前言
面部关键点定位是一个图像算法种一个经典的回归问题。给定一张面部照片,用算法找出面部关键点在图片中的位置。通常关键点有:鼻尖、眼角、嘴角等。通常鼻尖、左眼瞳孔位置相对固定,可以视为人脸的对齐的点来做人脸对齐。
应用和挑战
主要的应用:
图像理解。识别人物的表情、情绪等信息。
面部登记。
人脸识别。
人脸追踪。
3D建模、点对点表情捕捉与同步(魔戒中咕噜的表情捕捉)等
面临的挑战和问题:
多变性 variability。特征点位置每个人不同,而且受面部朝向、表情、张闭口这些条件影响,差异较大。
受采集条件影响。背景,etc
不同的应用对特征点的数量和准确率要求不同。基准点(鼻尖、眼角)对准确率的要求较高,面颊曲线本身定义模糊对标准要求较低。面部中间有比较重要的特征点,因此有 M17 (4 个眉毛,6 个眼部、3 个鼻部、4 个嘴部) 的概念。
近期技术回顾
技术流派分很多种,基于几何学的、基于色彩的、基于表现(appearance based)、基于边缘、基于表情。
基于表现的解决方案。
基于 Support Vector Regression 和 Markov Random Fields 减少搜寻时间提高准确率。
Subclass Determinant Analysis .嘴部和眼部区域的像素跟某一个点密切相关。
从皮肤的特征相关出发,使用 svm 。
... 很多个解决方案,不翻了
很多研究者致力于面部特征点的研究,主要是因为很多带标注的开放数据集的存在。比如:multi-PIE,XM2VTS,FRGCV2,AR。这些数据集可以分为两大类,一类在完全可控的环境下拍摄,另外一类在完全不可控的环境下拍摄。常见的数据集包括:
Multi-PIE. CMU Multi Pose Illumination and Expression Database. 750K 图片,337 个 subjects。每个 subject 有 15 个 pose。19 个光线条件和 6 种表情。68 个 landmarks,正负 45 度拍摄。
XM2VTS。2360 个图,295 个人。 68 个点
FRGC-V2 4950 个图,466 个人。
AR。4K 图片,126 人。
LFPW。1287 图。
HELEN 2330 图,flikr 下载的。
AFW。250 图,468 个脸。
AFLW。29553 图。21 点。
IBUG
**粗体** _斜体_ [链接](http://example.com) `代码` - 列表 > 引用
。你还可以使用@
来通知其他用户。