自适应监督下降方法的姿态鲁棒人脸对齐算法

TP181; 人脸对齐是人脸分析处理中的重要一步.由于现实中的人脸照片通常在姿态、光线等方面存在较大的差异,人脸对齐是一项艰巨的任务.初始关键点的位置以及特征提取对人脸对齐很重要.提出一种自适应监督下降方法(SDM)的姿态鲁棒人脸对齐算法.首先,为了减小姿态差异对人脸对齐的影响,使用聚类算法将图片按照姿态分成三类(正脸,左侧脸,右侧脸),这样每个类别下的姿态更加紧致.其次,考虑到人脸对齐是由粗到细的多阶段监督学习过程,采用自适应特征提取框(由大到小)来提取判别性特征.基于上述两种策略,在每个类别下,提供一个更好的初始关键点位置,通过自适应特征提取的SDM模型来进行回归模型的训练.选用LFPW、...

Full description

Saved in:
Bibliographic Details
Published in计算机科学与探索 Vol. 14; no. 4; pp. 649 - 656
Main Authors 赵慧, 景丽萍, 于剑
Format Journal Article
LanguageChinese
Published 北京交通大学 计算机与信息技术学院,北京,100044%北京交通大学 计算机与信息技术学院,北京 100044 01.04.2020
交通数据分析与挖掘重点实验室(北京交通大学),北京 100044
Subjects
人脸关键点定位
监督下降方法(SDM)模型
姿态鲁棒
人脸对齐
自适应特征提取框
Online AccessGet full text
ISSN1673-9418
DOI10.3778/j.issn.1673-9418.1905087

Cover

More Information
Summary:TP181; 人脸对齐是人脸分析处理中的重要一步.由于现实中的人脸照片通常在姿态、光线等方面存在较大的差异,人脸对齐是一项艰巨的任务.初始关键点的位置以及特征提取对人脸对齐很重要.提出一种自适应监督下降方法(SDM)的姿态鲁棒人脸对齐算法.首先,为了减小姿态差异对人脸对齐的影响,使用聚类算法将图片按照姿态分成三类(正脸,左侧脸,右侧脸),这样每个类别下的姿态更加紧致.其次,考虑到人脸对齐是由粗到细的多阶段监督学习过程,采用自适应特征提取框(由大到小)来提取判别性特征.基于上述两种策略,在每个类别下,提供一个更好的初始关键点位置,通过自适应特征提取的SDM模型来进行回归模型的训练.选用LFPW、HELEN和300W数据集进行评估,实验结果表明,该模型在复杂姿态下能准确定位关键点,并且好于现有的人脸对齐算法.
ISSN:1673-9418
DOI:10.3778/j.issn.1673-9418.1905087