本文详细介绍了SDM（Sequential Discriminative Method）算法在人脸对齐中的实现过程，包括预处理、训练和测试三个步骤。通过对人脸关键点的定位，进行图像归一化，提升人脸识别效率和正确率。文章提及了SIFT算法在特征点描述子计算中的作用，并分享了在训练阶段使用梯度下降法提高效率的经验。此外，还展示了不同测试条件下的结果，包括遮挡、角度、表情、光照和图片质量变化的情况。
人脸对齐的算法是我本科阶段的毕业设计课题，从最初的一脸迷茫到最后完成毕设，两个月的时光，恭喜自己顺利完成了毕业设计，在过程中，更是不能缺少指导老师以及学长们给予的帮助。衷心感谢！
- 人脸对齐的目的是对人脸进行归一化，工作核心是定位面部关键点。本博客中讨论的SDM是一种人脸对齐的优化算法。利用SIFT算法计算人脸关键点处的特征点描述子，在训练过程中学习多组特征点集的下降方向，使得初始化的特征点集向标记特征点集收敛。
宿佳宁老师的《人脸对齐算法研究》中提到：图像采集、人脸检测、人脸对齐、分类识别四个部分组成了人脸识别的工作过程。
其中人脸对齐作为人脸识别的一个组成部分，将会影响整个流程的工作效率和正确率，所以高效率的人脸对齐算法是研究的主要目的。
人脸对齐算法的研究工作存在很多难点，人脸图像易受外界因素影响，这些因素大致有以下几点：面部遮挡、光照变化、复杂的背景、采集图像时的拍摄角度、面部表情变化。
在研究过程中采集面部轮廓、眉毛、鼻子、眼睛、嘴唇的形状作为关键点集合，包含68个关键点，其中17个点代表人脸轮廓，10个点代表眉毛形状，9个点代表鼻子形状，12个点代表眼睛形状，20个点代表嘴唇形状，如下图所示：
最低0.47元/天 解锁文章
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
