基于级联形状回归模型的世纪晟人脸识别实现
—简介—— 脸部建模一直是计算机图像和视觉领域的热门话题,每个人脸模型的网格顶点个数各不相同,也就是拓扑结构不同。因此我们需要对我们的训练数据,做一个归一化处理。这里以世纪晟科技构建的一个快速的、交互的、基于深度学习的人脸建模框架为基础,展示级联形状回归模型在特征点定位任务上取得了重大突破。 ——级联线性回归模型—— 近来,级联形状回归模型在特征点定位任务上取得了重大突破,该方法使用回归模型,直接学习从人脸表观到人脸形状(或者人脸形状模型的参数)的映射函数,进而建立从表观到形状的对应关系。 面部特征点定位问题可以看作是学习一个回归函数F,以图象I作为输入,输出θ为特征点的位置(人脸形状):θ = F(I) 简单的说,级联回归模型可以统一为以下框架:学习多个回归函数{f1 ,…, fn-1, fn}来逼近函数F: θ = F(I)= fn (fn-1 (…f1(θ0, I) ,I) , I) θi= fi (θi-1, I), i=1,…,n 所谓的级联,即当前函数fi的输入依赖于上一级函数fi-1的输出θi-1,而每一个fi的学习目标都是逼近特征点的真实位置θ,θ0为初始形状。通常情况,fi不是直接回归真实位置θ,而回归当前形状θi-1与真实位置θ之间的差:Δθi = θ - θi-1 ——典型的形状回归方法—— 如下图所示,给定初始形状θ0,通常为平均形状