人臉專集知識鞏固3 | 人臉關鍵點檢測（下）

Deep learning based methods

近年來，深度學習成為解決計算機視覺問題的常用工具。對于人臉關鍵點檢測和跟蹤，有從傳統(tǒng)方法向基于深度學習的方法轉(zhuǎn)變的趨勢。

在早期的工作中（Wu, Y., Wang, Z., Ji, Q.: Facial feature tracking under varying facial expressions and face poses based on restricted boltzmann machines. In: IEEE Conference on Computer Vision and Pattern Recognition, pp. 3452–3459 (2013)），深層Boltzmann模型，一個概率深度模型，被用來捕捉由于姿態(tài)和表情而引起的面部形狀變化，用于人臉里程碑的檢測和跟蹤。近年來，卷積神經(jīng)網(wǎng)絡模型成為人臉關鍵點檢測，主要是深度學習模型，并且大多采用全局直接回歸或級聯(lián)回歸框架。這些方法大致可分為純學習法和混合學習法。

純學習方法直接預測人臉關鍵點位置，而混合學習方法則將深度學習方法與計算機視覺投影模型相結(jié)合進行預測。

Pure-learning methods

純學習方法：這類方法使用強大的CNNs模型從人臉圖像中直接預測關鍵點位置。在早期的工作中（Sun, Y., Wang, X., Tang, X.: Deep convolutional network cascade for facial point detection. In: IEEE Conference on Computer Vision and Pattern Recognition, pp. 3476–3483 (2013)），它以級聯(lián)的方式預測了五個人臉關鍵點。在第一層，它應用一個包含四個卷積層的CNN模型（下圖）來預測由面部邊界框確定的人臉圖像的關鍵點位置。然后，幾個淺層網(wǎng)絡對每個點進行局部細化。

從那以后，在兩個方向上都比早起某些工作有一些改進。在第一個方向上，（Zhang, Z., Luo, P., Loy, C., Tang, X.: Facial landmark detection by deep multi-task learning. In: European Conference on Computer Vision, Part II, pp. 94–108(2014)和Zhang, Z., Luo, P., Loy, C.C., Tang, X.: Learning deep representation for face alignment with auxiliary attributes. IEEE Transactions on Pattern Analysis and Machine Intelligence 38(5), 918–930 (2016)）利用多任務學習的思想來提高性能。直覺是，多個任務可以共享相同的表示，它們的聯(lián)合關系將提高單個任務的性能。例如，多任務學習與CNN模型相結(jié)合，共同預測面部特征、面部頭部姿態(tài)、面部屬性等。在該工作（Ranjan, R., Patel, V.M., Chellappa, R.: Hyperface: A deep multi-task learning framework for face detection, landmark localization, pose estimation, and gender recognition. CoRR abs/1603.01249 (2016). URL http://arxiv.org/abs/1603.01249）提出了一個類似的多任務CNN框架，以聯(lián)合執(zhí)行人臉檢測、地標定位、姿態(tài)估計和性別識別。不同的是它結(jié)合了多個卷積層的特征，以利用粗特征表示和精細特征表示。

在第二個方向上，一些工作改進了方法的級聯(lián)程序（Sun, Y., Wang, X., Tang, X.: Deep convolutional network cascade for facial point detection. In: IEEE Conference on Computer Vision and Pattern Recognition, pp. 3476–3483 (2013)）。例如，某paper構(gòu)造了類似的級聯(lián)CNN模型來預測更多的點(68個關鍵點而不是5個)（Zhou, E., Fan, H., Cao, Z., Jiang, Y., Yin, Q.: Extensive facial landmark localization with coarse-to-fine convolutional network cascade. In: IEEE International Conference on Computer Vision Workshops, pp. 386–391 (2013)）。它從所有68個點的預測開始，并逐步將預測分解為局部的面部成分。在該paper（Zhang, J., Shan, S., Kan, M., Chen, X.: Coarse-to-fine auto-encoder networks (CFAN) for real-time face alignment. In: European Conference on Computer Vision, Part II, pp. 1–16 (2014)）中，深層自動編碼器模型用于執(zhí)行相同的級聯(lián)關鍵點搜索。而在（Trigeorgis, G., Snape, P., Nicolaou, M.A., Antonakos, E., Zafeiriou, S.: Mnemonic descent method: A recurrent process applied for end-to-end face alignment. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 4177–4187. Las Vegas, NV, USA (2016)）中，Trigeorgis等人沒有以級聯(lián)的方式訓練多個網(wǎng)絡，訓練了一種深度卷積遞歸神經(jīng)網(wǎng)絡(RNN)，用于端到端面部關鍵點的檢測，以模擬級聯(lián)行為。級聯(lián)階段嵌入到RNN的不同時間切片中。

Hybrid deep methods

混合深度方法將CNN與3D視覺相結(jié)合，如投影模型和三維形變形狀模型(上圖)。它們不是直接預測二維面部關鍵點位置，而是預測三維形狀可變形模型系數(shù)和頭部姿態(tài)。然后，通過計算機視覺投影模型確定二維關鍵點位置。例如，（Zhu, X., Lei, Z., Liu, X., Shi, H., Li, S.: Face alignment across large poses: A 3d solution. In: IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas, NV (2016)）建立了一個密集的三維人臉模型。然后，采用迭代級聯(lián)回歸框架和深度CNN模型對三維人臉形狀系數(shù)和姿態(tài)參數(shù)進行更新。在每一次迭代中，利用視覺投影模型將三維形狀投影到二維，并將二維形狀作為CNN回歸預測模型的附加輸入，以融合目前估計的三維參數(shù)。類似地，（Kanade, T., Cohn, J.F., Tian, Y.: Comprehensive database for facial expression analysis. In: IEEE International Conference on Automatic Face and Gesture Recognition, pp. 46–53）在第一個級聯(lián)CNN模型中使用整個面部外觀來預測三維形狀參數(shù)和姿態(tài)的更新，而在后期級聯(lián)CNN模型中使用局部斑塊來細化關鍵點。

與純學習方法相比，混合方法的三維形狀變形模型和姿態(tài)參數(shù)是表示二維關鍵點位置的更為緊湊的方法。因此，CNN中需要估計的參數(shù)較少，形狀約束可以顯式地嵌入到預測中。此外，由于引入了三維姿態(tài)參數(shù)，它們可以更好地處理姿態(tài)變化。

三大類之間的關系分析

在之前講解中，我們討論了面部表情三種主要類別中的關鍵點檢測方法：整體方法、約束局部方法(CLM)和基于回歸的方法。三種主要的方法存在著相似之處和相互關系。

首先，整體方法和CLMs都將使用顯式構(gòu)造的面部形狀模型捕捉全局面部形狀模式，這些模型通常在它們之間共享。CLMs改進了整體方法，因為它們使用局部外觀，而不是整體的面部外觀。所需的動機是將整體的面部外觀建模更困難，并且局部圖像修補程序與整體外觀模型相比，光照改變和面部遮擋更加魯棒。

第二，基于回歸的方法，尤其是用于級聯(lián)回歸方法與整體AAM共享相似的直覺。例如，它們通過擬合外觀來估計關鍵點，并且它們?nèi)靠梢员慌渲瞥煞蔷€性的平方問題。然而，整體方法預測2D形狀，外觀模型系數(shù)通過擬合整體外觀模型，而級聯(lián)回歸方法直接通過擬合局部外觀而不顯式2D形狀模型來預測關鍵點。該配件整體方法的問題可以用基于LearnBased的方法或分析方式來解決，如前面所討論的那樣，所有級聯(lián)回歸方法執(zhí)行通過學習進行估計。雖然整體模型的基于學習的擬合方法通常使用相同的方法，用于以迭代方式進行系數(shù)更新的模型，級聯(lián)回歸方法以級聯(lián)方式學習不同的回歸模型。

AAM模型在之前討論為一種特定類型的整體方法非常類似于監(jiān)督下降方法(SDM)（Xiong, X., De la Torre Frade, F.: Supervised descent method and its applications to face alignment. In: IEEE International Conference on Computer Vision and Pattern Recognition (2013)）作為一種特定類型的方法級聯(lián)回歸方法。兩個級聯(lián)學習從形狀索引特征到形狀(系數(shù))更新的映射的模型。經(jīng)訓練的模型在當前級聯(lián)階段中，將修改訓練用于在下一狀態(tài)下訓練回歸模型的數(shù)據(jù)。雖然以前的整體方法適合整體外觀并預測模型系數(shù)，但SDM擬合局部外觀并預測關鍵點位置。

第三，在CLM中使用的基于regressional的局部外觀模型中存在相似性。之前的基于回歸方法，兩者都預測從關鍵點位置的初始猜測的位置更新。以前的方法獨立地預測每個關鍵點位置，而后來的方法預測它們是聯(lián)合的，形狀約束可以隱式嵌入。以前的方法通常執(zhí)行一步預測，相同的回歸模型，而后面的方法可以以級聯(lián)方式應用不同的回歸函數(shù)。

第四，與整體方法和約束局部方法相比，基于回歸的方法可能會更有希望?；诨貧w的方法繞過顯式面部形狀建模并隱式嵌入人臉形狀模式約束?；诨貧w的方法直接預測關鍵點，而不是整體方法中的模型系數(shù)。直接預測形狀通?？梢杂捎谛∧Ｐ拖禂?shù)，實現(xiàn)較好的精度錯誤可能導致大的關鍵點誤差。

預測困難

人臉姿勢

人臉遮擋

人臉表情

下期我們針對各種因素進行講解，并在流行的數(shù)據(jù)集上的實驗效果做詳細描述，最后給出未來趨勢及著重點。