笔者按：你可能在一些手机软件上已经看到了给人脸增长特效的app，它们将一些可爱有趣的物体添加到自拍视频中，有些更有趣的还能检测神情主动选择响应的物体。这篇文┞仿将会科普一种应用深度进修进行人脸神情检测的办法，并扼要介绍下传统的检测办法。
在以前，检测面部及其特点，包含眼睛、鼻子、淄?棘甚至大年夜它们的外形中提取神情是异常艰苦的，而如今，这项义务可以经由过程深度进修“神奇”地获得解决，任何一个聪慧的年青人都可以在几个小时内完成。雷锋网 AI 科技评论编译的┞封篇来自佐治亚理工大年夜学学生 Peter Skvarenina 的文┞仿将介绍这一实现办法。
“传统”的办法(CLM)
假设你和我一样，如今须要进行人脸追踪(在这篇文┞仿的情况下，是指将一小我的面部动作经由过程收集摄像头同步到一个动画人物上去)，你可能会发明，以前实现这个义务最好的算法是局部束缚模型(CLM)，基于Cambridge Face Tracker或者OpenFace。这种办法是将检测的义务进行分化，分成检测外形向量特点(ASM)、布丁图像模板(AAM)和应用预先练习的线性SVM进行检测优化这几个步调一一处理。
起首对关键点进行粗略估计，然后应用含有部分人脸信息的预练习的图像进行SVM处理，同时对关键点的地位进行校订。反复这个过程多次，直到其产生的误差低于我们的请求。别的，值得一提的是，这一办法假定了图像上的人脸地位已经被估计，如应用Viola-Jones检测器(Haar级联)。然则，这种办法异常复杂并不是高中级其余学生可以随便马虎实现的，整体架构如下：
深度进修(Deep Learning)
为了实现文一一开端提到的，使得青少年可以进行人脸检测的目标，我们向大年夜家介绍深度进修的办法。在这里，我们将会应用一种异常简单的卷积神经收集(CNN，convolutional neural network)并在一些含有人脸的图像长进行人脸重要部位的检测。为此，我们起首须要一个练习的数据库，这边我们可以应用Kaggle供给的人脸部位辨认挑衅赛的数据库，包含15个关键点;或者一个更复杂些的数据库MUCT，它有76个关键点(超棒的!)。
很显然的，有质量的图像练习数据库是必弗成少的，这里，我们向“可怜的”本科学生致敬，他们为了卒业“就义”了本身的时光和精力对这些图像进行了标注，大年夜而使得我们可以进行这些有趣的实验。
如下是基于Kaggle数据库的巴洛克面部和关键点的样子：
这个数据库是由灰度96*96分辨率的图像构成的，并且有15个关键点，分别包含两个眼睛各5个点、鼻子嘴巴共5个点。
对于任何一个图像来说，我们起重要对脸部进行定位，即应用上文提到的Viola-Jones检测器并基于Haar级联架构(如不雅说你细心看看这一实现过程，会发明它与CNN的概念邻近)。如不雅你想更近一步，也可以应用全卷积收集(FCN，Fully Convolutional Network)并应用深度猜测进行图像瓜分。
好了!如今你已经学会了怎么去检测面部关键点了!
不管你应用什么办法，这对OpenCV来说都很简单：
- Grayscale_image = cv2.cvtColor(image, cv2.COLOR_RGB2GRAY)
- face_cascade =
- cv2.CascadeClassifier(‘haarcascade_frontalface_default.xml’
- )
- bounding_boxes =
- face_cascade.detectMultiScale(grayscale_image, 1.25, 6)
应用如上的几行代码，可将图像中的人脸框出来。
然后，对每一个返回的人脸框，我们提取个中响应的子图像，将它们调剂到灰度图像并将尺寸转换为96*96。新产生的图像数据则成为了我们完成的CNN收集的输入。CNN的架构成取最通用的，5*5的卷积层(实际上是3个layer，每层分别是24、36和48个ReLU)，然后用2个3*3的卷积层(每个有64个ReLU)，最后应用3个全连接层(包含500、90和30个单位)。同时应用Max Pooling来避免过拟归并应用global average pooling来削减腻滑参数的数量。这一架构的最终输出结不雅是30个浮点数，这对应着15个关键点每个的想x,y坐标值。
推荐阅读
办事器中的 “U” 代表什么意思 ?“U”在办事器范畴中特指机架式办事器厚度，是一种表示>>>详细阅读
地址：http://www.17bianji.com/lsqh/37128.html
1/2 1
网友点评
精彩导读
科技快报
品牌展示