Deep learning based methods

近年來，深度學(xué)習(xí)成為解決計(jì)算機(jī)視覺問題的常用工具。對于人臉關(guān)鍵點(diǎn)檢測和跟蹤，有從傳統(tǒng)方法向基于深度學(xué)習(xí)的方法轉(zhuǎn)變的趨勢。

在早期的工作中（Wu, Y., Wang, Z., Ji, Q.: Facial feature tracking under varying facial expressions and face poses based on restricted boltzmann machines. In: IEEE Conference on Computer Vision and Pattern Recognition, pp. 3452–3459 (2013)），深層Boltzmann模型，一個(gè)概率深度模型，被用來捕捉由于姿態(tài)和表情而引起的面部形狀變化，用于人臉里程碑的檢測和跟蹤。近年來，卷積神經(jīng)網(wǎng)絡(luò)模型成為人臉關(guān)鍵點(diǎn)檢測，主要是深度學(xué)習(xí)模型，并且大多采用全局直接回歸或級(jí)聯(lián)回歸框架。這些方法大致可分為純學(xué)習(xí)法和混合學(xué)習(xí)法。

純學(xué)習(xí)方法直接預(yù)測人臉關(guān)鍵點(diǎn)位置，而混合學(xué)習(xí)方法則將深度學(xué)習(xí)方法與計(jì)算機(jī)視覺投影模型相結(jié)合進(jìn)行預(yù)測。

Pure-learning methods

純學(xué)習(xí)方法：這類方法使用強(qiáng)大的CNNs模型從人臉圖像中直接預(yù)測關(guān)鍵點(diǎn)位置。在早期的工作中（Sun, Y., Wang, X., Tang, X.: Deep convolutional network cascade for facial point detection. In: IEEE Conference on Computer Vision and Pattern Recognition, pp. 3476–3483 (2013)），它以級(jí)聯(lián)的方式預(yù)測了五個(gè)人臉關(guān)鍵點(diǎn)。在第一層，它應(yīng)用一個(gè)包含四個(gè)卷積層的CNN模型（下圖）來預(yù)測由面部邊界框確定的人臉圖像的關(guān)鍵點(diǎn)位置。然后，幾個(gè)淺層網(wǎng)絡(luò)對每個(gè)點(diǎn)進(jìn)行局部細(xì)化。

從那以后，在兩個(gè)方向上都比早起某些工作有一些改進(jìn)。在第一個(gè)方向上，（Zhang, Z., Luo, P., Loy, C., Tang, X.: Facial landmark detection by deep multi-task learning. In: European Conference on Computer Vision, Part II, pp. 94–108(2014)和Zhang, Z., Luo, P., Loy, C.C., Tang, X.: Learning deep representation for face alignment with auxiliary attributes. IEEE Transactions on Pattern Analysis and Machine Intelligence 38(5), 918–930 (2016)）利用多任務(wù)學(xué)習(xí)的思想來提高性能。直覺是，多個(gè)任務(wù)可以共享相同的表示，它們的聯(lián)合關(guān)系將提高單個(gè)任務(wù)的性能。例如，多任務(wù)學(xué)習(xí)與CNN模型相結(jié)合，共同預(yù)測面部特征、面部頭部姿態(tài)、面部屬性等。在該工作（Ranjan, R., Patel, V.M., Chellappa, R.: Hyperface: A deep multi-task learning framework for face detection, landmark localization, pose estimation, and gender recognition. CoRR abs/1603.01249 (2016). URL http://arxiv.org/abs/1603.01249）提出了一個(gè)類似的多任務(wù)CNN框架，以聯(lián)合執(zhí)行人臉檢測、地標(biāo)定位、姿態(tài)估計(jì)和性別識(shí)別。不同的是它結(jié)合了多個(gè)卷積層的特征，以利用粗特征表示和精細(xì)特征表示。

在第二個(gè)方向上，一些工作改進(jìn)了方法的級(jí)聯(lián)程序（Sun, Y., Wang, X., Tang, X.: Deep convolutional network cascade for facial point detection. In: IEEE Conference on Computer Vision and Pattern Recognition, pp. 3476–3483 (2013)）。例如，某paper構(gòu)造了類似的級(jí)聯(lián)CNN模型來預(yù)測更多的點(diǎn)(68個(gè)關(guān)鍵點(diǎn)而不是5個(gè))（Zhou, E., Fan, H., Cao, Z., Jiang, Y., Yin, Q.: Extensive facial landmark localization with coarse-to-fine convolutional network cascade. In: IEEE International Conference on Computer Vision Workshops, pp. 386–391 (2013)）。它從所有68個(gè)點(diǎn)的預(yù)測開始，并逐步將預(yù)測分解為局部的面部成分。在該paper（Zhang, J., Shan, S., Kan, M., Chen, X.: Coarse-to-fine auto-encoder networks (CFAN) for real-time face alignment. In: European Conference on Computer Vision, Part II, pp. 1–16 (2014)）中，深層自動(dòng)編碼器模型用于執(zhí)行相同的級(jí)聯(lián)關(guān)鍵點(diǎn)搜索。而在（Trigeorgis, G., Snape, P., Nicolaou, M.A., Antonakos, E., Zafeiriou, S.: Mnemonic descent method: A recurrent process applied for end-to-end face alignment. In: IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 4177–4187. Las Vegas, NV, USA (2016)）中，Trigeorgis等人沒有以級(jí)聯(lián)的方式訓(xùn)練多個(gè)網(wǎng)絡(luò)，訓(xùn)練了一種深度卷積遞歸神經(jīng)網(wǎng)絡(luò)(RNN)，用于端到端面部關(guān)鍵點(diǎn)的檢測，以模擬級(jí)聯(lián)行為。級(jí)聯(lián)階段嵌入到RNN的不同時(shí)間切片中。

Hybrid deep methods

混合深度方法將CNN與3D視覺相結(jié)合，如投影模型和三維形變形狀模型(上圖)。它們不是直接預(yù)測二維面部關(guān)鍵點(diǎn)位置，而是預(yù)測三維形狀可變形模型系數(shù)和頭部姿態(tài)。然后，通過計(jì)算機(jī)視覺投影模型確定二維關(guān)鍵點(diǎn)位置。例如，（Zhu, X., Lei, Z., Liu, X., Shi, H., Li, S.: Face alignment across large poses: A 3d solution. In: IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas, NV (2016)）建立了一個(gè)密集的三維人臉模型。然后，采用迭代級(jí)聯(lián)回歸框架和深度CNN模型對三維人臉形狀系數(shù)和姿態(tài)參數(shù)進(jìn)行更新。在每一次迭代中，利用視覺投影模型將三維形狀投影到二維，并將二維形狀作為CNN回歸預(yù)測模型的附加輸入，以融合目前估計(jì)的三維參數(shù)。類似地，（Kanade, T., Cohn, J.F., Tian, Y.: Comprehensive database for facial expression analysis. In: IEEE International Conference on Automatic Face and Gesture Recognition, pp. 46–53）在第一個(gè)級(jí)聯(lián)CNN模型中使用整個(gè)面部外觀來預(yù)測三維形狀參數(shù)和姿態(tài)的更新，而在后期級(jí)聯(lián)CNN模型中使用局部斑塊來細(xì)化關(guān)鍵點(diǎn)。

與純學(xué)習(xí)方法相比，混合方法的三維形狀變形模型和姿態(tài)參數(shù)是表示二維關(guān)鍵點(diǎn)位置的更為緊湊的方法。因此，CNN中需要估計(jì)的參數(shù)較少，形狀約束可以顯式地嵌入到預(yù)測中。此外，由于引入了三維姿態(tài)參數(shù)，它們可以更好地處理姿態(tài)變化。

三大類之間的關(guān)系分析

在之前講解中，我們討論了面部表情三種主要類別中的關(guān)鍵點(diǎn)檢測方法：整體方法、約束局部方法(CLM)和基于回歸的方法。三種主要的方法存在著相似之處和相互關(guān)系。

首先，整體方法和CLMs都將使用顯式構(gòu)造的面部形狀模型捕捉全局面部形狀模式，這些模型通常在它們之間共享。CLMs改進(jìn)了整體方法，因?yàn)樗鼈兪褂镁植客庥^，而不是整體的面部外觀。所需的動(dòng)機(jī)是將整體的面部外觀建模更困難，并且局部圖像修補(bǔ)程序與整體外觀模型相比，光照改變和面部遮擋更加魯棒。

第二，基于回歸的方法，尤其是用于級(jí)聯(lián)回歸方法與整體AAM共享相似的直覺。例如，它們通過擬合外觀來估計(jì)關(guān)鍵點(diǎn)，并且它們?nèi)靠梢员慌渲瞥煞蔷€性的平方問題。然而，整體方法預(yù)測2D形狀，外觀模型系數(shù)通過擬合整體外觀模型，而級(jí)聯(lián)回歸方法直接通過擬合局部外觀而不顯式2D形狀模型來預(yù)測關(guān)鍵點(diǎn)。該配件整體方法的問題可以用基于LearnBased的方法或分析方式來解決，如前面所討論的那樣，所有級(jí)聯(lián)回歸方法執(zhí)行通過學(xué)習(xí)進(jìn)行估計(jì)。雖然整體模型的基于學(xué)習(xí)的擬合方法通常使用相同的方法，用于以迭代方式進(jìn)行系數(shù)更新的模型，級(jí)聯(lián)回歸方法以級(jí)聯(lián)方式學(xué)習(xí)不同的回歸模型。

AAM模型在之前討論為一種特定類型的整體方法非常類似于監(jiān)督下降方法(SDM)（Xiong, X., De la Torre Frade, F.: Supervised descent method and its applications to face alignment. In: IEEE International Conference on Computer Vision and Pattern Recognition (2013)）作為一種特定類型的方法級(jí)聯(lián)回歸方法。兩個(gè)級(jí)聯(lián)學(xué)習(xí)從形狀索引特征到形狀(系數(shù))更新的映射的模型。經(jīng)訓(xùn)練的模型在當(dāng)前級(jí)聯(lián)階段中，將修改訓(xùn)練用于在下一狀態(tài)下訓(xùn)練回歸模型的數(shù)據(jù)。雖然以前的整體方法適合整體外觀并預(yù)測模型系數(shù)，但SDM擬合局部外觀并預(yù)測關(guān)鍵點(diǎn)位置。

第三，在CLM中使用的基于regressional的局部外觀模型中存在相似性。之前的基于回歸方法，兩者都預(yù)測從關(guān)鍵點(diǎn)位置的初始猜測的位置更新。以前的方法獨(dú)立地預(yù)測每個(gè)關(guān)鍵點(diǎn)位置，而后來的方法預(yù)測它們是聯(lián)合的，形狀約束可以隱式嵌入。以前的方法通常執(zhí)行一步預(yù)測，相同的回歸模型，而后面的方法可以以級(jí)聯(lián)方式應(yīng)用不同的回歸函數(shù)。

第四，與整體方法和約束局部方法相比，基于回歸的方法可能會(huì)更有希望。基于回歸的方法繞過顯式面部形狀建模并隱式嵌入人臉形狀模式約束?；诨貧w的方法直接預(yù)測關(guān)鍵點(diǎn)，而不是整體方法中的模型系數(shù)。直接預(yù)測形狀通常可以由于小模型系數(shù)，實(shí)現(xiàn)較好的精度錯(cuò)誤可能導(dǎo)致大的關(guān)鍵點(diǎn)誤差。

預(yù)測困難

人臉姿勢

人臉遮擋

人臉表情

下期我們針對各種因素進(jìn)行講解，并在流行的數(shù)據(jù)集上的實(shí)驗(yàn)效果做詳細(xì)描述，最后給出未來趨勢及著重點(diǎn)。