基於級聯形狀迴歸模型的世紀晟人臉識別實現

—簡介——
臉部建模一直是計算機圖像和視覺領域的熱門話題，每一個人臉模型的網格頂點個數各不相同，也就是拓撲結構不一樣。所以咱們須要對咱們的訓練數據，作一個歸一化處理。這裏以世紀晟科技構建的一個快速的、交互的、基於深度學習的人臉建模框架爲基礎，展現級聯形狀迴歸模型在特徵點定位任務上取得了重大突破。

——級聯線性迴歸模型——

近來，級聯形狀迴歸模型在特徵點定位任務上取得了重大突破，該方法使用迴歸模型，直接學習從人臉表觀到人臉形狀（或者人臉形狀模型的參數）的映射函數，進而創建從表觀到形狀的對應關係。

面部特徵點定位問題能夠看做是學習一個迴歸函數F，以圖象I做爲輸入，輸出θ爲特徵點的位置（人臉形狀）：θ = F（I）

簡單的說，級聯迴歸模型能夠統一爲如下框架：學習多個迴歸函數{f1 ,…, fn-1, fn}來逼近函數F：
θ = F（I）= fn (fn-1 (…f1(θ0, I) ,I) , I)
θi= fi (θi-1, I), i=1,…,n

所謂的級聯，即當前函數fi的輸入依賴於上一級函數fi-1的輸出θi-1，而每個fi的學習目標都是逼近特徵點的真實位置θ，θ0爲初始形狀。一般狀況，fi不是直接回歸真實位置θ，而回歸當前形狀θi-1與真實位置θ之間的差：Δθi = θ - θi-1

——典型的形狀迴歸方法——

以下圖所示，給定初始形狀θ0，一般爲平均形狀，根據初始形狀θ0提取特徵（兩個像素點的差值）做爲函數f1的輸入。每一個函數fi建模成Random Fern迴歸器，來預測當前形狀θi-1與目標形狀θ的差Δθi，並根據ΔӪi預測結果更新當前形狀得θ i = θi-1+ΔӪi，做爲下一級函數fi+1的輸入。

——級聯形狀迴歸模型成功的關鍵——

1. 使用了形狀相關特徵，即函數fi的輸入和當前的人臉形狀θi-1緊密相關；
2. 函數fi的目標也與當前的人臉形狀θi-1相關，即fi的優化目標爲當前形狀θi-1與真實位置θ之間的差Δθi

以上基於級聯形狀迴歸的世紀晟人臉識別實現方法對於大姿態（左右旋轉-60°~+60°）、各類表情變化都能獲得較好的定位結果，處理速度快，具有很好的產品應用前景。

——總結——

以上主要講解了級聯形狀迴歸模型在特徵點定位任務上取得了重大突破，該方法使用迴歸模型，直接學習從人臉表觀到人臉形狀（或者人臉形狀模型的參數）的映射函數，進而創建從表觀到形狀的對應關係。深度學習爲人臉識別技術領域帶來了巨大的飛躍，結合形狀迴歸框架能夠進一步提高定位模型的精度，成爲當前特徵定位的主流方法之一。