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。

针对人脸关键点检测(人脸对齐)在应用场景下的速度和精度需求, 首先在 SSD基础之上融合更多分布均匀的特征层, 对人脸框坐标进行级联预测, 形成对于多尺度人脸信息均具有更加鲁棒响应的深度学习检测器 MR-SSD。其次在局部二值特征 LBF的级联形状回归方法基础上, 提出了基于面部像素差值的多角度初始化算法。采用端正人脸正负 90°倾斜范围内的五组特征点形状进行初始化, 求取每组回归后形状的眼部特征点像素均方差值并以最大者对应方案作为最终回归形状, 从而实现对多角度倾斜人脸优异的拟合效果。本文所提出的最优架构可以实时获得极具鲁棒性的人脸框坐标并且可实现对于多角度倾斜人脸的关键点检测。

人脸姿态变化复杂且对人脸识别性能影响明显,提出了一种融合LCCDN (LSTM and CNN based Cascade Deep Network)与增量聚类的多姿态人脸识别方法。采用LCCDN模型定位人脸关键点,利用长短时记忆网络(LSTM)的记忆功能寻找人脸各关键点在空间上的全局上下文的依赖关系对人脸关键点初始化,并通过卷积神经网络模型,采用由粗到精的策略;定位人脸关键点;以人脸关键点作为人脸朝向描述子,同时为适应人脸姿态不断地动态更新,采用基于熵诱导度量机制的增量聚类方法,对头部姿态进行动态增量聚类,构建人脸姿态池。在此基础上,通过建立不同姿态的人脸识别分类模型实现多姿态人脸识别,在CAS-PEAL-R1、CFP和Multi-PIE三个数据集上的人脸识别准确率分别达到96.75%,96.50%,97.82%。通过与同类人脸识别方法的客观定量对比,实验结果表明所提方法有效、可行。