人脸对齐算法调研(Face Alignment)
转载自 https://zhuanlan.zhihu.com/p/101250334
一、人脸对齐的定义与作用(引用):
https://blog.csdn.net/App_12062011/article/details/52562963
二、截止目前的研究现状:
1、2016-Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks(MTCNN)
Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networksarxiv.org
方法简介:
MTCNN由三个级联的网络组成,是一个逐步查找定位的过程。
MTCNN结构图
- 首先输入经过Resize得到不同大小的图像,形成金字塔结构;
- Stage1_P-Net和Stage2_R-Net:这两步通过生成候选框得到目标区域,再通过NMS(极大值抑制算法)去除冗余框;
- Stage3_O-Net:同样将前面的输出作为输入并通过NMS去除冗余框,同时生成面部的关键点(五个关键点);
结果简介:
MTCNN与多种算法结果比较,综合考量其mean error较低,其中五个关键点的检测中mean error是6.9%。
结果对比
2、2017-Deep Alignment Network: A convolutional neural network for robust face alignment(DAN)
https://arxiv.org/abs/1706.01789arxiv.org
方法简介:
DAN的总体结构是多层级联网络,首先是输入整张图片I,FEED FORWARD NN用于预测关键点(68个),S0是标准关键点模板,S1是该图片矫正后的关键点,CONNECTION LAYERS会生成用于下次迭代的特征(下面介绍),经过N次迭代得到结果。
DAN结构图
CONNECTION LAYERS结构包括图像矫正,关键点热图生成和fc特征生成,主要用于对后面的迭代进行指导。
CONNECTION LAYERS结构图
结果简介:
其中DAN-Menpo的mean error达到最低4.83%(68个关键点)。
mean error结果对比图
3、2018-Look at Boundary: A Boundary-Aware Face Alignment Algorithm(LAB)
https://arxiv.org/abs/1805.10483arxiv.org
方法简介:
LAB首先根据标注点插值和沙漏网络得到轮廓边界线热图来辅助训练,再使用特征点回归网络得到准确的特征点。
LAB结构图
结果简介:
LAB在Fullset上的mean error是4.12%。
mean error结果对比图
4、2018-Stacked Dense U-Nets with Dual Transformers for Robust Face Alignment(SDU-Nets)
Stacked Dense U-Nets with Dual Transformers for Robust Face Alignmentarxiv.org
方法简介:
该算法的输入是原图和经过仿射和翻转变换后的图片,包括两个Dense U-Net,其中Dense U-Net是根据U-Net改进的多层聚合网络用来提取特征。
SDU-Nets结构图
结果简介:
本算法测试数据缺少fullset的,cofw上的mean error是5.55%。
结果对比图
5、2019-Joint Super-Resolution and Alignment of Tiny Faces(JASRNet)
Joint Super-Resolution and Alignment of Tiny Facesarxiv.org
方法简介:
本文算法包括一个共享模块,超分辨率和人脸对齐模块,同时实现了超分辨率重建和人脸对齐,最后得到高清图像和热图。
JASRNet结构图
结果简介:
该结果分别展示了高分辨率图像(64*64)和低分辨率图像(16*16)下的测试结果,表中上半部分是高分辨率的测试结果,下半部分是低分辨率的测试结果。
结果对比图
三、拟验证的算法:
1、2016-Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks(MTCNN)
Sierkinhane/mtcnn-pytorchgithub.com
2、2018-Look at Boundary: A Boundary-Aware Face Alignment Algorithm(LAB)
https://github.com/facial-landmarks-localization-challenge/Look_At_Boundary_PyTorchgithub.com
3、2019-Joint Super-Resolution and Alignment of Tiny Faces(JASRNet)
https://github.com/YuYin1/JASRNetgithub.com
发布于 2020-01-07
推荐阅读
rank-1:98.7%.基于人类视觉的行人重识别算法:AVPL
论文分享:边缘感知人脸对齐算法
人脸检测:MTCNN(ISPL2016)
【CV-Face】深度学习从入门到放弃之人脸识别目录
还没有评论
写下你的评论...