人脸识别技术总结.doc

《人脸识别技术总结.doc》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、.人脸识别技术总结　　人脸识别技术大总结——FaceDetectionAlignment20XX-04-08　　搞了一年人脸识别，寻思着记录点什么，于是　　想写这么个系列，介绍人脸识别的四大块：Facedetection,alignment,verificationandidentification(recognization)，本别代表从一张图中识别出人脸位置，把人脸上的特征点定位，人脸校验和人脸识别。（后两者的区别在于，人脸校验是要给你两张脸问你是不是同一个人，人脸识别是给你一张脸和一个库问你这张脸是库里的谁。　　人脸校准（alignment）是给你一张

2、脸，你给我找出我需要的特征点的位置，比如鼻子左侧，鼻孔下侧，瞳孔位置，上嘴唇下侧等等点的位置。如果觉得还是不明白，看下图：　　如果知道了点的位置做一下位置驱动的变形，脸就成正的了，如何驱动变形不是本节的重点，在此省略。　　首先介绍一下下面正文要写的东西，由于干货非常多所以可能会看着看着就乱了，所以给出框架图：　　=================================　　废话说了这么多，正文开始~　　detection页脚.　　作者建立了一个叫postclassifier的分类器，方法如下：　　1.样本准备：首先作者调用opencv的Viola-J

3、ones分类器，将recal阀值设到XX%，这样能够尽可能地检测出所有的脸，但是同时也会有非常多的不是脸的东东被检测出来。于是，检测出来的框框们被分成了两类：是脸和不是脸。这些图片被resize到96*96。　　2.特征提取：接下来是特征提取，怎么提取呢？作者采用了三种方法：　　第一种：把window划分成6*6个小windows，分别提取SIFT特征，然后连接着XXX个sift特征向量成为图像的特征。　　第二种：先求出一个固定的脸的平均shape（XXX个特征点的位置，比如眼睛左边，嘴唇右边等等），然后以这XXX个特征点为中心提取sift特征，然后连接后作

4、为特征。第三种：用他们组去年的另一个成果FaceAlignmentat3000FPSviaRegressingLocalBinaryFeatures(CVPR14)，也就是图中的3000FPS方法，回归出每张脸的shape，然后再以每张脸自己的XXX个shapepoints为中心做sift，然后连接得到特征。　　3.分类：将上述的三种特征分别扔到线性SVM中做分类，训练出一个能分辨一张图是不是脸的SVM模型。　　紧接着作者将以上三种方法做出的分类器和初始分类器进行比对，画了一个样本分布的图：页脚.　　这个图从左到右依次是原始级联分类器得到的样本分类分布和第一

5、种到第三种方法提取的特征得到的样本分类分布。可见做一下shapealignment可以得到一个更好的分类效果。但是问题来了：如果把所有的windows都做一下alignment，即使是3000facespersecond的速度一张图可能也要处理上1秒，这无法满足一般一秒30帧的实时需求。作者也说，用opencv分类器，参数设成XX%的recall率将会带来很严重的效率灾难——一张图能找出来3XXX个框，处理一张图都要好几秒。　　这么渣的效率可咋办呢？以上内容已经证明了alignment确实对detection的　　preciseness有帮助，这就够啦，对下

6、面的工作也是个启发——能不能在做detection的同时把alignment做了呢？alignment的中间结果是否能给detection带来一些帮助呢？后面慢慢讲。先说两个通用的面部检测和矫正的模型：　　1.级联检测分类器（bagging）：不失一般性，一个简单的级联分类器是这样的：　　2.级联回归校准（我这翻译…+_+）：这里介绍的是另一个人在10年发的文章：CascadedPoseRegression(CVPR10)，给图像一个初始shape（通常采用平均shape），然后通过一次一次的回归把shape回归到正确的地方。算法结构很简单，但是效果确实非常

7、好：页脚.　　回归过程如下：首先提取特征，原作者采用的是Pose-Indexedpointfeatures，然后根据特征训练回归函数（可以用线性回归，CART，随机森林等等），原作者采用了一个叫RandomFernRegressor的东西，这里翻译成随机蕨好了（这名字…)，回归出这一阶段的偏移量，然后shape加上这个偏移量，反复这一过程，直到迭代上限或者shape错误率不再下降。随机蕨的算法过程和随机森林类似，他是一个半朴素贝叶斯模型。首先选取M组每组K个特征建立M个蕨（弱分类器），然后假设蕨内特征是相关的，蕨间特征是独立的，这样从统计学上随机蕨是一个完整

8、的把朴素贝叶斯分类器，让计算变得简单：　　式中C代表