情等因素的影響。文中主要針對(duì)圖像中重疊的人臉檢測(cè)問題進(jìn)行研究。當(dāng)兩個(gè)或多個(gè)人臉重疊時(shí)，單獨(dú)地使用傳統(tǒng)的人臉檢測(cè)方法來檢測(cè)面部是一項(xiàng)具有挑戰(zhàn)性的任務(wù)。文獻(xiàn)[3]提出了基于膚色方法的面部檢測(cè)模型，該模型能夠迅速地檢測(cè)出有效的人臉區(qū)域。

310023)人臉檢測(cè)是指在給定圖像中確定人臉的位置、大小和姿態(tài)，其本質(zhì)是模式識(shí)別的一種應(yīng)用。常用的人臉檢測(cè)方法有基于知識(shí)的方法、基于統(tǒng)計(jì)模型的方法和基于模板匹配的方法等。人臉跟蹤是在圖像序列中捕獲人臉信息的一種技術(shù)，該技術(shù)在視頻監(jiān)控、圖像處理和人機(jī)交互等方面應(yīng)用廣泛，是近年來計(jì)算機(jī)視覺中的熱點(diǎn)之一。常用的人臉跟蹤方法有基于圖像特征的方法、基于機(jī)器學(xué)習(xí)的方法和基于深度學(xué)習(xí)的方法等。隨著社會(huì)的發(fā)展，人們對(duì)人臉檢測(cè)的精度要求和人臉跟蹤的準(zhǔn)確度要求不斷提高，因

標(biāo)注的方法，利用人臉檢測(cè)技術(shù)、人臉相似度比對(duì)算法和標(biāo)注智能推薦算法，解決不同照片重復(fù)人物自動(dòng)標(biāo)注問題。該方法能夠有效降低工作量，提高工作效率。2 照片檔案人物自動(dòng)標(biāo)注方案2.1 總體方案如圖1所示，本文提出的標(biāo)注方法的實(shí)現(xiàn)，主要包含流程：本文通過創(chuàng)建人臉樣本庫，然后將待標(biāo)注圖像的人臉與人臉樣本庫的每個(gè)人臉逐一進(jìn)行比對(duì)，當(dāng)識(shí)別為相似人臉時(shí)，則會(huì)為該人臉進(jìn)行自動(dòng)標(biāo)注，并合理選擇圖像的標(biāo)注位置，自動(dòng)標(biāo)注完成后，可對(duì)標(biāo)注結(jié)果進(jìn)行人工確認(rèn)，并完善人臉樣本庫。2.2

，基于視頻監(jiān)控的人臉識(shí)別系統(tǒng)被廣泛應(yīng)用在公共安全、交通管理等領(lǐng)域.但由于監(jiān)控視頻中往往存在大量低質(zhì)量的人臉圖像(模糊、人臉旋轉(zhuǎn)、遮擋、閉眼等)，且視頻幀間存在很高的冗余度，因此若將這些圖像直接用于人臉識(shí)別就會(huì)降低人臉識(shí)別系統(tǒng)的準(zhǔn)確率，并增加系統(tǒng)的負(fù)擔(dān).因此，在進(jìn)行人臉識(shí)別前需要通過人臉圖像優(yōu)選方法去除低質(zhì)量的人臉圖像和降低視頻幀間的冗余度[1].人臉圖像優(yōu)選需要為每個(gè)人建立人臉數(shù)據(jù)集.目前，人臉數(shù)據(jù)集的生成方法主要分為基于人臉跟蹤的方法和基于人臉聚類的方法

有商家公開售賣“人臉數(shù)據(jù)”，數(shù)量達(dá)17萬條。這些“人臉數(shù)據(jù)”涵蓋2000人的肖像，每個(gè)人約有50到100張照片。除了人臉位置的信息外，還有人臉的106處關(guān)鍵點(diǎn)，如眼睛、耳朵、鼻子、嘴、眉毛等的輪廓信息。商家稱，其售賣的人臉樣本中，一部分是從搜索引擎上抓取的，另一部分來自境外一家軟件公司的數(shù)據(jù)庫等。該商家稱，從發(fā)售至今，他已多次賣出這些數(shù)據(jù)。網(wǎng)上售賣人臉數(shù)據(jù)，除了涉嫌侵犯他人隱私權(quán)、肖像權(quán)之外，還涉嫌侵犯了公民的個(gè)人信息安全。截至10月9日下午，該商品已被下

01)0 引 言人臉分割一直是計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)，現(xiàn)有的人臉分割技術(shù)主要是將人臉完整地從圖像中分割出來，即沿著人臉紋理梯度變化大的邊緣進(jìn)行分割。例如：龔勛等人[1]建立混合能量活動(dòng)輪廓模型來分割人臉完整區(qū)域；毋立芳[2]等人根據(jù)人臉輪廓的平滑性，利用曲線擬合補(bǔ)充不確定邊緣點(diǎn)來進(jìn)行人臉完整區(qū)域的分割等。然而，在基于2D的視頻人臉替換的過程中，需要用泊松融合[3]將源人臉替換到目標(biāo)人臉上，由于每個(gè)人的臉型不同，使得泊松融合的掩膜邊界并不能同時(shí)經(jīng)過源人臉邊

ce ID，于是人臉解鎖一下子成為了手機(jī)上的熱門功能。雖然安卓陣營(yíng)比較少機(jī)器配備體積光模塊，但其實(shí)安卓推行人臉解鎖比iPhone更早-在安卓4.0當(dāng)中，Google就已經(jīng)在原生安卓當(dāng)中加入人臉解鎖功能，只不過這是基于平面圖像來判斷面容的，安全性不能和iPhone X相提并論。不過無論如何，人臉解鎖成為了當(dāng)下的熱門功能，不少手機(jī)并沒有配備體積光，但仍把安卓4.0時(shí)代的人臉解鎖功能大書特書作為現(xiàn)今的賣點(diǎn)。不僅如此，有的手機(jī)廠商還特地將某些舊產(chǎn)品的人臉解鎖功能進(jìn)

找出了接近一半的人臉，智商是普通等級(jí)，沒有大智慧但依然會(huì)生活得很快樂。C.你找出了絕大部分的人臉，智商有些逆天啦，只要后天不放棄努力，將來必定非常出色。所有人臉的正確位置：從左上角的樹開始算，直接可以發(fā)現(xiàn)五張人臉，再到右邊往下看，凌亂的樹枝是一張人臉，樹枝的下面水塘有一張人臉，馬的右邊還有一張人臉，再來看水塘的最下方有一張，中間一張，左邊靠樹那里還有一張很明顯的人臉，而它的右邊緊貼著有一張側(cè)臉，它的左邊，圖的最左下角還有一張側(cè)臉。

梅溪湖中學(xué)計(jì)算機(jī)人臉識(shí)別技術(shù)概述劉思成 湖南師大附中梅溪湖中學(xué)在計(jì)算機(jī)人臉識(shí)別技術(shù)領(lǐng)域當(dāng)中，通常都是利用攝像頭或者攝像機(jī)來對(duì)人臉的圖像信息進(jìn)行采集，然后在將信息進(jìn)行保存，并自動(dòng)根據(jù)圖像中對(duì)人臉進(jìn)行識(shí)別。另外，計(jì)算機(jī)人臉識(shí)別技術(shù)作為一門新型技術(shù)，它不僅僅只是利用了計(jì)算機(jī)領(lǐng)域的知識(shí)，它還涵蓋模式識(shí)別、數(shù)字圖像處理等領(lǐng)域的知識(shí)，它是一門知識(shí)含量極高的識(shí)別技術(shù)。本文主要對(duì)人臉識(shí)別技術(shù)進(jìn)行概述，分別通過對(duì)計(jì)算機(jī)人臉識(shí)別技術(shù)定義、人臉識(shí)別技術(shù)內(nèi)容、人臉識(shí)別技術(shù)流程的分

息融合的新聞圖像人臉標(biāo)注征 察*,吉立新,李邵梅,高 超(國家數(shù)字交換系統(tǒng)工程技術(shù)研究中心, 鄭州 450000) (*通信作者電子郵箱zcpi31415926@163.com)針對(duì)傳統(tǒng)新聞圖像中人臉標(biāo)注方法主要依賴人臉相似度信息,分辨噪聲和非噪聲人臉能力以及非噪聲人臉標(biāo)注能力較差的問題,提出一種基于多模態(tài)信息融合的新聞圖像人臉標(biāo)注方法。首先根據(jù)人臉和姓名的共現(xiàn)關(guān)系,利用改進(jìn)的K近鄰算法,獲得基于人臉相似度信息的人臉姓名匹配度;然后,分別從圖像中提取人臉大

)二維及三維多模人臉數(shù)據(jù)庫構(gòu)建傅澤華 龔 勛 李天瑞(西南交通大學(xué)信息科學(xué)與技術(shù)學(xué)院,成都,611756)基于圖像的二維人臉識(shí)別技術(shù)日趨成熟，但仍受光照、姿態(tài)和表情等變化的影響。利用三維人臉模型提高人臉識(shí)別性能并將其應(yīng)用于實(shí)際成為近幾年學(xué)術(shù)界的研究趨勢(shì)。本文提出了SWJTU-MF多模人臉數(shù)據(jù)庫(SWJTU multimodal face database， SWJTU-MF Database)，包含200個(gè)中性表情中國人的4種人臉樣本數(shù)據(jù)，包括可見光圖像、

ost算法的快速人臉檢測(cè)方法孫文君王海龍 曲阜師范大學(xué)物理工程學(xué)院文章基于當(dāng)今最為流行的AdaBoost算法，訓(xùn)練出自己的人臉檢測(cè)級(jí)聯(lián)分類器，通過對(duì)人臉圖像方差特點(diǎn)的統(tǒng)計(jì)分析，確定了人臉方差的閾值，增加了方差預(yù)處理。增加方差預(yù)處理后訓(xùn)練出的級(jí)聯(lián)分類器在人臉檢出率相對(duì)較高的前提實(shí)現(xiàn)了檢測(cè)速度的提升，增強(qiáng)了人臉檢測(cè)的實(shí)時(shí)應(yīng)用性。人臉檢測(cè) AdaBoost算法 Haar-like特征 方差預(yù)處理人臉檢測(cè)技術(shù)是板頂所給的圖像中是否存在人臉并給出定位的過程。在司法、

438300）人臉抓拍的關(guān)鍵技術(shù)分析馬彪彪1,2,陳向陽3,時(shí)亞麗1,2（1. 中國電子科技集團(tuán)公司第三十八研究所;2. 安徽省公共安全應(yīng)急信息技術(shù)重點(diǎn)實(shí)驗(yàn)室,合肥 230088; 3. 湖北省麻城市公安局刑偵大隊(duì),湖北 麻城 438300）人臉抓拍是人臉識(shí)別技術(shù)的關(guān)鍵環(huán)節(jié)，抓拍好壞直接影響人臉識(shí)別的效果。本文實(shí)現(xiàn)了由運(yùn)動(dòng)目標(biāo)檢測(cè)，人臉檢測(cè)，人臉跟蹤三部分組成的人臉抓拍系統(tǒng)，重點(diǎn)分析了運(yùn)動(dòng)目標(biāo)檢測(cè)在人臉抓拍中的應(yīng)用，人臉位置跟蹤算法和對(duì)應(yīng)人臉的背景緩存技

inect驅(qū)動(dòng)的人臉動(dòng)畫合成技術(shù)研究李俊龍a,章登義a,黃 珺b(武漢大學(xué)a.計(jì)算機(jī)學(xué)院;b.測(cè)繪遙感信息工程國家重點(diǎn)實(shí)驗(yàn)室,武漢430079)三維人臉動(dòng)畫合成技術(shù)可以應(yīng)用于虛擬現(xiàn)實(shí)、角色控制等多個(gè)領(lǐng)域。為此,提出一種基于Kinect的人臉動(dòng)畫合成方法。人臉跟蹤客戶端利用Kinect對(duì)用戶的臉部表情進(jìn)行跟蹤識(shí)別,得到人臉表情動(dòng)畫參數(shù),通過socket發(fā)送給人臉動(dòng)畫合成服務(wù)器,由人臉動(dòng)畫合成服務(wù)器查找基于MPEG-4標(biāo)準(zhǔn)的人臉動(dòng)畫定義表,控制人臉模型的變形,

州310018)人臉檢測(cè)是人臉識(shí)別的第一步，在嵌入式監(jiān)控系統(tǒng)和其他安全系統(tǒng)中有著重要作用。人臉檢測(cè)的目的是為了確定這幅圖片中是否存在人臉，如果存在則返回人臉的尺寸大小以及人臉所在位置［1］。在靜態(tài)和視頻模式下，大多數(shù)學(xué)者使用機(jī)器作為人臉檢測(cè)的工具［2］。由于數(shù)據(jù)采集過程受到年齡、姿態(tài)、表情、光照等因素影響，且存在“一人千面”的特點(diǎn)。正是因?yàn)榇嬖谶@些固有的挑戰(zhàn)性，國內(nèi)外眾多研究人員都投身其中。在眾多的人臉檢測(cè)方法中，AdaBoost人臉檢測(cè)算法是迄今最為成功

2003)目前,人臉識(shí)別研究主要集中在正面人臉識(shí)別,隨著人臉識(shí)別技術(shù)和應(yīng)用的發(fā)展,多姿態(tài)人臉識(shí)別開始受到關(guān)注．多姿態(tài)人臉是由人臉與攝相機(jī)之間的角度不確定性所造成的,由于不同姿態(tài)下人臉成像出現(xiàn)變形,使得同一人臉圖像在不同姿態(tài)下的相關(guān)性迅速下降,從而給不同姿態(tài)下的人臉圖像匹配造成困難．多姿態(tài)人臉識(shí)別主要有兩條技術(shù)途徑:一條途徑是由幾幅多姿態(tài)人臉圖像合成一幅正面人臉圖像,然后利用一般的人臉識(shí)別方法,配合正面人臉圖像庫進(jìn)行人臉識(shí)別;另一條途徑是由圖像庫中的正面人臉

0016)目前對(duì)人臉圖像的研究已逐漸成熟。但姿態(tài)和光照仍是二維人臉研究的一個(gè)瓶頸問題。由于三維人臉能夠較好的解決姿態(tài)和光照問題，近年來三維人臉成為該領(lǐng)域的研究熱點(diǎn)。三維人臉形變模型由于其具有較好的真實(shí)感，自動(dòng)化的特點(diǎn)，成為三維人臉研究中的一個(gè)重要方向。一個(gè)大規(guī)模的三維人臉數(shù)據(jù)庫，通過標(biāo)準(zhǔn)化人臉來建立人臉形變模型。三維形變模型具有豐富的人臉先驗(yàn)知識(shí)，可將其應(yīng)用到人臉的識(shí)別和重建中，而且可以方便地對(duì)三維人臉操作，實(shí)現(xiàn)三維人臉動(dòng)畫。目前對(duì)建立三維形變模型，已經(jīng)提