论文部分内容阅读
人脸器官特征点定位,即在人脸上确定某些器官的位置并进行标注。随着人工智能、生物识别技术的发展,作为人脸对齐、人脸识别、姿态判定、表情分析等的基础,人脸器官特征点定位成为视觉领域研究最为广泛的问题之一。以此同时,由于自然环境下的特征点定位受姿态、光照、表情、遮挡等因素的影响较大,该问题也成为了极具挑战性的问题之一。近年来,中外学者提出了多种定位方法,在定位的速度、精确率、鲁棒性等方面均获得了一定的提升。 基于形状回归方法的主要思想是通过多次的迭代更新来提高定位的精确度,具有较快的定位速度。这类方法中,通常使用平均脸或从训练集中抽取的人脸作为迭代的初始形状,当初始形状与目标点的真实位置差距较大时,有可能在更新过程中陷入局部最小,影响定位结果。基于卷积神经网络的方法通常具有较高的定位准确率,但由于其模型复杂、数据量大,所需的定位时间也更多。 针对上述方法各自的优劣,本文提出了新的人脸特征点定位算法。主要工作包括以下几点:(1)在形状回归中引入卷积神经网络做初定位。使用卷积神经网络的定位结果取代平均脸作为初始形状,再进行后续迭代更新,从而得到精确的特征点位置。与传统的基于多个卷积神经网络级联或并联的算法相比,改进的算法简化了模型结构,提高了运算速度;同时具有比传统基于形状回归的方法更好的定位准确率;(2)引入精确人脸框定位模块。考虑到人脸框大小对后续定位结果的影响,在用于初定位的卷积神经网络前面加入一层额外的卷积神经网络用于精确人脸框定位,对一般人脸检测器的检测结果进行修正,从而减少背景信息的干扰,进一步提高定位精度;(3)引入迭代次数自适应机制与最优化选择机制。对有不同定位难度的图片使用不同的迭代次数,从而提高资源的利用效率;在每次迭代结果中选择误差率最小的结果作为输出,减小了偶然误差的影响;(4)采用L1范数作为正则化函数。将形状回归中全局线性回归的目标函数变为基于L1范数正则子的Lasso回归,进一步提高了算法的准确率。