【解密】面部特征点检测的关键技术:亚博APP

亚博APP

【亚博官方手机版】本文作者张吉,中科院计算机技术研究所VIPL课题组博士生,致力于深度自学技术和面部识别领域的应用。研究成果正式发表在计算机视觉国际最高学术会议ICCV、CVPR和ECCV上,同时兼任国际最高期刊TIP和TNNLS评委。

面部特征点定位操作根据下图右侧所示导出的面部图像,自动查找眼睛、鼻尖、嘴角点、眉毛、面部构件轮廓点等面部主要特征。该技术广泛使用,如自动面部识别、表情识别、面部动画自动合成。

因为姿势、表情、照明、封面等因素不同,所以很难准确地找到每个主要特征。我们很简单地分析这个问题,很难找到这个任务。只能把三个子问题加起来。

1、面部表观图像(输出)建模2、面部形状(输入)建模3、面部表观图像(模型)和面部形状(模型面部形状建模的常用方法是可变形模板(DeformableTemplate))、模型(活动形状模型active)。面部表观建模可分为全局表观建模和局部表观建模。全球视景建模是考虑如何对整个脸的视景信息建模。常用方法是活动的表观模型ActiveAppearanceModel(生成模型)和BoostedAppearanceModel(判别模型)。

相应的局部表观建模是对局部区域的表观信息建模,包括颜色模型、投影模型、侧面剖面线模型等。最近,层叠形状返回模型在特征点定位工作中取得了突破性进展。

亚博APP

该方法用于返回模型,需要自学从面部外观到面部形状(或面部形状模型的参数)的映射函数。因此,可以建立从外观到外观的对应关系。这些方法不需要简单的面部形状和表观建模,非常简单高效,在高效场景(实验室条件下收集的面部)和低效率场景(网络面部图像等)中都可以获得很好的定位效果。另外,基于深度自学的面部特征点定位方法也取得了值得注意的结果。

深度自我学习混合形状回到框架后,位置模型的准确度将进一步提高,成为当前特征位置的主要方法之一。下面,我将明确说明级联形状回归和深度自学这两种主要方法的研究进展。

亚博官方手机版

级联线性回归模型面部特征点定位问题可以看作是自我学习的返回函数F,图像I可以输入为输出,特征点的方向(面部形状):=F(I)。简单地说,级联回归模型可以自学多个回归函数{f1,fn-1,fn},访问函数f:=f (I)=fn (fn-1 (f1 (0,I))),fi通常需要回到实际位置接下来,我将详细说明一些常用的形状返回方法。很明显,函数fi的设计不同,输出特性也不同。

加州技术专业从事博士后研究的PiotrDollr在2010年首次明确提出层叠形状回归模型CascadedPoseRegression(CPR),预测了物体的形状。这项工作公开发表在国际计算机视觉和模式识别会议CVPR上。

下图右侧,下图右侧,对应的初始图形0,通常平均图形基于初始图形0提取特征(两个像素点的差异)用作函数f1的输出。每个函数fi建模为RandomFern返回器,预测当前图形i-1和目标图形之间的差异I。I预测结果修订当前形状i=i-1?I,作为下一级函数fi 1的输出。

本文来源:亚博官方手机版-www.tellmehername.com

此条目发表在科技分类目录。将固定链接加入收藏夹。

评论已关闭。