人脸识别之人脸对齐(八)--LBF算法
2017-11-29 10:35
211 查看
整体来看,其实 ,ESR是基础版本的形状回归,ERT将回归树修改为GBDT,由原始的直接回归形状,改进为回归形状残差,而LBF,是加速特征提取,由原来的像素差分特征池,改为随机选择点。
转自:http://blog.csdn.net/qq_14845119/article/details/53575091
基于LBF方法的人脸对齐,出自Face Alignment at3000 FPS via Regressing Local Binary Features,由于该方法提取的是局部二值特征(LBF),所以特征提取这个过程速度非常快,导致整个的算法都速快相当快,论文作者的LBF
fast达到了3000fps的速度,网上热心网友分享的程序也达到了近300fps的速度,绝对是人脸对齐方面速度最快的一种算法。因此,好多网友也将该方法称为,3000fps。
该方法主要体现在2个方面,
(1)LBF特征的提取
作者通过在特征点附近随机选择点做残差来学习LBF特征,每一个特征点都会学到由好多随机树组成的随机森林,因此,一个特征点就得用一个随机森林生成的0,1特征向量来表示,将所有的特征点的随机森林都连接到一起,生成一个全局特征,后续过程就可以使用该全局特征做全局线性回归了。
(2)基于cascade的级联的随机森林做全局线性回归
所谓的线性回归,其实就是一个不断迭代的过程,对于每一个stage中,用上一个stage的状态作为输入来跟新,产生下一个stage的输入,以此类推,直到达到最底层stage。
如上公式所示,I为输入图像,St-1为第t-1stage的形状,fait为t stage的特征匹配函数,Wt为线性回归矩阵。
训练过程,就是学习fait和wt的一个过程,测试过程就是用训练好的fait和wt对提取的LBF特征做回归的过程。
对于每个stage,越往下,所选择的随机点的范围就越小,特征点定位精度就越好。
本人下载的是c++版本的程序,最终的运行效果如下,
实际运行效果,速度绝对是人脸对齐中速度最快的一个算法了,精度的话,比起sdm来,还是逊色一点,尽管作者论文中分析的数据来看比sdm好,但是不得不承认,还是比sdm的精度差点。
github上热心网友的程序,
matab版本:https://github.com/jwyang/face-alignment
c++版本:https://github.com/yulequan/face-alignment-in-3000fps
转自:http://blog.csdn.net/qq_14845119/article/details/53575091
基于LBF方法的人脸对齐,出自Face Alignment at3000 FPS via Regressing Local Binary Features,由于该方法提取的是局部二值特征(LBF),所以特征提取这个过程速度非常快,导致整个的算法都速快相当快,论文作者的LBF
fast达到了3000fps的速度,网上热心网友分享的程序也达到了近300fps的速度,绝对是人脸对齐方面速度最快的一种算法。因此,好多网友也将该方法称为,3000fps。
该方法主要体现在2个方面,
(1)LBF特征的提取
作者通过在特征点附近随机选择点做残差来学习LBF特征,每一个特征点都会学到由好多随机树组成的随机森林,因此,一个特征点就得用一个随机森林生成的0,1特征向量来表示,将所有的特征点的随机森林都连接到一起,生成一个全局特征,后续过程就可以使用该全局特征做全局线性回归了。
(2)基于cascade的级联的随机森林做全局线性回归
所谓的线性回归,其实就是一个不断迭代的过程,对于每一个stage中,用上一个stage的状态作为输入来跟新,产生下一个stage的输入,以此类推,直到达到最底层stage。
如上公式所示,I为输入图像,St-1为第t-1stage的形状,fait为t stage的特征匹配函数,Wt为线性回归矩阵。
训练过程,就是学习fait和wt的一个过程,测试过程就是用训练好的fait和wt对提取的LBF特征做回归的过程。
对于每个stage,越往下,所选择的随机点的范围就越小,特征点定位精度就越好。
本人下载的是c++版本的程序,最终的运行效果如下,
实际运行效果,速度绝对是人脸对齐中速度最快的一个算法了,精度的话,比起sdm来,还是逊色一点,尽管作者论文中分析的数据来看比sdm好,但是不得不承认,还是比sdm的精度差点。
github上热心网友的程序,
matab版本:https://github.com/jwyang/face-alignment
c++版本:https://github.com/yulequan/face-alignment-in-3000fps
相关文章推荐
- 2017年人脸检测、人脸对齐、人脸识别源码
- 人脸识别之人脸对齐(二)--ASM算法
- 人脸识别之人脸对齐(三)--AAM算法
- 人脸识别之人脸对齐(四)--CLM算法及概率图模型改进
- 人脸识别之人脸对齐(一)--定义及作用
- 低分辨率、非对齐、视频监控数据中的人脸识别(LFW, YTF)+CVPR2013
- 人脸识别之人脸对齐(五)--ESR算法
- 人脸识别之人脸对齐(六)--ERT算法
- 人脸识别之人脸对齐(七)--JDA算法
- 人脸识别之人脸对齐(一)--定义及作用
- 【计算机视觉】人脸识别之人脸对齐(一)--定义及作用
- 人脸检测、对齐、识别相关资料收集
- 人脸识别之人脸对齐(二)--ASM算法
- 人脸识别之人脸对齐(三)--AAM算法
- 人脸识别之人脸对齐(四)--CLM算法及概率图模型改进
- 使用Dlib库进行人脸检测,人脸对齐和人脸识别
- 低分辨率、非对齐、视频监控数据中的人脸识别(LFW, YTF)+CVPR2013
- 人脸识别之人脸对齐(九)--SDM算法
- OpenCV+python 人脸识别
- 【OpenCV入门指南】第十三篇 人脸识别