基于顯式形狀回歸的人臉特征點定位算法研究.pdf

1、魯棒性的人臉特征點定位在多媒體和計算機視覺領(lǐng)域中有著廣泛的應用，包括人臉檢測和跟蹤，人臉姿態(tài)估計和表情分析。但是由于在不可預知的條件下，受到復雜環(huán)境如光照變化、姿態(tài)及視角的改變和部分遮擋的影響，使得準確的特征點提取仍然具有很大的困難。為了應對這些挑戰(zhàn)，合理的幾何約束在特征點提取中顯得非常重要。經(jīng)典的方法是利用人臉結(jié)構(gòu)建立參數(shù)形狀模型，通過迭代優(yōu)化求解，但是人臉姿態(tài)變化會引入非線性因素，這種主動形狀模型對于具有姿態(tài)變化圖片的不太適應，而且

2、很容易陷于局部最優(yōu)。近些年來，基于級聯(lián)回歸和深度學習的方法非常流行，研究人員建立人臉灰度到形狀的回歸映射關(guān)系，一定程度上可以處理姿態(tài)變化的圖片，但是級聯(lián)回歸方法依賴于訓練集和回歸子?；谏疃葘W習的方法，在訓練時很容易對訓練集造成過擬合。
　　本文提出一種形狀到形狀的顯式形狀回歸方法，利用豐富的幾何形狀先驗定位人臉特征點。人臉形狀具有固有的幾何形狀結(jié)構(gòu)，這些幾何結(jié)構(gòu)不會隨著視角變化而改變。并且引入一種射影不變量——特征數(shù)(CN)去描

3、述和刻畫人臉固有的幾何形狀結(jié)構(gòu)，而且這些形狀先驗對人臉視角變化不敏感。在形狀約束的優(yōu)化中，本文進一步在形狀到梯度回歸的框架中，提出一種魯棒、有效的特征點檢測器。通過構(gòu)建特征數(shù)與形狀之間的映射關(guān)系，建立從局部到全局的形狀回歸模型，這種顯式的形狀回歸方法，在訓練時不需要像隱式回歸那樣需要大量灰度變化的訓練樣本，能夠快速的優(yōu)化形狀約束。在LFW，LFPW和Helen幾個公開數(shù)據(jù)集上，通過實驗比較發(fā)現(xiàn)，顯式形狀回歸算法一定程度上優(yōu)于一些最新的方