本文探讨了人脸特征点检测的挑战与方法，包括基于形状模型和全局到局部回归模型的检测技术，以及在自然条件下检测的难点。同时，介绍了卷积神经网络中的感受野、权值共享概念，支持向量机的分类原理，以及分类与回归问题的区别。此外，还讨论了CNN的基本结构和在脸部关键点检测中的应用，包括Deep Convolutional Network Cascade的方法。
https://blog.youkuaiyun.com/u013948010/article/details/80520540
人脸特征点检测
人脸面部特征点检测方法研究主要包括
（1）基于形状模型结合分类器的检测方法
（2）基于全局到局部回归模型的检测方法。
随着技术的发展提出了一些新方法如基于ASM和肤色模型的疲劳驾驶检测方法，采用GBPI图像描述及级联拟合算法，马尔科夫随机场及连续隐变量模型，高斯混合模型的人脸特征监测方法等。
自然条件下的人脸特征点检测挑战有：成像条件的多变性导致人脸外观变化存在非线性，给局部建模带来困难；和图像中可能存在与特征点处局部外观相似的点，产生误检测。面部关键特征精确定位与跟踪是基于驾驶员行为特征的检测方法中的难点。如眨眼频率检测，头部位置检测，视线方向检测，嘴部状态检测。目前眼睛的检测与定位算法主要有两种研究途径：基于图像处理的被动方法和基于近红外照明的主动方法。
————————————————————————————————————————————————————————
感受野的计算有卷积逆过程的意思
感受野：在卷积神经网络CNN中，决定某一层输出结果中一个元素所对应的输入层的区域大小，被称作感受野receptive field。我们看这段定义非常简单，用数学的语言就是感受野是CNN中的某一层输出结果的一个元素对应输入层的一个映射
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
