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，根据初始形状θ0提取特征（两个像素点的差值）作为函数f1的输入。每个函数fi建模成Random Fern回归器，来预测当前形状θi-1与目标形状θ的差Δθi，并根据ΔӪi预测结果更新当前形状得θ i = θi-1+ΔӪi，作为下一级函数fi+1的输入。
——级联形状回归模型成功的关键——
- 使用了形状相关特征，即函数fi的输入和当前的人脸形状θi-1紧密相关；
- 函数fi的目标也与当前的人脸形状θi-1相关，即fi的优化目标为当前形状θi-1与真实位置θ之间的差Δθi
以上基于级联形状回归的世纪晟人脸识别实现方法对于大姿态（左右旋转-60°~+60°）、各种表情变化都能得到较好的定位结果，处理速度快，具备很好的产品应用前景。
——总结——
以上主要讲解了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。深度学习为人脸识别技术领域带来了巨大的飞跃，结合形状回归框架可以进一步提升定位模型的精度，成为当前特征定位的主流方法之一。
--------------------- 作者：Centrizen 来源：CSDN 原文：https://blog.csdn.net/Centrizen/article/details/83011562?utm_source=copy 版权声明：本文为博主原创文章，转载请附上博文链接！
