(中国科学技术大学 信息科学技术学院,合肥 230027)

0 概述

人脸关键点对于理解和分析人脸面部行为至关重要,人脸关键点定位的优劣能够直接影响人脸识别[1]、表情分析[2]或头部姿态估计[3]等应用的最终性能。人脸关键点跟踪是计算机视觉领域一个重要且富有挑战性的课题。随着300-VW挑战的推动以及300-VW数据集[4-6]的开放,人脸关键点跟踪问题受到了越来越多的关注。

当前,人脸关键点定位方法大致可分为3类:即基于主动外观模型(Active Appearance Model,AAM)[7]的方法、基于约束局部模型(Constrained Local Model,CLM)[8]方法和级联回归方法[9]。后者在精度和速度两方面都表现出比前两者更好的性能,因而受到广泛关注。然而,级联回归方法的主要局限性在于其具有初始化依赖性,即初始化的优劣将对模型的定位精度产生重要影响。此外,利用深度学习的人脸关键点定位方法[10]尽管获得了很高的精度,但由于所需计算资源过高,难以改变为实时的人脸关键点跟踪方法。

近几年,一些人脸关键点跟踪方法相继被提出。文献[11]在多视角AAM框架下,通过随机森林和线性判别分析对跟踪的人脸实时更新精确的姿态信息,但该方法泛化能力不佳,跟踪速度慢。文献[12]提出一种在线参考外观模型,利用增量学习在线更新AAM的纹理模型和参考模型,在无需训练集的情况下实现人脸关键点跟踪,但该方法跟踪精度不高,鲁棒性较差。文献[13]将基于树的可变形部件模型(Deformable Part Model,DPM)人脸关键点检测器进行调整,逐帧应用静态人脸关键点检测器,使用卡尔曼滤波器获取稳定的人脸框并补偿可能存在的人脸检测器失败,但该方法没有利用视频序列的帧间相关性,跟踪鲁棒性较差,速度慢。……