基于局部形状组合模型的人脸对齐

作者：万俊; 李晶; 常军; 吴玉佳; 肖雅夫

来源：计算机学报, 2018, 41(09): 2162-2174.

• 级联回归
• 局部形状组合模型
• 组合脸
• 平均脸
• 决策机制
• 组合二值特征

近年来,在研究人脸对齐问题上提出了许多高效、精确的算法.其中,许多算法都采用平均脸作为初始化形状,然后采用不同的方法对人脸的最终形状进行预测,这些算法在人脸表情、头部姿势、光照差异较大的情况下没有很好的鲁棒性.文中提出基于平均脸使用局部形状组合模型来构建一个更准确的人脸(组合脸).局部形状组合模型首先根据人脸基准点的分布特点把人脸形状划分为脸部轮廓、眉毛、眼睛、鼻子、嘴巴这5个部分,然后利用平均脸作为初始化形状,在每个局部形状包含的特征点的邻域内提取特征构建随机森林,对所有训练图片人脸的局部形状进行分类.叶子结点用来存放对应类的局部形状,其它结点存放分类的规则,局部形状组合模型针对5个局部形状总共构建了5个随机森林.对于每一个测试图片人脸,使用平均脸作为初始化形状,遍历随机森林去选择最像测试人脸的局部形状.平均脸和由轮廓决定的人脸其它局部形状的中心以及选择的局部形状将被用来构建组合脸.在大多数情况下,组合脸比平均脸具有更强的表示能力.因此文中提出一个基于组合二值特征的决策机制来选择组合脸和平均脸中更为合适的一个作为后续阶段的初始化形状.决策机制在训练阶段估计出预测结果和组合二值特征的关系,在测试阶段利用训练阶段估计的关系对选择结果进行预测.决策机制是一个二分类问题,可以利用支持向量机来解决.最后以级联回归的方式对该初始化形状进行优化以逼近标准形状.通过采用局部形状组合模型和基于组合二值特征的决策机制,可以防止:(1)最终预测的人脸由于初始化形状不理想而陷入局部最佳;(2)增强本算法对人脸表情、头部姿势、光照差异的鲁棒性.文中算法(LSBC算法)在300-W(68-pts)和Helen(194-pts)数据库下的误差(瞳孔间距归一化误差)分别为4.73%和4.68%,优于当前的LBF、ESR、SDM算法.