人脸对齐算法调研(Face Alignment)

 

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​

blog.csdn.net

 

 

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 Networks​arxiv.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/1706.01789​arxiv.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/1805.10483​arxiv.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 Alignment​arxiv.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 Faces​arxiv.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-pytorch​github.com图标

2、2018-Look at Boundary: A Boundary-Aware Face Alignment Algorithm(LAB)

https://github.com/facial-landmarks-localization-challenge/Look_At_Boundary_PyTorch​github.com

 

3、2019-Joint Super-Resolution and Alignment of Tiny Faces(JASRNet)

https://github.com/YuYin1/JASRNet​github.com

 

 

发布于 2020-01-07

计算机视觉

图像识别

算法

推荐阅读

rank-1:98.7%.基于人类视觉的行人重识别算法:AVPL

rank-1:98.7%.基于人类视觉的行人重识别算法:AVPL

黄业文

论文分享:边缘感知人脸对齐算法

论文分享:边缘感知人脸对齐算法

GEETEST极验

人脸检测:MTCNN(ISPL2016)

人脸检测:MTCNN(ISPL2016)

TeddyZhang

【CV-Face】深度学习从入门到放弃之人脸识别目录

目录 1、相关数据集 2、评价度量 3、相关论文目录 1、相关数据集2、评价度量3、相关论文目录 2014----DeepFace_Closing the Gap to Human-Level Performance in Face Verification 2014----…

西红柿牛腩

还没有评论

写下你的评论...

 

 

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值