【人脸检测和人脸对齐研究方法文献综述2700字】

[20]作者通过对该数据集进行图像中人脸的5个关键点信息的标注，极大地方便了人脸检测器设计工作，也为进行联合检测和人脸对齐提供了依据。这是标注信息如图2-6所示，以下对其进行简单的说明。如图2-6，“#”后的字符表述图片的存储路径，下面的部分是图片中包含人脸的信息。第一行所代表的第一张图片中显示检测到5个人脸，每一行的前四个数代表人脸框在图片中的坐标位置，后面以“0.0”或“1.1为间隔的是五个关键点的坐标信息，如果出现“-1.0”的情况则代表没有该关键点或该关键点未被识别，通过这些人脸信息即可进行后续的训练。图2-6widerface数据集部分带有5点信息的标注人脸检测设计思路将得到的数据送入网络结构中，如图2-7，按照如图所示的参数进行设置，通过特征提取得到类别置信度、人脸回归框和关键信息三个回归值，将上述的三个回归值与真实的人脸框位置、关键点信息位置进行比较，通过回馈迭代减小两者的误差，逐渐逼近真实值。下面将对三个回归值的约束方程进行简单介绍。图2-7网络结构图人脸类别所采用的的损失函数是交叉熵损失函数[21]，CrossEntropyLoss，其公式如下：L=xi表示预测smooth-L1损失函数主要用于人脸框回归和关键点信息公式如下：Smooth通过公式2-1和2-2对得到的回归信息进行约束监督得到人脸检测器。人脸对齐技术介绍人脸对齐技术即根据输入的人脸图像，自动定位出人脸的关键点，如鼻尖、眼睛、眉毛等。然而这项技术在人脸检测以及识别中的运用也很多元，进行面部表情检测，人脸识别等都需要先进行人脸对齐操作，由于受到人脸不同姿态或表情的影响，直接进行识别会导致识别出错，不利于人脸检测器或者人脸分类器的性能，所以需要先将人脸进行对齐，将其统一到一个统一的角度或姿态，从而有利于后续分析，提高检测或者分类的准确率。人脸对齐主要是通过定位人脸关键部位和轮廓点，并根据预测关键点和标准关键点的坐标关系得到映射矩阵，根据这个映射矩阵进行人脸矫正。人脸关键点定位主要分为传统方法以及基于深度学习的方法传统方法以ASM和AAM为代表，ASM包括训练和搜索两个步骤，对各个特征点建立位置约束，进而构建局部特征，在搜索时进行迭代与匹配。AAM方法在ASM的基础上又加入了特征点附近其他像素点的特征，并对这个区域进行纹理特征提取，建模过程与ASM大致相同。深度学习方法有很多，包括TCDCN，MTCNN等，它们都是利用卷积神经网络原理，基于大量人脸图片集和对应的关键点信息进行训练，最后输出一个模型可以自动提取输入人脸的关键点信息，深度学习方法提取人脸关键点信息的效果主要取决于网络结构和损失函数的选取。参考文献何玉峰．虹膜识别预处理算法的研究及实现（硕士学位论文）[D]．四川：电子科技大学，2013．侯森．人脸表情识别研究（硕士学位论文）[D]．陕西：西安石油大学，2011．WiskottL,FellousJM,KrügerN,etal.FaceRecognitionbyElasticBunchGraphMatching[J].IEEETransactionsonPatternAnalysis&MachineIntelligence,1997,19(7):775-779.AhonenT,HadidA,PietikainenM,etal.FaceDescriptionwithLocalBinaryPatterns:ApplicationtoFaceRecognition[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2006,28(12):2037-2041.T.F.Cootes,C.J.Taylor,D.H.Cooper,etal.ActiveShapeModels-TheirTrainingandApplication[J].ComputerVisionandImageUnderstanding,1995,61(1):38-59.G.J.Edwards,T.F.Cootes,C.J.Taylor.Facerecognitionusingactiveappearancemodels[J].ComputerVision—Eccv』,1998,1407(6):581-595.姜键涛．基于深度学习的人脸识别技术研究（硕士学位论文）[D]．黑龙江：哈尔滨工业大学，2019．RedmonJ,DivvalaSK,GirshickR,etal.YouOnlyLookOnce:Unified,Real-TimeObjectDetection[C].computervisionandpatternrecognition,2016:779-788.LiuW,AnguelovD,ErhanD,etal.SSD:SingleShotMultiBoxDetector[C].europeanconferenceoncomputervision,2016:21-37.GirshickR,DonahueJ,DarrellT,etal.RichFeatureHierarchiesforAccurateObjectDetectionandSemanticSegmentation[C].computervisionandpatternrecognition,2014:580-587.GirshickR.FastR-CNN[C].internationalconferenceoncomputervision,2015:1440-1448.YangS,LuoP,LoyCC,etal.WIDERFACE:AFaceDetectionBenchmark[C].computervisionandpatternrecognition,2016:5525-5533.FerreiraAJ,FigueiredoMAT.Boostingalgorithms:Areviewofmethods,theory,andapplications[M].Ensemblemachinelearning.Springer,Boston,MA,2012:35-85.VapnikVThenatureofstatisticallearningtheory[M].Springescience&businesssmedia,2013.PanningA,Al-HamadiAK,NieseR,etal.FacialexpressionrecognitionbasedonHaar-likefeaturedetection[J].PatternRecognition&ImageAnalysis,2008,18(3):447-452.ViolaPA,JonesM.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures[C].computervisionandpatternrecognition,2001:511-518