隨著人工智能時代的到來,以人臉圖像為中心的計算機(jī)視覺得到了快速的發(fā)展。人臉關(guān)鍵點(diǎn)檢測,又名人臉對齊,作為諸如人臉識別、表情識別等高級別視覺任務(wù)的基礎(chǔ)技術(shù),是多媒體領(lǐng)域研究的熱點(diǎn)。由于人臉外觀存在剛性與非剛性的復(fù)雜形變,傳統(tǒng)人臉關(guān)鍵點(diǎn)檢測算法常對挑戰(zhàn)性場景較為敏感,比如人臉的大角度姿態(tài)變換,以及部分遮擋等。近年來,深度學(xué)習(xí)的發(fā)展給人臉關(guān)鍵點(diǎn)檢測技術(shù)帶來了曙光,因此本文的工作將以深度神經(jīng)網(wǎng)絡(luò)為主、以傳統(tǒng)算法為輔,對人臉關(guān)鍵點(diǎn)檢測問題作進(jìn)一步的研究,本文的主要工作如下:（1）基于人臉區(qū)域規(guī)范化和可變形沙漏網(wǎng)絡(luò)的二階段人臉關(guān)鍵點(diǎn)檢測。沙漏網(wǎng)絡(luò)是用于人臉關(guān)鍵點(diǎn)檢測的經(jīng)典網(wǎng)絡(luò),但是其對大角度姿態(tài)變化較為敏感。為了提高沙漏網(wǎng)絡(luò)對大角度姿態(tài)變化以及表情變化的魯棒性,提出二階段模型用于人臉關(guān)鍵點(diǎn)檢測。首先,通過使用空間變換網(wǎng)絡(luò)校正人臉,簡化了傳統(tǒng)上使用檢測的關(guān)鍵點(diǎn)和人臉均值形狀進(jìn)行普氏分析,進(jìn)而采用仿射變換來規(guī)范化人臉區(qū)域的方法。由此不同姿態(tài)變化的人臉圖像都可以被變換成規(guī)范狀態(tài),實驗證明有助于提升之后的人臉關(guān)鍵點(diǎn)檢測的性能。其次,由可變形卷積網(wǎng)絡(luò)得到啟發(fā),將可變形卷積與原始沙漏網(wǎng)絡(luò)結(jié)合。可變形沙漏網(wǎng)絡(luò)的... 

【文章來源】：安徽大學(xué)安徽省211工程院校

【文章頁數(shù)】：70 頁

【學(xué)位級別】：碩士

【部分圖文】：

級聯(lián)形狀回歸模型預(yù)測過程

第二章人臉關(guān)鍵點(diǎn)檢測相關(guān)理論8第二章人臉關(guān)鍵點(diǎn)檢測相關(guān)理論近年來人臉關(guān)鍵點(diǎn)檢測算法主要由深度學(xué)習(xí)主導(dǎo)，用于人臉關(guān)鍵點(diǎn)檢測相關(guān)的深度神經(jīng)網(wǎng)絡(luò)是卷積神經(jīng)網(wǎng)絡(luò)。本章首先對這些相關(guān)技術(shù)做簡要介紹，并介紹相關(guān)的評估數(shù)據(jù)集。2.1卷積神經(jīng)網(wǎng)絡(luò)相關(guān)理論在深度學(xué)習(xí)中，卷積神經(jīng)網(wǎng)絡(luò)是最常用的深度網(wǎng)絡(luò)之一，主要用于視覺任務(wù)，比如圖像和視頻識別、圖像分類、醫(yī)學(xué)圖像處理以及圖像跟蹤定位等。當(dāng)然，卷積神經(jīng)網(wǎng)絡(luò)也可處理自然語言處理等非視覺任務(wù)。卷積神經(jīng)網(wǎng)絡(luò)具有不同于其他網(wǎng)絡(luò)的一種數(shù)學(xué)運(yùn)算——卷積、池化運(yùn)算。2.1.1卷積層通常根據(jù)卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計規(guī)則，輸入的RGB三通道的圖像通常以四維張量的形式表示為n×c×h×w，n,c,h,w分別代表圖像數(shù)量、圖像深度、圖像高度以及圖像寬度。同樣，整個網(wǎng)絡(luò)中的特征圖也是以這種形式表示。卷積層具有以下屬性：1）有固定尺寸的卷積核；2）有輸入以及輸出特征圖通道數(shù)量的定義；3）卷積核的深度必須等于輸入特征圖的通道數(shù)，輸出特征圖的通道數(shù)顯然與卷積核的個數(shù)一一對應(yīng)。卷積計算的示意圖如下圖所示：圖2.1卷積計算過程Figure2.1Calculationprocessofconvolution上圖為一個3×3卷積核對一個單通道的輸入特征圖進(jìn)行處理，生成的新特征圖輸入到網(wǎng)絡(luò)的下一層。可以看出，卷積核只能以其自身大小來進(jìn)行學(xué)習(xí)，這種特性稱之為卷

2.1.2池化層池化層是一種形式的降采樣，它的出現(xiàn)是為了進(jìn)一步降低參數(shù)量，提高網(wǎng)絡(luò)的深度上限。簡單的說，池化層是對前一層特征圖的降維，即將輸入的特征圖劃分為若干矩形區(qū)域，對每個子區(qū)域計算得到一個值。根據(jù)采樣方式的不同池化操作有兩類：1）最大池化；2）平均池化。最大池化使用上一層特征圖的子區(qū)域中的最大值，平均池化使用上一層特征圖的子區(qū)域中的平均值。這種方式降低了特征圖的尺寸，進(jìn)而使得網(wǎng)絡(luò)的整體參數(shù)量得到降低，并且可以減弱參數(shù)量過大帶來過擬合的副作用。如下圖所示為一個2×2大小的池化操作。圖2.2池化操作過程Figure2.2Processofpoolingoperation2.1.3全連接層在早期的神經(jīng)網(wǎng)絡(luò)設(shè)計中，全連接層是必不可少的存在。例如在完全連接網(wǎng)絡(luò)中所有層均為全連接層，早期卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計理念也是由全連接層作為網(wǎng)絡(luò)的結(jié)尾。實際上，一系列的卷積層可以看作特征提取器，而最后的全連接層就是“分類器”。對于一個圖像分類網(wǎng)絡(luò)，類別共1000種，在一系列的卷積、池化、激活函數(shù)的變換之后得到了一個c×h×w（c,h,w分別表示特征圖的深度、高度及寬度）的特征圖，首個全連接層將其變換成m維的特征向量，其中m=c×h×w；緊接著下一個全連接層將此m維特征向量映射1000維向量，對應(yīng)1000個類別。由于完全連接的特性，全連接層擁有巨大的參數(shù)量，因此最近主流卷積網(wǎng)絡(luò)的設(shè)計趨勢是將全連接層用全局平均池化（globalaveragepooling）來替代。例如對于以上的c×h×w特征圖，可以使用h×w大小的池化核進(jìn)行全局池化，可以得到c維特征向量。但是這種方法必須在小尺寸特征圖上執(zhí)行（即一般h與w不大于4），否則可能大量丟失特征信息。


本文編號：3631221