摘要: 人脸关键点检测技术是一种可以自主定位面部信息和面部轮廓周围的基准面部标志点的技术。目前想要精确的检测到关键点位置，仍然存在很多困难，原因是人脸的面部情况通常会受到很多因素的影响，例如不同的光线、存在阴影、遮挡、或者当人做出大幅度表... 展开 人脸关键点检测技术是一种可以自主定位面部信息和面部轮廓周围的基准面部标志点的技术。目前想要精确的检测到关键点位置，仍然存在很多困难，原因是人脸的面部情况通常会受到很多因素的影响，例如不同的光线、存在阴影、遮挡、或者当人做出大幅度表情等。目前，除了单独使用卷积神经网络以外，近几年还出现许多卷积神经网络与结构模型的结合形式，来有效提高检测效率。本文主要对国内外的人脸关键点检测算法进行了研究并加以改进，文章的主要内容包括以下几个方面: (1)搭建了CNN-CRF模型，它是将卷积神经网络、条件随机场二者相结合产物。将卷积神经网络与条件随机场结合起来，产生关键点位置的结构化概率预测,可以明确地捕捉由姿势和变形引起的结构关系变化。 (2)设计了基于深度卷积神经网络和概率模型结合的人脸关键点检测方法VoVNet-CRF,在CNN-CRF的基础上，将CNN替换为效率较高的VoVNet网络，其中一次性聚合模块OSA具有多个感受野的多样化特征，在最后的特征图中只聚合一次所有特征，解决了线性增加密集连接的输入通道的问题。 (3)设计了新的损失函数，与以前使用的损失函数不同，新增损失函数后有效的弥补了原有损失函数存在的一些缺点，简化训练过程的同时提升了检测效果。 综上所述，本文提出了基于VoVNet-CRF的人脸关键点检测模型，并且结合交替训练的方法，从而实现对关键点位置的定位，实验显示，该模型在重点检测数据集方面表现优异。 收起