面向面部特征点定位的同步回归与特征学习
计算机视觉与模式识别
2019-04-25 v1
摘要
人脸对齐（或面部特征点定位）在许多人脸相关应用中是一项重要任务，范围涵盖配准、跟踪与动画，直至人脸、表情或属性识别等更高层次的分类问题。尽管迄今为止文献中已提出若干针对该任务的解决方案，在广泛姿态范围内可靠定位显著面部特征仍具挑战性。为解决此问题，本文提出一种专为处理由显著姿态变化引起的表观变化而设计的 3D 人脸数据自动面部特征点定位新方法。我们的方法建立在近期基于级联回归的面部特征点定位方法之上，并使用一种门控机制将多个各自训练于有限姿态范围的线性级联回归模型整合为一个能够处理任意姿态输入数据的强大特征点定位模型。我们围绕所提门控机制开发了两种不同方法：i) 第一种将门控多脊线下降（GRID）机制与既有的（手工设计的）HOG 特征结合用于人脸对齐，并在广泛面部姿态范围内取得最先进的特征点定位性能；ii) 第二种同时学习多下降方向以及针对对齐任务最优的二值特征（SMUF），除具竞争力的特征点定位结果外还确保了极速处理。我们在多个流行的 3D 人脸图像数据集（即 FRGCv2 与 Bosphorus 3D Face 数据集，以及来自圣母大学的 F 和 G 图像集）上通过严谨实验对两种方法进行评估。评估结果表明，两种方法相较最先进水平均具竞争力，同时对姿态变化表现出相当的鲁棒性。
引用
@article{arxiv.1904.10787,
title = {Simultaneous regression and feature learning for facial landmarking},
author = {Janez Križaj and Peter Peer and Vitomir Štruc and Simon Dobrišek},
journal= {arXiv preprint arXiv:1904.10787},
year = {2019}
}