基于深度学习的人脸关键点检测方法研究

发布时间：2025-07-09 02:03

　　人脸关键点检测是计算机视觉领域中的一项经典任务,具有重要的学术研究价值和商业应用前景。近年来,深度学习技术的兴起加速了其研发进程。大量基于深度学习的人脸关键点检测算法被提出,其中基于坐标回归和基于热图回归的两大类方法由于性能优越而备受青睐。坐标回归方法利用图像信息直接对人脸关键点的坐标值进行预测,而热图回归方法则将人脸关键点检测问题转换为热图估计问题进行求解。一般而言,热图回归方法的检测性能较好,但执行算法所需的时间相对较长,坐标回归方法的检测性能偏低,但执行算法所需的时间相对较短且更容易控制。本文对基于热图回归的人脸关键点检测算法进行了深入研究。首先借助于经典的堆叠沙漏网络实现了对人脸关键点的初步检测,其次针对原始沙漏网络存在的编码器特征提取能力相对较弱、解码器没有充分利用不同尺度特征之间的互补性等问题,提出了一种改进的堆叠沙漏网络,通过使用更强、更通用的特征提取器来替换原始的编码器,同时在解码器中嵌入多尺度特征融合模块,显著提高了网络的特征表达能力,取得了较好的人脸关键点检测效果。然而,上述基于热图回归的人脸关键点检测算法由于其不可微的后处理操作导致输出结果是离散数值,存在量化误差,...

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

图２．１人脸关键点检测的处理流程??与人体姿态估计不同，目前主流的人脸关键点检测算法均为自顶向下的方法，??

者则不需要借助于行人检测器，输入到姿态估计??器的是原始图像（需要经过大小调整）。两种方法各有千秋，其中，自顶向下的??方法由于将任务进行了分解，往往检测精度更高，但是由于第二步需要分别对检??测出的每个人进行单人姿态估计，因此检测时间和图像中的人体数目成正比；而??自底向上的方....

图２．２坐标回归网络示意图??坐标回归方法常用的损失函数主要有均方误差（Ｍｅａｎ?Ｓｑｕａｒｅ?Ｅｒｒｏｒ，?ＭＳＥ）损??

关键点坐标向量之间的非线性??映射，即直接从输入人脸图像中回归出人脸关键点坐标，这种方法被称为坐标回??归方法。２０１３年Ｓｕｎ等人首次将深度卷积神经网络应用到人脸关键点检测领域??［２Ｇ），就是利用的坐标回归方法。??坐标回归方法的输出即为人脸关键点坐标向量广！＾，；＾；；，；....

图２．?３热图回归网络示意图??

述???比，在训练时倾向于关注大的误差而忽略小的误差，而Ｌ１损失函数的梯度值始??终为１，不受误差值的影。实际上，目前基于深度学习的人脸关键点检测算法很??容易达到一个较为粗糙但可以接受的结果，导致不同算法间产生性能差距的主要??原因之一就在于模型对微小误差的优化程度，因此Ｌ１损....

图２．４?３００Ｗ数据集标注格式??（２）?ＡＦＬＷ＾ｌ：?ＡＦＬＷ是人脸关键点检测领域常用的数据集之一，该数据??集对每张人脸图像标注了?２１个关键点，标注格式如图２．５所示，一般的研宄工??

第２章本文相关知识概述???＇２°?＊２１?＞２２?，?２３?＾?．－２５?＜２６?＾??，２８?－０??”?，２９?，，７??＊３０??＊?１６??，２?＊３１??＾?２２．?３３＊?３＃?３￥?３６?？?１５??？３??＊?５１?＊?５２，Ｗ??，‘?－：ｒ，５５?＊，４??....

本文编号：4056969