16、FLASH：融合主动形状模型与热图回归的面部特征点检测新方法

FLASH：融合主动形状模型与热图回归的面部特征点检测新方法

1. 面部特征点检测的重要性与挑战

在许多实时驾驶员监控系统（DMS）中，从摄像头捕获的图像中识别面部表情至关重要。它能检测驾驶员是否有困倦、醉酒或疲劳的表情，从而通知驾驶员，减少潜在事故。面部特征点检测旨在定位面部特定主要点，如眼睛、鼻子、嘴巴周围及面部边界的点。但该问题极具挑战性，因为面部形状多样，特征点离散且数量多，图像还可能从不同角度拍摄。

2. 现有方法分析

• 形状拟合模型 ：早期有效方法如主动形状模型（ASM）、主动外观模型（AAM）、约束局部模型（CLM）、判别响应图拟合（DRMF）和DeFA等。它们收敛快，但依赖初始形状，泛化性差，效率仅在个别数据集上表现较好。
• 深度学习模型 ：
  • 直接回归方法 ：以CNN骨干网络的最后扁平化特征图为输入。
  • 热图回归模型 ：如风格聚合网络（SAN）和MobileFAN，在CNN骨干网络上添加反卷积层形成全卷积网络（FCN），输出2D热图定位特征点。这类模型泛化性好，但因特征点分散多，难以收敛。

方法类型	代表方法	优点	缺点
形状拟