基于深度特征编码的皮肤特征点跟踪

面部特征跟踪是成像式心冲击描记术(ballistocardiography, BCG)的关键组成部分，其中需要精确量化面部关键点的位移以获得良好的心率估计。皮肤特征跟踪使得基于视频的帕金森病运动功能退化量化成为可能。传统计算机视觉算法包括尺度不变特征变换(Scale Invariant Feature Transform, SIFT)、加速稳健特征(Speeded-Up Robust Features, SURF)和 Lucas-Kanade 方法(LK)。这些算法长期代表着效率与精度的最高水平，但在存在仿射局部变换或光照变化等常见形变时会失效。过去五年中，深度卷积神经网络在大多数计算机视觉任务上超越了传统方法。我们提出了一种特征跟踪流程，其应用卷积堆叠自编码器来识别图像中与包含感兴趣特征的参考裁剪块最相似的裁剪块。该自编码器学习将图像裁剪块表示为针对其所训练对象类别特定的深度特征编码。我们在面部图像上训练自编码器，并使用人工标注的面部与手部视频验证其通用跟踪皮肤特征的能力。显著性皮肤特征(痣)的跟踪误差极小，以至于根据 $\chi^2$ 检验我们无法排除其源于人工标注。我们的方法平均误差为 0.6–4.2 像素，除一种情形外均优于其他方法。更重要的是，我们的方法是唯一未出现发散的方法。我们得出结论：相较于传统算法，我们的方法为特征跟踪、特征匹配和图像配准生成了更优的特征描述子。