人脸检测对齐--Joint Cascade Face Detection and Alignment

Joint Cascade Face Detection and Alignment ECCV2014 https://github.com/kensun0/Joint_Cascade_Face_Detection_And_Alignment https://github.com/FaceDetect/jointCascade_py

本文是早期的将人脸检测和对齐相结合的文献,利用人脸特征点的空间位置分布规律作为一个判断人脸有无的辅助信息

2 Alignment Helps Detection: a Post Classifier 这里首先通过后验分类器的方式来验证 人脸对齐 对人脸检测是有帮助的。 这里我们用一个 opencv 低阈值的 Viola-Jones detector 来检测人脸,人脸基本没有遗漏,但是虚警区域也很多。我们使用了一个 SVM 分类器来过滤 这里我们使用了三类特征训练了三个 SVM,三组特征如下: 1) we divide the window into 6*6 non-overlapping cells and extract a SIFT descriptor in each cell. 2)we use a fixed mean face shape with 27 facial points and extract a SIFT descriptor centered on each point. 3)we align the 27 facial points using the alignment algorithm in [21] and extract a SIFT descriptor centered on each point.

上面的结果得出的结论就是 人脸对齐对于人脸检测是有帮助的。但是这种后验分类器的方式不是很好。brute force and too slow

3 A Unified Framework for Cascade Face Detection and Alignment 这里我们的目标是提出一个统一的框架来完成 级联人脸检测和对齐

首先来看看级联检测 Cascade Detection 级联检测使用了若干个弱分类器组合,对于一个测试图像块 X,弱分类器是 sequentially evaluated,如果某一个弱分类器的分类器置信度达不到一定的阈值,则直接拒绝该图像块,也就是该图像块不包含人脸。Therefore, the cascade detection is very fast because most negative image windows are rejected after evaluating only a few weak classifiers.

Cascade Alignment 级联人脸对齐 文献【19】提出一个 pose regression framework,后来用于人脸对齐效果很好。 给定一个初始人脸位置,通过若干个 regression function , It adds an increment to the estimated shape from the previous stage S(t-1) . It is learnt to minimize the shape residual error between the ground truth shape ^S and estimated shape in the current stage

5 Experiments

we detect faces larger than 80 × 80 in a VGA image. Our detector takes 28.6 milliseconds using single thread on a 2.93 GHz CPU In the runtime, our detector needs only 15MB memory

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器学习算法原理与实践

支持向量机原理(五)线性支持回归

    在前四篇里面我们讲到了SVM的线性分类和非线性分类,以及在分类时用到的算法。这些都关注与SVM的分类问题。实际上SVM也可以用于回归模型,本篇就对如何将...

1093
来自专栏机器之心

ECCV 2018 | 微软亚洲研究院与北京大学共同提出用于物体检测的可学习区域特征提取模块

作者:Jiayuan Gu、Han Hu、Liwei Wang、Yichen Wei、Jifeng Dai

772
来自专栏小鹏的专栏

反向传播与它的直观理解

为了感谢大神,我是跪在电脑前fork的。 问题描述与动机: 大家都知道的,其实我们就是在给定的图像像素向量x和对应的函数f(x),然后我们希望能够计算f在...

2029
来自专栏郭耀华‘s Blog

平均精度均值(mAP)——目标检测模型性能统计量

  在机器学习领域,对于大多数常见问题,通常会有多个模型可供选择。当然,每个模型会有自己的特性,并会受到不同因素的影响而表现不同。

1072
来自专栏王相军的专栏

小菜鸟对周志华大神gcForest的理解

花了一下午时间学习了周志华教授的新paper——《Deep Forest: Towards An Alternative to Deep Neural Netw...

4K2
来自专栏企鹅号快讯

形象理解卷积神经网络(二)——卷积神经网络在图像识别中的应用

卷积神经网络之父YannLeCuu在1988年提出卷积神经网络时,将这种网络命名为LeNet。现在的卷积神经网络都是基于类似LeNet的网络构架。下图是一个简单...

29810
来自专栏机器学习算法与Python学习

Machine Learning -- Boosting

本来想写随机森林的但是由于其中用到了太多提升的思想,所以就先整理整理提升的相关概念。 Boosting方法是一种用来提高弱分类算法准确度的方法,这种方法通过构造...

3396
来自专栏机器之心

入门 | 机器学习新手必看10大算法

35311
来自专栏AI研习社

大白话解释模型产生过拟合的原因!

今天郭江师兄在实验室讲解了全体机器学习会第一章的知识,大家讨论了一下过拟合的知识,这里我根据自己的理解,整理了一下原因,力求同最通俗的语言来描述,可能不是太严谨...

3685
来自专栏机器之心

专栏 | MSRA视觉组最新研究:可变形卷积网络

MSRA 视觉组 作者:代季峰、齐浩之、熊郁文、李益、张国栋、胡翰、危夷晨 近日一篇名为《可变形卷积网络(deformable convolutional ne...

4028

扫码关注云+社区

领取腾讯云代金券