基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉基準點定位研究.pdf

1、人臉識別在安防、訪問控制、人機交互和數(shù)字娛樂產(chǎn)業(yè)等領(lǐng)域有廣泛的應(yīng)用前景。目前，無約束人臉識別，即識別存在姿態(tài)、表情、光照和遮擋等變化的人臉圖像，還沒有完全解決，阻礙了人臉識別的進一步應(yīng)用。無約束人臉基準點定位(UFLL)或稱為無約束人臉對齊，通過定位人臉基準點將人臉圖像變換至一個標準姿態(tài)，能顯著地降低識別難度，提高識別精度，是無約束人臉識別的重要處理步驟。無約束人臉基準點定位的關(guān)鍵是綜合利用各個人臉基準點局部的紋理特征和全局的形狀約束。

2、深度學(xué)習(xí)，特別是深度卷積神經(jīng)網(wǎng)絡(luò)（DCNN），通過層級結(jié)構(gòu)能有效地提取數(shù)據(jù)的高層語義特征，已經(jīng)成功應(yīng)用于多個計算機視覺領(lǐng)域。然而，因為訓(xùn)練耗時和有效的訓(xùn)練數(shù)據(jù)缺乏等原因，DCNN目前在人臉基準點定位領(lǐng)域的應(yīng)用還相對較少。本文以無約束人臉識別為應(yīng)用背景，以非特定人的無約束人臉基準點定位為研究對象，探索如何采用新的DCNN元素和訓(xùn)練方式進行人臉基準點定位，在提高訓(xùn)練速度的同時不降低性能，主要研究內(nèi)容和創(chuàng)新性成果包括：
　?。?）首次采

3、用修正線性單元(ReLU)、填充卷積層(PCL)和局部響應(yīng)歸一化(LRN)等新的模型結(jié)構(gòu)元素構(gòu)造DCNN應(yīng)用于稀疏人臉基準點定位問題。并提出了基于同一數(shù)據(jù)增強程序的簡便有效的多模型平均方法。采用直接回歸方式訓(xùn)練各個DCNN。利用多層級聯(lián)方式組合多個DCNN提升定位精度。該方法解決了已有DCNN級聯(lián)算法訓(xùn)練耗時的問題，在不降低預(yù)測精度的前提下，相比同等規(guī)模的方法訓(xùn)練速度提升了五倍。并通過細致的實驗說明了 ReLU響應(yīng)具有分布稀疏和生命周期

4、稀疏的性質(zhì)。
　?。?）提出了遷移DCNN特征的算法框架，將人臉辨識任務(wù)上訓(xùn)練的DCNN遷移至稠密人臉基準點定位問題，將DCNN作為特征提取器嵌入至局部正則化的級聯(lián)回歸框架，解決了帶標簽的稠密人臉基準點數(shù)據(jù)較少，無法直接訓(xùn)練DCNN的問題?；谠从蚝湍繕擞虻南嗨菩詫w移性能有巨大影響的假定，提出了級聯(lián)遷移的DCNN特征遷移方法以充分利用級聯(lián)框架的特點，并通過與直接使用、普通精調(diào)兩種遷移方式對比，驗證了該假定。級聯(lián)遷移方法在300-

5、W數(shù)據(jù)集上獲得了和當(dāng)時最好方法相當(dāng)?shù)男阅?。進一步，基于參數(shù)化修正線性單元(PReLU)構(gòu)造DCNN應(yīng)用于提出的遷移框架，驗證了該框架對不同模型結(jié)構(gòu)具有適應(yīng)性。
　?。?）為了解決級聯(lián)DCNN框架結(jié)構(gòu)復(fù)雜和計算復(fù)雜度高的問題，采用批歸一化(BN)構(gòu)造DCNN以抑制訓(xùn)練時DCNN各層輸入的數(shù)值范圍的變化，從而更快速地訓(xùn)練網(wǎng)絡(luò)；采用多任務(wù)學(xué)習(xí)方式，聯(lián)合優(yōu)化稀疏人臉基準點定位和頭部姿態(tài)估計等問題，在多任務(wù)監(jiān)督信號約束下學(xué)習(xí)表達能力更強的特

6、征。然后將DCNN遷移至稠密人臉基準點定位問題。最終可采用單個網(wǎng)絡(luò)直接進行稀疏或稠密人臉基準點定位，從而大大簡化了算法框架，獲得了較快的預(yù)測速度，并獲得了和級聯(lián)DCNN方法相似的定位精度。
　?。?）實現(xiàn)了基于DCNN的人臉檢測、人臉確認和人臉辨識算法，與本文提出的人臉基準點定位算法構(gòu)成了完整的人臉識別系統(tǒng)。通過該系統(tǒng)在標準數(shù)據(jù)集上驗證了本文提出的人臉基準點定位算法對人臉識別的促進作用。為后續(xù)繼續(xù)研究基于DCNN的人臉識別算法提供