1 五官定位
2 表情識別
3 人臉漫畫、素描生成
4 增強現實
5 換臉
6 3d建模
給定人臉區域 i,從該區域出發, 根據一定的規則 f,找到特徵點位置 x。即:x = f(i)
所以, 人臉對齊演算法便是設計函式(規則)f, f的優劣變體現在擬合效果、執行效率、引數儲存空間、泛化能力(即適應資料集以外的人臉,比如真實環境下的人臉)。
上圖是asm的擬合過程, 人臉對齊演算法通常都是從乙個標準形狀開始迭代,逐漸收斂。
傳統方法
1 基於人臉形狀建模
可變形模板(deformable template)、點分布模型(主動形狀模型active shape model)、圖模型、級聯形狀回歸模型等。
2 基於人臉表觀建模
分為兩類,一是對全域性紋理建模,這裡全域性是指整張臉,主要有aam等;一種對區域性紋理進行建模,有顏色模型、投影模型等。
這裡重點說明下基於級聯形狀回歸模型框架的演算法,因為近幾年出現的很多比較好的演算法都屬於該框架下的。比如sdm、lbf、drmf等。級聯形狀回歸模型通過學習乙個巢狀函式從而形成多層來逼近f。
x = f( f1( f2( ... fn(x0, i) ) ) )
後續會詳細介紹級聯形狀回歸模型級聯形狀回歸模型框架以及相關框架
深度網路模型
前面提到的fi 都是用傳統的機器學習方法設計的, 目前已出現基於深度網路模型來設計fi的演算法, 比如卷積神經網路(cnn)、深度自編碼器(dae)和受限玻爾茲曼機(rbm)等。 後續將重點研究該領域。
關於人臉檢測與對齊的融合
這類演算法的idea是檢測與對齊部分過程可以復用,
該類演算法對於跟蹤有很好的幫助, 因為在跟蹤過程中需要驗證**的區域是否是人臉, 需要用到人臉檢測器, 而人臉檢測器通常速度較慢, 如果對齊與檢測同時做了的話, 驗證的時間時間可減少很多。提高追蹤效率。該類演算法有 jda(joint cascade face detection and alignment)、mtcnn等
大姿態、誇張表情、光線明暗、遮擋、場景多變等等問題。
速度、模型大小、追蹤問題等
人臉對齊的應用有哪些?
人臉對齊概述以及最新進展
人臉對齊LBF 三
相似變換的目的是求解 兩個形狀之間的尺度和角度關係 和普氏分析的作用相同,不同點是不需要迭代求解,普氏分析理論上更準確,實際上在這裡沒什麼特殊效果。演算法步驟和思想 1 中心化兩個形狀 2 以質心為原點,計算其到沒乙個形狀點之間的距離,並求和 3 兩個形狀的尺度係數為2 中計算得到值的比值 4 以質...
人臉對齊LBF 四
隨機森林的訓練過程 1 隨機的選擇一部分樣本,按照一定的比例選擇樣本 2 訓練一棵樹的時候,隨機的選擇一部分特徵,訓練乙個節點,之後把樣本分為左右兩顆子樹 3 繼續在左子樹訓練樣本,隨機的選擇特徵 4 繼續在右子樹訓練樣本,隨機的選擇特徵 5 訓練出來乙個節點,繼續迴圈2 5步驟得到一棵樹 迴圈1 ...
人臉對齊(十四) LPFA
作者試圖使用3d人臉建模解決大姿態下面部特徵點定位問題。其實跟pifa2017差不多,雙回歸架構,3dmm模型,唯一不同的是級聯cnn的細節上,以及設計的特徵上。2d的人臉形狀u可以看成是3d人臉形狀a通過投影變化m得到,如下圖所示 3d人臉形狀模型可以表示為平均3d人臉形狀 a 0 與若干表徵身份...