基于多任務(wù)特征選擇和自適應(yīng)模型的人臉特征點(diǎn)檢測(cè).pdf

1、人臉特征點(diǎn)識(shí)別技術(shù)是計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域的一個(gè)熱門話題。其在實(shí)際中應(yīng)用廣泛所以現(xiàn)在受到越來越多的關(guān)注和重視。如何在自然條件的環(huán)境變化和人臉主動(dòng)的變化下定位人臉關(guān)鍵部位是人臉特征點(diǎn)識(shí)別主要目的。因此，如何減少光照、遮擋、姿態(tài)、表情的影響以提高魯棒性，以及如何在同時(shí)存在線性和非線性變化的人臉表觀上找到其對(duì)應(yīng)的人臉形狀是人臉特征點(diǎn)識(shí)別需要解決的主要問題。目前的人臉特征點(diǎn)識(shí)別算法主要集中在深度模型方法上和級(jí)聯(lián)回歸方法上。級(jí)聯(lián)回歸的方法因?yàn)榭?/p>

2、速簡(jiǎn)便所以更有利于應(yīng)用于實(shí)際中。然而級(jí)聯(lián)回歸的方法有其局限性的地方。級(jí)聯(lián)回歸的方法非常依賴于初始化的準(zhǔn)確度，以及在處理人臉表觀非線性變化時(shí)有一定的困難。得益于監(jiān)督下降法SDM(SupervisedDescent Method)的簡(jiǎn)化處理，級(jí)聯(lián)回歸的方法在應(yīng)對(duì)這些問題的時(shí)候具有了一定的適應(yīng)性。但是監(jiān)督下降法仍然需要面對(duì)初始化依賴和過度匹配等問題，原因就是原始的梯度下降法在特征表示上過于單一。
　　因此，本文通過引入機(jī)器學(xué)習(xí)中非常有效

3、的多任務(wù)學(xué)習(xí)方法，結(jié)合目前主流的多種特征，對(duì)梯度下降法應(yīng)用多任務(wù)的特征學(xué)習(xí)進(jìn)行改進(jìn)。通過多任務(wù)學(xué)習(xí)得到的選擇后特征表示來提高梯度下降法的魯棒性，解決過度匹配的問題并且提高特征點(diǎn)識(shí)別的精確度。除此之外，本文還針對(duì)有監(jiān)督的人臉特征點(diǎn)識(shí)別方法提出了自適應(yīng)的初始化模型，通過快速人眼匹配調(diào)整模型人臉形狀的位置來提高初始化的有效性，從而減少人臉特征點(diǎn)識(shí)別的匹配方向錯(cuò)誤。在目前著名而有效的幾種人臉特征點(diǎn)識(shí)別數(shù)據(jù)庫上，通過對(duì)目前主流的幾種方法的試驗(yàn)比較