用于实时增量人脸跟踪的级联连续回归
计算机视觉与模式识别
2016-08-09 v2
摘要
本文介绍了一种新颖的实时人脸特征点跟踪算法。与检测相比，跟踪既有额外的挑战，也有独特的机遇。该领域最重要的方面或许是在跟踪过程中更新跟踪器的模型，这也被称为增量（人脸）跟踪。虽然这应能带来更精确的定位，但如何在线、实时地做到这一点而不导致跟踪器漂移，仍然是一个重要的开放研究问题。我们在级联回归框架（人脸特征点定位的最先进方法）中探讨了这一问题。由于级联回归的增量学习代价高昂，我们提出了一种使用连续回归的、效率更高但精度相当的替代方案。具体而言，我们首先提出了级联连续回归（CCR），并证明其精度与监督下降法相当。随后，我们推导了 CCR 的增量学习更新公式（iCCR），并证明它比标准的级联回归增量学习快一个数量级，将更新所需时间从数秒降至几分之一秒，从而实现了实时跟踪。最后，我们评估了 iCCR，并展示了增量学习在实现最先进性能中的重要性。我们的 iCCR 代码可从 http://www.cs.nott.ac.uk/~psxes1 获取。
引用
@article{arxiv.1608.01137,
title = {Cascaded Continuous Regression for Real-time Incremental Face Tracking},
author = {Enrique Sánchez-Lozano and Brais Martinez and Georgios Tzimiropoulos and Michel Valstar},
journal= {arXiv preprint arXiv:1608.01137},
year = {2016}
}
备注
ECCV 2016 accepted paper, with supplementary material included as appendices. References to Equations fixed