基于SVR的人脸特征点自动标定.pptVIP

基于SVR的人脸特征点自动标定 报告人：刘 银 2012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 人脸特征点自动标定 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。 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。 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 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。 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。 三、实验及分析 IMM人脸库 IMM人脸库，包含40人×6幅人脸图像，如下图所示： IMM人脸库 每幅人脸图像有58个特征点，如下图所示： 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。 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。 实验一结果 实验结果如下表所示： M Err VP ERBF PP ERBF VP 线性 PP 线性 正面 微笑 1.5644 1.4999 1.4894 1.2718 左30° 1.7750 1.8384 1.8122 1.6395 右30° 2.0551 2.0408 2.1741 1.8438 左侧 聚光 1.5225 1.4868 1.2397 1.1594 平均 ERR 1.7293 1.7165 1.6789 1.4786 实验一结果 M Err VP POLY PP POLY VP RBF PP RBF 正面 微笑 1.4727 1.2688 1.5645 1.6519 左30° 1.8075 1.6381 1.7748 1.9303 右30° 2.1847 1.8388 2.0550 2.1288 左侧 聚光 1.2378 1.1498 1.5234 1.5899 平均 ERR 1.6757 1.4739 1.7294 1.8252 实验一结果 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。 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： ERR 正面微笑 左30° 右30° 左侧聚光 平均 误差 SVR_PP 1.2688 1.6381 1.8388 1.1498 1.4739 SVR_PP+ FSLR 1.2857 1.6593 1.8848 1.1624 1.4981 实验二 问题： 人脸局部特征点如何划分？ 其他人脸库？ 谢谢！ 报告人：刘 银 2012年05月23日