基于深度学习的人脸关键点定位算法研究

发布时间：2023-11-04 12:05

　　人脸关键点定位,又称为人脸对齐,该任务旨在预测位于人脸中一些具有重要语义位置的离散点的坐标。这些点往往位于人脸图像发生剧烈变化的区域,如眉毛、眼睛、鼻子、嘴巴以及轮廓等。它是很多人脸分析任务中的一个重要步骤,如人脸动画、人脸识别、人脸表情分析、3D人脸重建、年龄预测等,因此具有非常广阔的商业价值和深远的学术价值。但是随着该项技术在日常应用中的不断地普及,其应用场景也变得更加多样和复杂,这给该项技术带来许多的挑战。其中,遮挡问题是准确定位人脸关键点的主要障碍。许多现有的方法在正常的人脸图像上表现良好。但是,如果人脸受到遮挡时,其性能会严重下降。本文以遮挡的人脸为研究对象,深入分析归纳现有的方法不够鲁棒的原因,提出了两个基于深度学习的人脸关键点定位算法。主要研究工作和创新点如下:1.提出一个多分支网络结合雅可比深度回归级联框架。该框架旨在缓解模型训练过程中遮挡导致人脸不同部位之间误差不均衡问题所带来的不利影响,提高人脸关键点定位的精度。框架首先通过一个采用了多分支机制的卷积神经网络缓解误差不均衡问题,获取一个非常可靠的初始位置。随后,为了进一步提高精度,该框架级联了多个回归器,这些回归器能...

【文章页数】：70 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 本文主要研究内容
    1.4 本文结构安排
第2章 人脸关键点定位的相关研究
    2.1 基于级联回归的方法
    2.2 基于深度学习的方法
    2.3 实验数据和评价标准描述
        2.3.1 实验数据
        2.3.2 评价标准
    2.4 本章小结
第3章 基于多分支网络结合雅可比深度回归的人脸关键点定位方法
    3.1 多分支网络结合雅可比深度回归框架
        3.1.1 基于多分支卷积神经网络的形状初始化
        3.1.2 基于级联的形状精化
        3.1.3 基于雅可比深度回归的联合优化
    3.2 实验结果及分析
        3.2.1 实验设置
        3.2.2 多分支卷积网络有效性验证
        3.2.3 级联精化有效性验证
        3.2.4 雅可比深度回归优化策略有效性验证
        3.2.5 BCNN-JDR框架和其他方法的对比
        3.2.6 BCNN-JDR框架鲁棒性验证
        3.2.7 实验结果的可视化
    3.3 本章小结
第4章 基于遮挡自适应深度网络的鲁棒人脸关键点定位方法
    4.1 遮挡自适应深度网络
        4.1.1 几何感知模块
        4.1.2 遮挡过滤模块
        4.1.3 低秩学习模块
        4.1.4 三个模块的结构关系
    4.2 网络端到端的优化过程
    4.3 实验结果及分析
        4.3.1 实验设置
        4.3.2 在正常人脸上进行测试
        4.3.3 在遮挡人脸上进行测试
        4.3.4 在任意姿态人脸上进行测试
        4.3.5 模型不同模块有效性验证
        4.3.6 模型泛化能力验证
        4.3.7 遮挡过滤模块的可视化
        4.3.8 实验结果的可视化
    4.4 本章小结
第5章 总结与展望
    5.1 本文的主要工作和创新点
    5.2 未来的工作展望
参考文献
致谢
攻读硕士学位期间研究成果



本文编号：3860270