SDM人臉對齊演算法研究

人臉對齊的演算法是我本科階段的畢業設計課題，從最初的一臉迷茫到最後完成畢設，兩個月的時光，恭喜自己順利完成了畢業設計，在過程中，更是不能缺少指導老師以及學長們給予的幫助。衷心感謝！

人臉對齊的目的是對人臉進行歸一化，工作核心是定位面部關鍵點。本部落格中討論的sdm是一種人臉對齊的優化演算法。利用sift演算法計算人臉關鍵點處的特徵點描述子，在訓練過程中學習多組特徵點集的下降方向，使得初始化的特徵點集向標記特徵點集收斂。

宿佳寧老師的《人臉對齊演算法研究》中提到：影象採集、人臉檢測、人臉對齊、分類識別四個部分組成了人臉識別的工作過程。

其中人臉對齊作為人臉識別的乙個組成部分，將會影響整個流程的工作效率和正確率，所以高效率的人臉對齊演算法是研究的主要目的。

人臉對齊演算法的研究工作存在很多難點，人臉影象易受外界因素影響，這些因素大致有以下幾點：面部遮擋、光照變化、複雜的背景、採集影象時的拍攝角度、面部表情變化。

在研究過程中採集面部輪廓、眉毛、鼻子、眼睛、嘴唇的形狀作為關鍵點集合，包含68個關鍵點，其中17個點代表人臉輪廓，10個點代表眉毛形狀，9個點代表鼻子形狀，12個點代表眼睛形狀，20個點代表嘴唇形狀，如下圖所示：

這裡寫描述

過程中的數學建模的部分就不細寫了，在很多老師的**中都有數學建模的過程以及其原理。

在研究過程中，我將整個sdm演算法分為了三個框架：影象預處理框架、訓練框架、測試框架。

預處理為了方便後期的工作，先將樣本集歸一化，這樣可以大大的提高訓練的效率。對載入的影象進行人臉檢測，並對人臉進行裁剪，將人臉部分裁剪為200*200大小的；同時，也對影象對應的標記關鍵點集做變化，生成對應大小的關鍵點集。下圖是原樣本集的影象截圖：

這裡寫描述

經過預處理後的截圖為：

這裡寫描述

（在研究初期我並沒有對樣本集進行預處理，導致我在研究過程中一次次的繞彎，但是走不到終點…對此，感覺自己被自己蠢哭了hhhhhh）

訓練a.求偏差：進入訓練框架後，首先需要計算當前特徵點集（當前形狀）與標記特徵點集（目標形狀）的偏差；

c.計算回歸器並儲存資料：將a和b的結果傳入實現最小二乘法/梯度下降法的函式，求解出使得目標函式（損失函式）取最小值時的資料（回歸器）並儲存。

不過此處我建議使用梯度下降法，因為我在最初的時候是使用最小二乘法，也可能是我實現過程中的缺陷，每執行一次訓練，就需要很大的時間成本，而且過程中出現了很多大大小小的bug.所以我建議採用matlab一起結合，用matlab實現梯度下降法，大大減小了時間成本

測試下面直接放上測試的結果：

首先是簡化的訓練樣本集和測試集（設定了乙個**人臉樣本集的訓練，演算法的原理和流程和sdm演算法一模一樣，唯一不同的是**人臉樣本的特徵點較少，證明sdm演算法的可行性）：

這裡寫描述

最後是為了測試演算法的真實性，指導老師要求測試本人的一張**，這個結果還存在偏差，並不是最優結果，還需要再進行迭代收斂。

寧波眼部整形：