人脸对齐--Pose-Invariant Face Alignment with a Single CNN

Pose-Invariant Face Alignment with a Single CNN ICCV2017 http://cvlab.cse.msu.edu/project-pifa.html 4.3 FPS on a Titan X GPU

本文是解决 large-pose face alignment (LPFA)的，所谓的 large face poses 如 profile views with ±90 度 yaw angles 针对大姿态的人脸对齐问题，目前主流的方法是采用 a cascade of CNN regressors 结合不同类型的回归设计和特征提取方法。 目前 the cascade of CNNs 在大姿态的人脸对齐问题上主要存在以下三个问题： 1） Lack of end-to-end training 目前存在的方法， at each cascade stage CNN网络通常是独立训练的。有的甚至是每个阶段使用多个独立的CNN网络，例如不同的特征点的定位使用不同的 CNN网络，然后再综合起来。 these CNNs can not be jointly optimized and might lead to a sub-optimal solution 2） Hand-crafted feature extraction 因为后一个阶段的CNN的输入依赖于前一个阶段的 CNN输出，导致每个CNN只能是 shallow CNNs，所以 this framework can not extract deep features 3） Slow training speed 每个CNN独立训练，导致整个网络的训练很慢

为了解决上述问题，我们提出了一个 visualization layer

这里写图片描述

proposed CNN architecture

这里写图片描述

3.1. 3 D and 2 D Face Shapes 这里基本的思路是 人脸实际上是一个3D 物体，图像中的人脸是一个 2D shape， 这个 2D shape 对应着一个 3D shape ，我们希望通过特征点的对应来得到 2D shape 和 3D shape 的对应关系中的参数，最终我们是通过 CNN网络来学习这些对应参数的

3D face model

这里写图片描述

这里写图片描述

visualization block

这里写图片描述

这里写图片描述

3.3. Visualization Layer 我们这里使用 Z-Buffering 中的 z coordinate of surface normals of each vertex, transformed with the pose. It is an indicator of “frontability” of a vertex, i.e., the amount that the surface normalispointingtowardsthecamera. Thisquantityisused to assign an intensity value at its projected 2D location to construct the visualization image

这里写图片描述

Experimental Results

这里写图片描述

这里写图片描述

The testing speed of proposed method is 4.3 FPS on a Titan X GPU. It is much faster than the 0.6 FPS speed of [18] and is similar to the 4 FPS speed of [40]