C-Canny算法和改进单层神经网络相结合的面部特征点定位*
2020-05-04付文博于俊洋
付文博,何 欣,于俊洋
(1.河南大学软件学院,河南 开封 475000;2.河南省智能数据处理工程研究中心,河南 开封 475000)
1 引言
面部多特征点定位是计算机视觉领域的重要问题,许多任务都依赖于面部特征点定位的结果,如面部表情分析、面部识别等。虽然面部特征点定位在近几年来被广泛研究,并且取得了巨大的成功,但是在处理复杂环境中的定位问题时(Semantic ambiguity)[1],由于受到各种干扰因素的影响,图像具有复杂多样性,因此面部特征点定位仍面临巨大的挑战。卷积神经网络CNN(Convolutional Neural Netowrk)已被证实是一种可行的解决方案,CNN通过对面部图像进行旋转、平移、缩放,使得模型对姿态旋转更具鲁棒性。然而,在处理遮挡、光线不足等面部轮廓难以区分的图像时[2,3],因其无法识别面部区域,CNN表现却不好。为解决上述问题,本文设计了一种单层VGG(Visual Geometry Group)神经网络[4 - 7]与Canny算法相结合的网络结构,能够在预测阶段对面部区域进行重定位,在消除面部噪声区域干扰的同时,提升特征点定位的准确性,在ibug提供的300-w[5]与300-vw[6]开源数据集上取得了较好的预测结果。
2 相关研究
面部特征点定位大致分为2个方向:传统方法与深度学习的方法。其中,典型的传统方法包括基于模型的方法和基于回归的方法。
2.1 基于传统方法(ASM、AAM,ERT,LBF)
基于传统方法的面部特征点定位主要分为基于模型的方法与基于回归的方法2类。其中,基于模型的方法主要是由Le等[8]提出的ASM(Active Appearance Model)、AAM(Active Appearance Model)模型。该模型对人脸、手、心脏等几何形状的物体,通过若干关键特征点的坐标依次串联,形成1个形状向量进行后期预测。……
