面部特征点\face alignment
机器学习的小学生
这个作者很懒,什么都没留下…
展开
-
面部特征点评价标准:
文献[1]:单个面部特征点检测误差的衡量:err=(x−x′)2+(y−y′)2−−−−−−−−−−−−−−−−√/lerr = \sqrt{(x-x')^2 + (y - y')^2 }/l其中(x,y)(x,y)和(x′,y′)(x',y')分别表示真实的面部特征点位置和检测的位置。ll是人脸检测器检测到的人脸box的宽度,如果误差大于5%,则认为检测失败。 瞳孔距离也通常用作检测误差的标准化原创 2017-06-19 16:42:38 · 2116 阅读 · 0 评论 -
Constrained Joint CRF for Simultaneous FAUR and FLD
Tex and pdf: http://download.csdn.net/detail/xuluhui123/9621066原创 2016-09-03 21:09:19 · 992 阅读 · 0 评论 -
Unconstrained Face Alignment via Cascaded Compositional Learning
\documentclass{article} %article文章 %\documentclass[journal]{IEEEtran} \usepackage{cTex} %使用中文字符 \usepackage{amsmath} %使用数学公式 \usepackage{amssymb} %\usepackage[colorlinks]{hyperref} %超级链接宏包 \u原创 2016-09-13 15:10:22 · 2704 阅读 · 3 评论 -
LBF特征和增强的LBF特征。
LBP特征:计算△S\triangle S的标准化方式:增强的LBF特征 详细内容参考:http://blog.csdn.net/raby_gyl/article/details/52526104 下载: lbf特征:http://download.csdn.net/detail/xuluhui123/9647021 参考文献:1.Face Alignment at 3000 FPS via原创 2016-09-08 20:02:55 · 3027 阅读 · 0 评论 -
Hog特征
Hog各参数图解 http://blog.csdn.net/raodotcong/article/details/6239431 图中:红色区域表示图像,绿色区域表示winSize,蓝色区域表示block,黄色区域表示cell,一般性的一个block中含有4个cell,其中cell是最小的单元,用来统计cell中梯度方向的直方图(如方向bin为9,具体方向的统计可以根据自己需要进行修改),图中给出原创 2016-10-12 21:16:15 · 1868 阅读 · 0 评论 -
平均形状-meanshape
平均形状的计算算法有两种。1. 粗略的获取平均形状经过三步走:原点化–尺度化–平均化(1)原始带有基准点的数据,例如取出一个图像的基准点:landmark=data{i}.landmark;(2)由于对于不同的样本图像,人脸形状坐标是相对于图像的左上角。因此,需要将其进行原点化:% landmark和shape表示是同一个意思landmark=data{i}.landmark;shape_min原创 2016-10-15 10:17:10 · 2272 阅读 · 0 评论 -
Sift特征
说明:本篇博客只围绕sift描述子展开了学习。对于sift关键点检测涉及的内容并未进行详细的分析和学习。相关内容可参考本篇博客中的参考文献。Sift特征Sift特征包含两个部分,一个是关键点(frame或者keypoint),另外一个就是在关键点处的描述子(descriptor,或者Keypoint descriptor),更确切的说是关键点所在尺度空间的描述子。 很多文章中给出了两种尺度空间:原创 2016-09-21 14:26:52 · 5594 阅读 · 1 评论 -
VLFeat计算给定关键点描述子的一些参数
vl_sift_calc_keypoint_descriptor (filt, buf, k, angles [q]) ;计算描述子。buf存储计算后的描述子。 k 值 o 0 ix 106 iy 96 is 0 x 106.0000 y 96.00000 s -1.0000000 σ\sigma 1.6000000角度angl原创 2016-09-26 15:55:25 · 523 阅读 · 0 评论 -
Global Supervised Descent Method
学习目的: 全局有监督的下降方法。学习这篇文章的目的是如何将参数空间进行合理的划分。对于不同的参数空间,我们可以仅训练该空间下的模型。原创 2016-09-13 16:07:30 · 828 阅读 · 0 评论 -
Localizing Parts of Faces Using a Consensus of Exemplars
方法:基于1000个手动标记的实例图像,组合局部检测器的输出和一组非参数的全局模型。假定全局模型产生块的位置作为隐含变量,然后推导一个贝叶斯目标函数,然后使用一组模型关于隐含变量求解最优化。 人脸检测:COTS商业人脸检测器。 简介: 我们将块的定位表示贝叶斯推理,其将一个人脸形状的先验模型和局部检测器的输出组合。和先前的工作不一样,我们的先验是建立在人脸各部分的组态的非参数模型,利用大量搜集原创 2016-08-29 10:36:00 · 902 阅读 · 0 评论 -
正交投影到子空间/欧式投影到子空间或仿射空间或凸集
orthogonal projection onto a convex orthogonal projection onto a subspace orthogonal projection onto affine space Euclidean projection on a set….原创 2016-07-07 15:07:05 · 1935 阅读 · 0 评论 -
enhanced HOG features
理论像素级特征图 使用[−1,0,1],[−1,0,1]T[-1,0,1],[-1,0,1]^T计算梯度。空间聚合 C(i,j),for0≤i≤⌊(w−1)k⌋,0≤j≤⌊(h−1)k⌋ C(i,j) , for\quad0 \le i\le\lfloor(w-1)k\rfloor,0\le j\le\lfloor(h-1)k\rfloor 其中ww是图像的宽度,hh是图像的高度原创 2016-06-29 21:03:11 · 637 阅读 · 0 评论 -
动态规划
星型结构的动态规划 树型结构的动态规划 其中,S0,S1,S2,S3,S4S0,S1,S2,S3,S4分别是cen,lel,rer,ml,mrcen, lel,rer,ml,mr,(即中心,左眼眼角,右眼眼角和嘴左角,嘴右脚)是搜索空间。 红色的点和蓝色的点之间的连线称之为:springspring,其外围的虚线边框是该特征点对应的patchpatch.动态规划问题: 注:下面S0−S原创 2016-07-10 11:09:31 · 793 阅读 · 0 评论