计算机科学与探索

作者：赵慧，景丽萍，于剑

单位：1. 北京交通大学 计算机与信息技术学院，北京 1000442. 交通数据分析与挖掘重点实验室（北京交通大学），北京 100044

关键词：人脸对齐,人脸关键点定位,监督下降方法（SDM）模型,姿态鲁棒,自适应特征提取框

人脸对齐是人脸分析处理中的重要一步。由于现实中的人脸照片通常在姿态、光线等方面存在较大的差异，人脸对齐是一项艰巨的任务。初始关键点的位置以及特征提取对人脸对齐很重要。提出一种自适应监督下降方法（SDM）的姿态鲁棒人脸对齐算法。首先，为了减小姿态差异对人脸对齐的影响，使用聚类算法将图片按照姿态分成三类（正脸，左侧脸，右侧脸），这样每个类别下的姿态更加紧致。其次，考虑到人脸对齐是由粗到细的多阶段监督学习过程，采用自适应特征提取框（由大到小）来提取判别性特征。基于上述两种策略，在每个类别下，提供一个更好的初始关键点位置，通过自适应特征提取的SDM模型来进行回归模型的训练。选用LFPW、HELEN和300W数据集进行评估，实验结果表明，该模型在复杂姿态下能准确定位关键点，并且好于现有的人脸对齐算法。

来源：2020年第4期

《计算机科学与探索》期刊编辑部

查看计算机科学与探索杂志2020年第4期