导读:本文包含了面部特征跟踪论文开题报告文献综述及选题提纲参考文献，主要关键词:疲劳检测,Mean,Shift,卡尔曼滤波,PERCLOS
面部特征跟踪论文文献综述
查品先[1]（2019）在《基于面部特征跟踪的驾驶疲劳检测的研究与实现》一文中研究指出随着车辆的增多,交通事故的频发,为减少事故发生率,应采取主动防控措施。作为交通事故的重要元凶之一的疲劳驾驶,在世界范围内,随时随地都可能造成交通事故,为此,世界各国为预防疲劳驾驶展开研究,实时性和准确性是疲劳检测系统的重要评价指标。众多检测方法中,基于计算机视觉的疲劳检测以其非接触式、鲁棒性较好、实时性强、准确率高等特点而备受广大研究人员青睐。基于计算机视觉的疲劳检测的重点和难点在于准确实时的对面部特征进行检测和跟踪。本文通过椭圆肤色模型对人脸进行粗定位,通过Adaboost对人脸进行精确定位,实验证明,此方法比图像中直接检测人脸区域,节省了一半多的时间。采用改进的Mean Shift算法与Kalman滤波相融合的方法对人脸区域进行跟踪,在灯光干扰、快速移动和静态遮挡等情况下,改进后的算法都能准确跟踪人脸位置。在分辨率480*640的测试视频中,算法的跟踪一帧的时间平均为22ms。在跟踪的人脸区域内进行人眼和嘴巴的检测定位,采用高宽比和黑白像素比对眼睛状态进行判断,通过高宽比对嘴巴状态进行判断,从而判断是否有眨眼睛和打哈欠事件的发生。在30s内记录眨眼频率和打呵欠次数、记录眼睛连续闭合帧数和PERCLOS值,凭借以上四个指标对驾驶员进行疲劳状态判断。在5段自制的视频中,本文方法均能准确判断视频中发生的现象,并依据现象判断是否需要报警。本文在人脸跟踪实验和疲劳判断实验中,模拟驾驶过程中可能的状况,在测试视频中,本文算法均具有良好的表现。针对分辨率为480*640的视频,本文算法处理一帧平均耗时38.9ms,达到实时性的要求。(本文来源于《上海师范大学》期刊2019-03-01）
章经宇[2]（2018）在《基于面部特征跟踪识别的夜间疲劳驾驶检测方法研究》一文中研究指出交通事故数多年来持续不下,造成了社会生产与人民生活的巨大损失。驾驶人疲劳驾驶行为是引起该情况的重要原因之一。人体疲劳产生的原因复杂,产生的时间不确定,难以通过政策法规对该行为进行规避。因此寻找一种基于主动安全技术的疲劳检测方法具有重要的意义。目前,主动安全技术是智能交通中一项前沿研究内容。本文研究针对疲劳驾驶检测的主动安全技术,采用机器视觉感知的方式,对夜间疲劳多发时间段的驾驶人面部特征进行分析,进而实现夜间驾驶人疲劳检测。基于机器视觉感知的夜间疲劳驾驶检测首先需要对人脸进行识别,然后在已识别的人脸中提取相关的面部特征,并持续跟踪,最后根据这些特征对驾驶人的疲劳状态进行判别。论文主要研究内容如下:(1)基于Gentle AdaBoost算法与标准化像素差(Normalized Pixel Difference,NPD)特征的改进Viola-Jones人脸识别方法。在Viola-Jones人脸识别框架的基础上结合多姿态人脸识别的要求,将AdaBoost算法与Haar-like矩形特征替换,引入了Gentle AdaBoost算法与NPD特征,形成新的Viola-Jones人脸识别方法。改进方法中Gentle AdaBoost泛化能力更强,NPD特征更适合描述多姿态人脸,能提高人脸检测的鲁棒性;随后运用近红外人脸图像样本对分类器进行训练与效果检验。实验结果表明该改进的人脸识别方法具有较高的人脸检测率、较低的误检率和较低的漏检率。(2)基于分布特征与纹理特征的眼睛定位方法,基于尺度自适应Mean-Shift算法与Tracking-Learning-Detection算法融合(Mean-Shift TLD)的眼睛跟踪方法。根据眼睛在面部的分布特征结合图像形态学处理对其进行粗略定位,随后提出基于眉、眼与皮肤纹理特征的眼睛精确定位方法;分析原始TLD算法跟踪模块、学习模块和检测模块的机制,原跟踪模块光流算法具有运算量大、抗形变弱、抗光照变化弱的特点,针对该问题融合尺度自适应的Mean-Shift算法对其进行改进;设计对比实验对夜间近红外人脸视频中眼睛进行跟踪,Mean-Shift TLD取得了较好的效果。(3)基于眼睛与嘴巴特征的疲劳判别方法。提出基于椭圆拟合的眼睑开度计算方法,统计眼睑开度变化,采用PERCLOS疲劳判别法检测疲劳;通过分析嘴巴在面部的分布特征结合图像形态学处理对其轮廓与面积进行提取,随后提出基于圆形度的哈欠判别方法,从而判别疲劳。(4)设计、实现并测试原型系统。使用C++语言结合开源机器视觉库OpenCV开发出夜间驾驶人疲劳检测原型系统。通过采集的近红外视频进行效果测试,验证了系统夜间疲劳检测的可行性、实时性与夜间适用性。本文的研究工作得到科学技术部、公安部、交通部联合制定的“国家道路交通安全科技行动计划(二期)”课题叁(编号:2014BAG01B03)之专题二“重点驾驶人交通行为分析技术及系统开发”的资助。驾驶人驾驶行为谱是该专题在交通安全领域提出的一个全新概念。驾驶人疲劳驾驶行为状态是驾驶人驾驶行为谱的特征指标之一。本研究成果为定量分析驾驶人驾驶行为谱的该特征指标提供理论方法。(本文来源于《武汉理工大学》期刊2018-03-01）
孙天祥[3]（2017）在《表情变化鲁棒的面部特征点检测与跟踪方法研究》一文中研究指出在计算机技术快速发展的今天,人工智能广泛出现在人们生活中。人脸智能分析作为人工智能的一个重要分支,在实际应用中起着巨大的作用。面部特征点检测和跟踪作为人脸智能分析中的一个重要的基础环节,实际中对特征点定位的鲁棒性要求较高。本文针对静态图像中表情变化的人脸图像,提出了一种特征点定位方法。针对视频序列中表情变化的人脸图像,提出了一种面部特征点跟踪的方法。实验结果表明,提出的特征点检测和跟踪方法在其对应的条件下均表现出表较好的鲁棒性。为了解决静态图像中表情变化的人脸特征点定位问题,提出了基于多特征和多核学习的面部特征点定位方法。首先,使用已经标记好的一定数量的人脸库,建立人脸形状统计模型。其次,使用多特征和多核学习的方法构建局部检测器。再次,在初始化完成后,使用构建好的局部检测器,在每个初始化点的周围局部区域检测,输出响应图。最后在局部响应图上构造二次函数并结合全局模型约束迭代优化函数,完成特征点的检测工作。实验结果表明该方法在含有表情变化的静态图像中有较好的定位效果,与基于单特征单核的支撑向量机的特征点检测方法相比,定位的精度有了显着提高。为了解决视频中面部特征点的跟踪问题,提出了一种改进的时空上下文跟踪方法,并结合基于局部限制模型的特征点检测方法完成特征点的跟踪。首先,使用特征点定位方法给定初始位置。其次,学习空间上下文和时间上下文产生置信图。再次,计算置信图中置信度较高的位置,并计算当前预测区域和前一帧目标区域的相似判决系数。最后,判断相似系数是否满足设定的阈值,如果不满足则以当前预测位置初始化重新进行迭代计算,直到满足相似判决系数的阈值要求停止迭代,输出跟踪结果。通过引入迭代优化过程,提高了目标跟踪的精度。实验结果表明,该方法在视频序列中对表情变化条件下的图像的特征点能够进行快速且稳定的跟踪。(本文来源于《西安理工大学》期刊2017-06-30）
张磊[4]（2016）在《Lucas Kanade光流算法在面部特征点跟踪中的应用》一文中研究指出在面部特征点的跟踪领域光流算法使用较为广泛。文章使用了Lucas Kanade光流算法对面部特征点进行跟踪,实验表明,该算法在面部特征点跟踪中可得到较好的跟踪效果。(本文来源于《辽宁科技学院学报》期刊2016年03期）
向飞[5]（2014）在《基于局部约束模型与SCMS的面部特征点跟踪》一文中研究指出人脸面部的特征点定位与追踪是近年来计算机视觉领域的研究中一个比较基础但是又很具挑战性的课题,其中,局部约束模型(即CLM)是一种比较常用的算法。但是有两大问题制约着它的发展和应用范围,一是模型所包含的图像信息的限制以及随之带来的计算复杂度的问题,二是拟合阶段的拟合算法的选择。本文针对CLM的这两个问题进行了细致的研究,并提出一种改进型CLM模型和一种改进的匹配拟合算法。具体为:1.基于独立分量分析的改进型CLM模型。传统的CLM一般使用主成分分析(即PCA)作为统计和分析的方法,但PCA缺乏对高阶信息的统计,对局部特征提取的提升潜力有限。而ICA基于高阶统计信息,可以有效地描述局部特征,并且受样本数量的影响不大。本文将ICA引入到改进型CLM中来进行形状特征的提取,虽然略微增加了计算量,但是匹配的精准度得到很大的提升。2.基于子空间约束的CLM拟合算法。目前主流的CLM拟合算法都存在一些缺陷,如适用条件较多,计算量较大。本文提出的基于子空间约束的CLM优化算法使用一种无参数的核密度估计法来估计关键点的响应,随后使用Mean-shifts方法来最大化该响应估计量并进行迭代,拟合关键点位置。该法充分利用了内核估计方法计算量较低的优点,并且兼顾了局部优化的目标,因此在计算量和精准度上均获得了较好的性能提升。最后我们通过在640*480,每秒25帧的人脸视频上进行特征点的定位与追踪实验来检测我们算法的性能,并与采用ASM模型的算法进行对比。结果显示改进型CLM算法的拟合精确度较ASM算法有较大提高,并且受目标姿态及角度的影响较小。每帧的平均匹配时间大致为30毫秒,仅为采用ASM模型算法的叁分之一,实时性出色。实验证实本文提出的基于SCMS的改进型CLM算法在匹配精度和计算量方面均有较好的提升。(本文来源于《西安电子科技大学》期刊2014-11-01）
池强,朱永华,方昱春[6]（2011）在《基于视频序列的面部特征跟踪系统的实现》一文中研究指出针对视频中人脸面部特征跟踪难以满足实时性与准确性要求的问题,提出了一种视频序列的面部特征跟踪系统。该系统利用视频流序列存在帧间相关信息的特点,进行面部区域粗定位;提出了一种Adaboost特征分类器训练方法,并使用该方法预先训练完成面部特征叁元组(左眼,右眼,嘴部)的分类器进一步跟踪面部特征;最后提出了一个面部特征几何模型(facial feature geometrical model,FFGM),系统结合该模型仲裁检测的结果,最终实现了视频中面部特征的跟踪。实验数据的比较结果验证了该面部特征跟踪系统的可行性、实时性和准确性。(本文来源于《计算机工程与设计》期刊2011年11期）
李晓峰,赵海,葛新,程显永[7]（2010）在《面部表情跟踪描绘中的边缘特征量》一文中研究指出由于外界环境的不确定性和人脸的复杂性,人脸表情的跟踪与计算机形象描绘是一个较难问题.基于此问题,提出了一种有别于模式识别、样本学习等传统手段的较为简单解决方法,在视频采集条件下,分析帧图像,通过对比多种边缘检测方法,采用一种基于边缘特征提取的人脸表情建模方法,来完成用于表情描绘的面部特征量提取与建模,并结合曲线拟合和模型控制等手段,进行人脸卡通造型生成和二维表情动画模拟.实现了从输入数据生成卡通造型画并真实地表现出表情变化情况.(本文来源于《电子学报》期刊2010年05期）
郭克友,肖广宇[8]（2010）在《视频监测中的驾驶人面部特征点跟踪》一文中研究指出由于具备多尺度多方向特性,Gabor小波常常被用于纹理分析及特征提取等方面的研究,并在驾驶人疲劳状态监测技术领域中获得较多的应用。首先介绍了Gabor小波的基本原理及使用方法,然后结合实例重点讨论驾驶人面部特征点跟踪的技术环节,包括Gabor小波的参数确定方法和待跟踪点特征向量提取方法,最后利用最大相识原则确定了3个备选结果。针对不同的图像条件,提出了Gabor小波在实际应用时需要注意的合理建议。实践证明,跟踪算法运算结果准确率较高,效果非常理想,能够为驾驶人疲劳状态分析打下良好的基础。(本文来源于《计算机工程与应用》期刊2010年09期）
陈伟宏[9]（2008）在《基于特征点跟踪的面部表情强度度量》一文中研究指出提出了一种基于特征点跟踪的面部表情强度度量方法.该方法在L-K光流算法的基础上,应用修正特征点跟踪提取面部特征信息,通过非线性降维从高维特征点轨迹中抽区一维的表情强度,最后使用SVM建立表情模型和强度模型,对高兴表情进行强度等级的归类.针对高兴表情进行实验,引入表情强度等级作为衡量标准,实验结果证明了该方法的有效性.(本文来源于《重庆工学院学报(自然科学版)》期刊2008年09期）
李俊杰,刘超,沈海涛,郝重阳,樊养余[10]（2007）在《基于3D直方图联合面部特征的人脸跟踪系统》一文中研究指出针对人脸跟踪中存在的实时性和准确性难以同时兼顾的问题,提出了一种基于叁维直方图肤色模型联合面部特征提取的人脸跟踪算法,采用网格映射缩略图、运动矢量预测和搜索窗参数修正等方法来提升算法的性能,从而既提高了算法的执行效率,又保证了算法的准确性,最终实现了一套人脸跟踪系统。仿真结果表明,该系统能够克服复杂背景的影响,准确的检测出有效的人脸,并对人脸进行实时跟踪,具有较强的鲁棒性。(本文来源于《系统仿真学报》期刊2007年22期）
面部特征跟踪论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
交通事故数多年来持续不下,造成了社会生产与人民生活的巨大损失。驾驶人疲劳驾驶行为是引起该情况的重要原因之一。人体疲劳产生的原因复杂,产生的时间不确定,难以通过政策法规对该行为进行规避。因此寻找一种基于主动安全技术的疲劳检测方法具有重要的意义。目前,主动安全技术是智能交通中一项前沿研究内容。本文研究针对疲劳驾驶检测的主动安全技术,采用机器视觉感知的方式,对夜间疲劳多发时间段的驾驶人面部特征进行分析,进而实现夜间驾驶人疲劳检测。基于机器视觉感知的夜间疲劳驾驶检测首先需要对人脸进行识别,然后在已识别的人脸中提取相关的面部特征,并持续跟踪,最后根据这些特征对驾驶人的疲劳状态进行判别。论文主要研究内容如下:(1)基于Gentle AdaBoost算法与标准化像素差(Normalized Pixel Difference,NPD)特征的改进Viola-Jones人脸识别方法。在Viola-Jones人脸识别框架的基础上结合多姿态人脸识别的要求,将AdaBoost算法与Haar-like矩形特征替换,引入了Gentle AdaBoost算法与NPD特征,形成新的Viola-Jones人脸识别方法。改进方法中Gentle AdaBoost泛化能力更强,NPD特征更适合描述多姿态人脸,能提高人脸检测的鲁棒性;随后运用近红外人脸图像样本对分类器进行训练与效果检验。实验结果表明该改进的人脸识别方法具有较高的人脸检测率、较低的误检率和较低的漏检率。(2)基于分布特征与纹理特征的眼睛定位方法,基于尺度自适应Mean-Shift算法与Tracking-Learning-Detection算法融合(Mean-Shift TLD)的眼睛跟踪方法。根据眼睛在面部的分布特征结合图像形态学处理对其进行粗略定位,随后提出基于眉、眼与皮肤纹理特征的眼睛精确定位方法;分析原始TLD算法跟踪模块、学习模块和检测模块的机制,原跟踪模块光流算法具有运算量大、抗形变弱、抗光照变化弱的特点,针对该问题融合尺度自适应的Mean-Shift算法对其进行改进;设计对比实验对夜间近红外人脸视频中眼睛进行跟踪,Mean-Shift TLD取得了较好的效果。(3)基于眼睛与嘴巴特征的疲劳判别方法。提出基于椭圆拟合的眼睑开度计算方法,统计眼睑开度变化,采用PERCLOS疲劳判别法检测疲劳;通过分析嘴巴在面部的分布特征结合图像形态学处理对其轮廓与面积进行提取,随后提出基于圆形度的哈欠判别方法,从而判别疲劳。(4)设计、实现并测试原型系统。使用C++语言结合开源机器视觉库OpenCV开发出夜间驾驶人疲劳检测原型系统。通过采集的近红外视频进行效果测试,验证了系统夜间疲劳检测的可行性、实时性与夜间适用性。本文的研究工作得到科学技术部、公安部、交通部联合制定的“国家道路交通安全科技行动计划(二期)”课题叁(编号:2014BAG01B03)之专题二“重点驾驶人交通行为分析技术及系统开发”的资助。驾驶人驾驶行为谱是该专题在交通安全领域提出的一个全新概念。驾驶人疲劳驾驶行为状态是驾驶人驾驶行为谱的特征指标之一。本研究成果为定量分析驾驶人驾驶行为谱的该特征指标提供理论方法。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
面部特征跟踪论文参考文献
[1].查品先.基于面部特征跟踪的驾驶疲劳检测的研究与实现[D].上海师范大学.2019
[2].章经宇.基于面部特征跟踪识别的夜间疲劳驾驶检测方法研究[D].武汉理工大学.2018
[3].孙天祥.表情变化鲁棒的面部特征点检测与跟踪方法研究[D].西安理工大学.2017
[4].张磊.LucasKanade光流算法在面部特征点跟踪中的应用[J].辽宁科技学院学报.2016
[5].向飞.基于局部约束模型与SCMS的面部特征点跟踪[D].西安电子科技大学.2014
[6].池强,朱永华,方昱春.基于视频序列的面部特征跟踪系统的实现[J].计算机工程与设计.2011
[7].李晓峰,赵海,葛新,程显永.面部表情跟踪描绘中的边缘特征量[J].电子学报.2010
[8].郭克友,肖广宇.视频监测中的驾驶人面部特征点跟踪[J].计算机工程与应用.2010
[9].陈伟宏.基于特征点跟踪的面部表情强度度量[J].重庆工学院学报(自然科学版).2008
[10].李俊杰,刘超,沈海涛,郝重阳,樊养余.基于3D直方图联合面部特征的人脸跟踪系统[J].系统仿真学报.2007