人臉特征點定位及識別的研究的綜述報告

人臉特征點定位及識別的研究的綜述報告人臉識別技術(shù)的應(yīng)用已經(jīng)廣泛地應(yīng)用于各種領(lǐng)域，其中人臉特征點定位是人臉識別技術(shù)中的重要問題之一。本文將對人臉特征點定位及識別的研究進(jìn)行綜述，從傳統(tǒng)的方法到深度學(xué)習(xí)方法進(jìn)行了分析和總結(jié)。一、傳統(tǒng)方法傳統(tǒng)的人臉特征點定位方法可分為兩類：基于圖像的特征提取和基于形態(tài)特征的方法。1.1基于圖像的特征提取基于圖像的特征提取大多是通過計算圖像中的局部特征來定位人臉的關(guān)鍵點。（1）基于局部紋理描述子的方法早期的基于圖像特征提取的方法主要采用SIFT（Scale-invariantfeaturetransform）和SURF（SpeededUpRobustFeatures）算法來提取局部紋理特征作為特征點。這些算法對縮放、旋轉(zhuǎn)和亮度變化有較好的不變性，能夠在面對圖像漂移、噪聲等問題時取得不錯的效果。但是，這些算法受光線變化和姿態(tài)變化影響較大，因此定位效果不理想。（2）基于人臉區(qū)域的方法另外一種基于圖像的特征提取方法是利用人臉檢測算法，提取出人臉區(qū)域，并進(jìn)行人臉關(guān)鍵點的定位。Viola-Jones算法是其中比較經(jīng)典的人臉檢測算法。1.2基于形態(tài)特征的方法基于形態(tài)特征的方法主要是依據(jù)人臉的形態(tài)特征進(jìn)行關(guān)鍵點定位。（1）基于主分量分析的方法基于主分量分析（PCA）是一種簡單有效的人臉識別方法，依據(jù)人臉的形態(tài)特征進(jìn)行關(guān)鍵點定位。該算法通過提取人臉特征形態(tài)，利用統(tǒng)計模型對不同人臉進(jìn)行區(qū)分。（2）基于局部特征的方法局部特征定義了人臉上的一組局部區(qū)域，并提取局部區(qū)域的形態(tài)特征定位人臉關(guān)鍵點。其中比較經(jīng)典的局部特征為ActiveShapeModel（ASM）和ConstrainedLocalModel（CLM）。二、深度學(xué)習(xí)方法近年來，由于深度學(xué)習(xí)方法在圖像識別領(lǐng)域的突破，也帶來了人臉識別領(lǐng)域新的思路與方法。2.1基于卷積神經(jīng)網(wǎng)絡(luò)的方法網(wǎng)絡(luò)結(jié)構(gòu)基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行人臉特征點定位，通常采用回歸模型進(jìn)行訓(xùn)練。當(dāng)前主流的卷積神經(jīng)網(wǎng)絡(luò)模型有LeNet、AlexNet、VGG、GoogLeNet和ResNet等。網(wǎng)絡(luò)輸入網(wǎng)絡(luò)輸入為原始圖片，輸出為人臉關(guān)鍵點坐標(biāo)，其中需要注意的是回歸輸出的坐標(biāo)需要進(jìn)行歸一化處理，使坐標(biāo)值在0到1之間。2.2基于檢測器的方法基于檢測器的方法采用分類器進(jìn)行訓(xùn)練，判斷人臉上是否存在關(guān)鍵點。網(wǎng)絡(luò)結(jié)構(gòu)基于檢測器的算法采用多個分類器共同完成對人臉關(guān)鍵點的檢測。其中一種經(jīng)典的檢測器為面向?qū)ο蟮募壜?lián)分類器（CascadeClassifier）。網(wǎng)絡(luò)輸入網(wǎng)絡(luò)輸入是對原始圖片進(jìn)行局部裁剪后的圖像塊，輸出結(jié)果為該圖像塊是否具有人臉關(guān)鍵點。三、總結(jié)傳統(tǒng)的人臉特征點定位方法主要是通過圖像的特征提取和形態(tài)特征進(jìn)行定位，存在對光照、姿態(tài)等因素強依賴的問題。深度學(xué)習(xí)方法則充分利用了