利用形状估计的人脸特征点定位算法

针对鲁棒级联姿势回归算法(robust cascaded pose regression,RCPR)缺乏形状约束,对复杂人脸图像的定位精度差、成功率低的问题,提出一种利用形状估计的分块特征点定位算法。为提高定位成功率和准确度,对人脸特征点进行分块,对每一块进行形状估计作为约束;为保证形状估计的精度和连续性,在传统核回归的基础上,学习得到图像特征与目标形状间的联合概率分布函数,称做匹配函数,并求取最大值作为形状估计;为提高算法性能,只需对部分点的位置进行回归,减少了回归器的数量,并引入了形状索引特征的采样先验。实验表明,算法对复杂人脸图像具有更高的定位准确度和鲁棒性,定位成功率可达86%,同时计算速度可以实现实时处理。

基于相对距离分布聚类的人脸特征点定位算法

针对目前主流算法对所有特征点采用整体回归而忽略人脸局部结构信息的问题,提出了一种新的回归流程结构,通过基于特征点相对距离分布直方图和K均值聚类,结合了人脸结构信息对特征点聚类并分别进行回归,可以更准确地进行人脸特征点定位。另外,通过对回归迭代方法进行优化,可以实现鲁棒的参数更新,大大提高运算速度。在有遮挡标识的人脸数据库(COFW)上进行了深入的实验,结果表明:论文算法对于人脸特征点定位效果显著,相较于鲁棒姿势级联回归(RCPR)等算法训练时间大幅减少,其定位准确度也有了一定提高,而且算法计算效率高,测试速度则达到220fps,能够满足实时处理的要求。

基于模糊聚类回归的人脸特征点定位研究

传统基于回归的人脸特征点定位算法存在忽略人脸局部结构信息、姿态偏转较大时定位精度差等问题。为此,提出一种基于模糊聚类回归的定位算法。利用人脸特征点之间的局部结构信息对人脸训练集进行聚类,并根据阈值判决结果适度扩充训练样本。分别训练所有子训练集的回归结构,在测试过程中加入多次形状约束以自动调整每次聚类的结果和回归结构的选择,由此提高人脸特征点定位的精度。在300-W数据库上的实验结果表明,与形状回归算法和鲁棒姿势回归算法相比,该算法明显提高了姿态偏转较大情况下的定位精度。