基于空间转换网络的人脸对齐

发布时间：2021-02-06 21:08

　　人脸对齐是人脸识别系统的一个重要组成部分,人脸对齐通过几何变换来减小不同人脸之间的姿态差异,提升人脸识别系统对各种人脸姿态变化的鲁棒性。现有的人脸对齐方法是通过定位面部特征点的位置,把所有的人脸变换到一个统一的几何形状。尽管这种方法有效的减少了人脸图片间的姿态差异,但在一些特殊场景下任然存在一些问题。把所有的人脸对齐到固定的几何形状会带来人脸几何信息的丢失,因为不同人的面部几何形状是不同的。对于一些人脸姿态比较大的图片,例如侧脸,旋转角度大的人脸,现有的人脸特征点检测器还存在比较大的误差,把一些侧脸图片强行对齐到正脸的模板姿态,会带来很大的图片失真。同时,我们很难定义一个合理的人脸对齐模版来适应所有的人脸图片。因此,现有的利用特征点信息的固定几何模板人脸对齐的方法存在一些局限性,尤其是在大姿态人脸识别的场景中。本论文利用空间转换网络来解决大姿态人脸识别场景下的人脸对齐问题。设计了一种基于级联结构的空间转化网络来更好的解决大姿态人脸的对齐问题。同时提出了一种基于多尺度聚合特征约束的中心损失函数,对包含丰富空间信息的特征进行紧凑性约束,用于优化空间转换网络来获得更加统一的人脸对齐效果。本文... 

【文章来源】：北京邮电大学北京市 211工程院校 教育部直属院校

【文章页数】：67 页

【学位级别】：硕士

【部分图文】：

图２－１?人脸识别框架图??

解为在某一个规则网格Ｇ上的点Ｇ，。其中Ｇ，．的坐标位置是㈨４）。对于Ｇ上的每??一个点Ｇ，．，我们都能通过变换矩阵Ｔ找到它的信息来自于输入特征图上的哪一个点。??如图３－２所示，这个图表示的是网格采样的过程，图中表示出了恒等变换和２维放射??变换的采样网格。其中Ｕ代表输入图片，Ｖ代表变换后的图片。每张变换后的图片??Ｖ上的每一个像素点，都能找到它在输入图片Ｕ上的原始点。我们用（＜，片）来表示??输入特征图上的某一个点的坐标，那么对于每一个Ｇ，．，他所对应的输入点坐标如式??３－１所示。??ｒ?１?「ｘｌｒ?ｉ「４??４?０，１?０１？?０１３??＝?Ｔｅ（Ｇｉ）＝Ａｅ?Ｖｉ?＝?ａ?Ｑ?ａ?＊?ｙ＼?（３－１）??＞／?０２１?＾２２?＾２３??Ｌ＿?Ｊ?１?Ｌ＞?Ｊ?１??变换矩阵巧的参数中包含了图片变换的角度，缩放，坐标移动的信息。这些信??息属于不同的量纲。以坐标为例，移动一个单位的坐标产生的差别非常的小，而对于??尺度变化，一个单位的变化效果是巨大的，对于角度转转也是，一个单位的旋转变换??会是的特征图旋转很大的角度。而我们的定位网络在进行参数预测的时候

；?采样器?；??图３－１?空间转换网络结构??网络来得到变换后的特征图。??在对每个输入的特征图进行投影变换的时候，以输入特征图的某个点为中心，??利用采样核进行采样，可以得到输出特征图上的某一个点。输出的某一个点可以理??解为在某一个规则网格Ｇ上的点Ｇ，。其中Ｇ，．的坐标位置是㈨４）。对于Ｇ上的每??一个点Ｇ，．，我们都能通过变换矩阵Ｔ找到它的信息来自于输入特征图上的哪一个点。??如图３－２所示，这个图表示的是网格采样的过程，图中表示出了恒等变换和２维放射??变换的采样网格。其中Ｕ代表输入图片，Ｖ代表变换后的图片。每张变换后的图片??Ｖ上的每一个像素点，都能找到它在输入图片Ｕ上的原始点。我们用（＜，片）来表示??输入特征图上的某一个点的坐标


本文编号：3021094