1 / 22

基于SVR的人脸特征点自动标定

基于SVR的人脸特征点自动标定. 报告人：刘 银. 20 12年05月23日. 报告提纲. 人脸特征点自动标定 支持向量回归 实验及分析. 人脸特征点自动标定. 人脸特征点自动标定. 正面. 非正面. 人脸特征点自动标定. 通过训练，得出正面和非正面人脸特征点之 间的关系R。当有新的输入 时，由下式，便可以计算出非正面特征点的位置 。. 支持向量回归. 支持向量回归. 基于统计学习理论的 SVM 原先是为求解小样本模式识别问题提出的，后来被推广应用于回归估计。

ananda
Download Presentation

基于SVR的人脸特征点自动标定

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. 基于SVR的人脸特征点自动标定 报告人：刘 银 2012年05月23日

  2. 报告提纲 人脸特征点自动标定 支持向量回归 实验及分析

  3. 人脸特征点自动标定

  4. 人脸特征点自动标定 正面 非正面

  5. 人脸特征点自动标定 通过训练，得出正面和非正面人脸特征点之 间的关系R。当有新的输入 时，由下式，便可以计算出非正面特征点的位置 。

  6. 支持向量回归

  7. 支持向量回归 基于统计学习理论的SVM原先是为求解小样本模式识别问题提出的，后来被推广应用于回归估计。 支持向量回归（SVR）本质上可以理解为：首先运用非线性映射把原始空间中数据映射到高维特征空间，然后在高维特征空间中进行线性回归，构造出最优的线性函数。

  8. 支持向量回归 SVR最终目的是最小化正则风险函数 其中， 为正则化参数，m是训练样本数， 为不敏感参数，由它定义的损失函数为

  9. 基于SVR的人脸特征点自动标定 若已知m个训练样本 ，其中 是输出集合中第i个形状向量， 为输入集合中第i个形状向量，训练推断出两者之间的函数为 ，它能够模拟人脸形状向量随姿态、表情、光照的变化。

  10. 基于SVR的人脸特征点自动标定 根据输入集和输出集中人脸特征点之间的对应关系，可以将回归模型分为： • 密集型（VP），人脸特征点之间完全相关，每个特征点的位置及局部位移与整个形状向量有关。 • 完全稀疏型（PP），人脸特征点之间是完全独立的，每个特征点的位置及局部位移只和它本身有关。

  11. 三、实验及分析

  12. IMM人脸库 IMM人脸库，包含40人×6幅人脸图像，如下图所示：

  13. IMM人脸库 每幅人脸图像有58个特征点，如下图所示：

  14. 实验一 Leave-One-Out Cross Validation（LOO-CV） 将IMM库中每个样本单独作为测试集，其余的样本作为训练集，进行40次训练，用这40次训练得到的平均误差作为评价回归模型的性能指标。

  15. 实验 采用点对点误差来评价回归模型的预测精度， 其中x为手工标定的形状向量x轴坐标，x'为预测的形状向量x轴坐标，y、y'与x、x'类似。

  16. 实验一结果 实验结果如下表所示：

  17. 实验一结果

  18. 实验一结果

  19. 实验一结论 从实验结果中，可以看出： • 除采用RBF核函数时，完全稀疏回归模型结果优于密集的回归模型。 • 核函数选择对实验结果有一定影响，IMM人脸上POLY核函数的结果是最佳的。 • 采用SVR方法能够进行人脸特征点的预测，但是人脸下巴部分的预测结果并不理想。

  20. 实验二 将下巴部分的特征点单独进行FSLR回归，其他部位的特征点做SVR_PP回归，选择POLY核函数，结果如下：

  21. 实验二 问题： • 人脸局部特征点如何划分？ • 其他人脸库？

  22. 谢谢！ 报告人：刘 银 2012年05月23日

More Related