2015.11.28----FaceAlignment by Explicit Shape Regression论文笔记

1.本文章的主要贡献：

使用shape-regression 的方法对人脸进行校准，更加高效。

2.方法：

思路：在训练集上，最小化对齐误差，得到一系列的回归函数来推断人脸整体形状。

训练过程

1.两层级联回归模型，第一层(R^1,.....,R^t,........,R^T),第二层Rt=(r^1,.....,r^k,....r^K).

2.r^k是由2^F个回归组成,F为特征个数，通过阈值可以划分为2^F个bin，每个bin与一个回归输出deltaSb相关

3.deltaSb通过优化目标函数得到。

4.训练完成后，应该得到T*K*2^F个回归器。

3.训练算法流程：

输入:N个训练样本，

输出:T*K*2^F个弱回归器

         T*K组选择好的像素差特征，每组有F个特征，对应F*2个像素点

         T*K组像素差阈值，每组维数为F

         平均形状S

for i=1:N

   对样本真实形状Si进行归一化

end

根据归一化形状计算平均形状S

for t=1:T

  在平均形状上随机选择P个坐标点

for i=1:N

     计算Si与S间的仿射变换Transi，得到原图上的P个像素点

     计算P个像素点的差，得到P*(P-1)/2个特征

end

for k=1:K

//BEGIN特征选择

for f=1:F

随机生成一组向量，维数与形状点维数相同

for i=1:N

 真实形状Si与估计形状Si间的误差deltaSi

 计算标量proj1=direct^T*deltaSi

end

for i=1:P*(P-1)/2

    计算N个样本中第i个像素差特征与标量proj1的相关性corri

end

选择相关性最大的第i个像素差特征多为第f个特征，将坐标加入到Corrdtk中

end

对选择好的F个特征，随机设置一组阈值

//END特征选择

将N个样本，根据F个特征的阈值，将其分别划分为2^F组

for i=1:N

计算当前形状Si与平均形状S 间的仿射变换Trans

根据仿射变换Trans，获取Corrdtk在原图上像素值{Itk}

根据{Itk}计算F维的计算像素差特征

对应维数与Threshtk比较,确定弱分类器δStkb

更新形状Si=Si+δStkb

end

end

end

4.结论：

此算法更加高效，不仅用于人脸识别，还可以用于物体的识别。