基于3D的大姿态人脸对齐方法[精]

侧等等点的位置。下图中白色点的位置。定位完这些点的位置就可以进行下一步的的检测(detection)和识别(identification)。Р相关背景Р03Р基于2D的最小二乘法:通过最小化训练图像(input image)和形变模型? (morphable model)的均方误差来获得特征点位置。对于偏转角度小45度的中小姿态应用良好,但计算代价比较大。?N(卷积神经网络):N的方法,计算性能获得了提高,? 但仅检测较少的标注点(landmarks),限制了对面部形状的描述能力。?大姿态下的人脸校准的相关文献仍然比较少,多视角2D方法(multi-view?framework)如TSPM和CDM利用不同角度人脸上的标注点来获得数据,计算代价(cost)比较高。其他基于3D的大姿态方法如3DMM要每张图片1min的计算代价,效率比较低。Р现有对齐方法及局限性Р03Р本文需要解决的问题:?1、极端姿态下(如侧脸,偏转角度为90),一些特征点变了不可见。?2、不同姿态下的人脸表现(仰头、大笑)也存在巨大差异,这些问题都导致大姿态下面部特征点定位任务极具挑战性Р相关背景Р03Р (Projected Normalized Coordinate Code) 特征,特征的计算与当前形状相关,可以反映当前形状的信息;算法的输出为3D人脸形状模型参数;Р算法核心思想Р03Р使用卷积神经网络拟合从输入到输出的映射函数,网络包含4个卷积层,3个pooling层和2个全连接层。通过级联多个卷积神经网络直至在训练集上收敛,特征会根据当前预测的人脸形状更新,并作为下一级卷积神经网络的输入;Р算法核心思想Р03Р此外,卷积神经网络的损失函数也做了精心的设计,通过引入权重,让网络优先拟合重要的形状参数,如尺度、旋转和平移;当人脸形状接近ground truth时,再考虑拟合其他形状参数;Р算法核心思想