管纾玥,狄 岚,梁久祯

1(江南大学 人工智能与计算机学院,江苏 无锡 214122) 2(常州大学 计算机与人工智能学院,江苏 常州 213164)

1 引 言

人脸特征点定位,又称人脸关键点检测或人脸对齐,是指在人脸图像上找出眼睛、鼻子、嘴巴等特征点的坐标.它是人脸识别、人脸重建、头部姿态估计等计算机视觉任务的重要环节.虽然深度学习技术极大提高了人脸特征点定位的准确性,但在实际应用中姿态、表情、光照、遮挡、模糊等因素仍使得人脸特征点定位面临巨大挑战.由于新冠疫情的发展,遮挡人脸在实际生活中变得越来越普遍,研究遮挡人脸的特征点定位变得更加迫切.

针对人脸特征点定位的遮挡问题,目前已取得了不少的进展.2013年Burgos-Artizzu等人[1]提出RCPR(Robust Cascaded Pose Regression)依赖有遮挡标签的训练集,将人脸分成不同的块,利用遮挡先验预测对应特征点的遮挡概率.在此基础上,2021年Tong等人[2]提出TSCPR(Two-Stage Cascaded Pose Regression)算法,使用原始图像和镜像图像的定位差异来预测特征点是否遮挡.2019年Zhu等人[3]提出ODN(Occlusion-adaptive Deep Networks)算法,使用蒸馏模块生成遮挡概率图作为权重减少遮挡影响,获得干净的人脸特征表示,使用几何感知模块挖掘人脸几何特征辅助低秩模块更好恢复丢失特征.2020年,Wan等人[4]提出CRD(Cascaded Regression and Deocclusion)算法,使用编解码器检测遮挡并逐步恢复遮挡部分图像.同年Kumar等人[5]则在Stracked Dense U-Net[6]的基础上提出了LUVLi损失来评估特征点的位置可信度和可见度.

现有的人脸遮挡定位算法,或依赖大量的遮挡标注区分遮挡点与非遮挡点,或需添加额外模块进行……