针对基于三维(3D)变形模型的人脸图像重建方法对人脸特征点检测不准确导致的重构模型形状表达能力不稳健问题,提出了一种优化3D变形模型参数的重建方法。首先,通过改进的位置映射图网络准确提取和定位人脸特征点,并以此为基础得到初始模型参数。然后,为了提高模型的精准度和泛化能力,融合基于回归方法得到的参数获取优化的模型参数。最后,对3D变形模型进行优化,得到最终的人脸模型。用真实人脸作为实验数据的结果表明,本方法能实现精确的3D人脸重建。

针对全卷积孪生神经网络SiamFC在目标跟踪速度以及网络判别能力上有待提升的问题,提出了一种基于改进SiamFC的实时目标跟踪算法。将原网络结构中的第二层卷积层替换为深度可分离卷积,通过减少参数计算量,提高了跟踪速度;为了提高网络判别能力,第三层卷积层使用混合深度卷积,通过不同尺寸的卷积核提取特征,实现多特征融合,提取到鲁棒性更强的特征;采用预处理后的ILSVRC2015数据集,使用随机梯度下降法对网络进行训练,并在OTB2015、VOT2016、ILSVRC2015数据集上对算法性能进行测试。实验结果表明,该算法和SiamFC算法相比,在跟踪成功率、跟踪精度以及跟踪速度上都有一定的提升,并能够满足实时跟踪要求。

为了克服面部表情变化导致的三维人脸识别精度不高的问题,提出了一种结合局部关键点集与测地线的三维人脸识别算法。首先,根据表情变化对人脸识别具有分区域影响的特性,将三维人脸划分出刚性区域和非刚性区域;然后将由鼻部和眼部组成的区域作为刚性区域,进行有效关键点检测,提取多种几何特征,构成局部描述子,进行相似度匹配;接着在非刚性区域提取测地线环带并进行相似度匹配;最后将两个区域的匹配程度进行加权融合,得到最终的匹配结果。该算法分别在Bosphorus和FRGC v2.0数据库上进行了实验验证,结果表明算法识别率分别达到了97.01%和98.63%,由此证明本文算法对三维人脸的表情变化有较强的稳健性。

针对RetinexNet低照度图像增强算法中出现的颜色失真、边缘模糊等问题,提出了一种改进的RetinexNet算法。首先,利用HSV(Hue,Saturation,Value)颜色空间模型中各通道相对独立的特性,增强亮度分量;然后,利用相关系数使饱和度分量随亮度分量的变化自适应调整,避免图像色感发生变化;最后,针对增强图像的边缘模糊问题,采用Laplace算法对反射率图像进行锐化处理,增强图像的细节表达能力。实验结果表明,本算法可以有效增强图像的细节,保持图像的整体色彩和原始图像一致,提高图像的视觉效果。

为了进一步提高表情识别准确率,提出一种结合局部二值模式(LBP)和梯度特征的双通道卷积神经网络表情识别算法。首先对采集得到的图像进行预处理,生成对应的梯度图像和LBP图像。针对单一特征对人脸信息表征不全面的问题,将特征提取网络分为两个通道,通道一输入梯度图像,提取人脸结构特征,从而更好地对人脸的全局信息进行描述,且对光照变化具有良好的鲁棒性;通道二输入LBP图像,提取人脸纹理特征以保留对五官边缘、亮点等微小特征的敏感性,两个特征相互补充,能够更加全面高效地对人脸特征进行表征,进而提高表情识别的准确率。最后通过加权特征融合网络对两种特征进行融合并利用Softmax对表情进行分类。在CK+、FER2013和Oulu-CASIA数据集上进行实验,分别取得了96.1%、75%和90.1%的平均识别率。结果表明,本文方法能够以较高的准确率识别6种基本面部表情,与单通道表情识别算法相比,取得了更高的识别准确率;相比于其他双通道卷积神经网络,能够以较简单的网络结构取得较好的识别效果。

为解决因边界效应导致相关滤波跟踪算法不够稳健及其不能适应尺度变化的问题, 提出了一种基于双模型的相关滤波跟踪算法。将目标跟踪分为位置预测和尺度预测两部分, 在位置滤波器模型进行位置预测阶段, 先通过对待测样本进行样本增强处理, 使得到的样本更符合实际场景。再通过交替方向乘子法进行位置滤波器的迭代求解, 最后得到估计的目标位置。在尺度滤波器模型进行尺度预测阶段, 通过在估计的目标位置处构建多尺度金字塔来训练尺度滤波器, 再求解得到目标的尺度, 将双模型得到的结果作为最终的跟踪结果。最后通过引入一个遮挡判据来判断是否更新模型以提高算法的鲁棒性。实验表明, 改进算法和经典的相关滤波跟踪算法相比, 在跟踪成功率上提高了18%, 在跟踪精度上提高了11%。在目标被遮挡、自身尺度变化时, 改进算法仍能稳定跟踪。

估算监控场景中的人数是安防监控的重要任务之一,当人群密集、行人之间存在遮挡时,人数估计较困难。因此,针对密集场景下的人数估计问题,提出了一种改进的基于卷积神经网络的人数估计方法。为了改善摄像透视畸变带来的影响,分别利用深层网络和浅层网络提取人群特征,深层和浅层网络分别设计了不同核大小的卷积层,并将提取到的特征通过一个具备多尺度提取能力的结构进行融合。实验结果表明,改进后的网络模型所获取的人群密度图更加贴近原场景信息,人数估计结果也更加精确。

本文从3个方面对原始压缩跟踪算法进行改进, 以提高其在复杂场景下的鲁棒性和准确性。首先, 提出一种结合特征在线选择的压缩跟踪算法, 通过计算相邻两帧同维特征所服从的高斯分布曲线的Hellinger距离来度量特征的置信水平, 从特征池中选择置信水平较高的特征, 并融合特征的置信水平构造贝叶斯分类器。然后, 在压缩跟踪框架下引入协方差矩阵以增强算法对目标的表达能力, 把Haar-like特征和协方差矩阵相结合构建目标模型, 取最大响应值所对应的候选样本作为跟踪结果。最后, 优化分类器参数的更新方式, 根据目标模板与跟踪结果的相似度来自适应更新分类器参数。改进算法的平均跟踪成功率比原算法提高了25%, 平均跟踪精度比原算法提高了22%。相比于原始压缩跟踪算法, 本文算法具有更高的跟踪鲁棒性和准确性。