论文部分内容阅读
随着科技的发展,近年来关于人脸的应用层出不穷,而人脸关键点检测,往往是各种人脸应用的基础,其重要性日益凸现。人脸关键点检测(或者说人脸对齐)就是给定一张人脸,用某种方法预测出眼睛,鼻子,嘴巴等一些关键点的位置。在深度学习热起来之前,比较好的方法都是基于回归的方法(由若干个回归器级联而成的boosting算法),而这几年在深度学习的飞速发展下,也有学者提出基于神经网络的算法,取得了很好的效果。在本文章中,我们将卷积神经网络与传统的基于回归的的算法结合在一起,提出了一个新的人脸关键点检测算法,即首先用卷积神经网络对人脸朝向进行分类(分为朝左,朝右,和正面),然后不同的朝向各自训练一个基于LBF特征的级联回归器,从而预测人脸关键点位置。此外,我们还进一步拓展与落实上述思路,提出了用标有68个关键点的数据集去预测5个关键点的做法,即利用更多的信息去获得更好的预测结果。在多个数据集上的实验结果表明,利用卷积神经网络进行人脸朝向的分类能够大幅提高人脸关键点位置检测的正确率,本文提出的算法在运行速度和正确率上都有较为出色的表现,同时在利用标有68个关键点的数据去预测5个关键点的实验中,我们的算法表现非常出色,在AFW数据集上取得了最好的效果。