针对当前人脸关键点检测算法网络模型复杂度高、在计算资源受限时不利于部署的问题,基于知识蒸馏思想,提出了一种高精度、轻量级的人脸关键点检测算法。通过改进残差网络(ResNet50)中的Bottleneck模块并引入分组反卷积,得到轻量级的学生网络。同时提出逐像素损失函数和逐像素对损失函数,通过对齐教师网络与学生网络的输出特征图与中间特征图,将教师网络的先验知识迁移至学生网络,从而提高学生网络的检测精度。实验结果表明,本算法得到的学生网络参数量为2.81M,模型大小为10.20MB,在GTX1080显卡上的每秒传输帧数为162frame,在300W和WFLW数据集上的平均误差分别为3.60%和5.50%。

针对当前人脸关键点检测算法网络模型复杂度高、在计算资源受限时不利于部署的问题,基于知识蒸馏思想,提出了一种高精度、轻量级的人脸关键点检测算法。通过改进残差网络(ResNet50)中的Bottleneck模块并引入分组反卷积,得到轻量级的学生网络。同时提出逐像素损失函数和逐像素对损失函数,通过对齐教师网络与学生网络的输出特征图与中间特征图,将教师网络的先验知识迁移至学生网络,从而提高学生网络的检测精度。实验结果表明,本算法得到的学生网络参数量为2.81M,模型大小为10.20MB,在GTX1080显卡上的每秒传输帧数为162frame,在300W和WFLW数据集上的平均误差分别为3.60%和5.50%。

直接使用原始微表情序列对微表情进行识别的效果一般,且已有的算法往往利用单一的特征图而没有对多种特征图进行融合来识别微表情。针对这些问题,提出一种新的微表情识别算法,该算法对多种运动特征图进行特征提取之后再进行融合,以获得更准确的识别结果。所提算法利用卷积神经网络(CNN)和长短期记忆(LSTM)网络结合的深度学习框架。在CASMEII微表情数据库上对不同算法进行测试。实验结果表明,与其他识别算法相比,所提算法取得了更加优良的效果。

在无约束的开放空间中, 由于面部姿态变化、背景环境复杂、运动模糊等, 人脸检测仍是一个具有挑战性的任务。本文针对视频流中人脸检测存在的平面内旋转问题, 将人脸关键点与金字塔光流相结合, 提出了基于级联网络和金字塔光流的旋转不变人脸检测算法。首先利用级联渐进卷积神经网络对视频流中前一帧进行人脸位置和关键点的定位; 其次为获取关键点与人脸候选框间光流映射, 使用独立的关键点检测网络对当前帧进行再次定位; 之后计算前后两帧之间关键点光流位移; 最后通过关键点光流位移与人脸候选框的映射关系, 对视频中检测到的人脸进行校正, 从而完成平面内旋转人脸不变性检测。实验经 FDDB公开数据集上测试, 证明该方法精确度较高。并且, 在 Boston面部跟踪数据集上进行动态测试, 证明该人脸检测算法能有效解决平面内旋转人脸检测问题。对比其它检测算法, 该算法检测速度有较大优势, 同时视频中窗口抖动问题得到了很好解决。