论文部分内容阅读
近年来计算机视觉中和人脸相关的技术应用越来越广泛,人脸检测、人脸识别、人脸美化等课题的研究也日趋深入和成熟。随着这些技术应用到人们的日常生活中,一些实际问题也随着而来。如在绝大部分的人脸检测工具中,如果输入图片中人脸角度偏转过大,那么就无法检测出人脸。同时在人脸美丽的研究中,如果用于训练的特征不具有旋转不变性,那么人脸的偏转会给美丽评价产生很大的影响。因此在人脸美丽、人脸检测等系统中嵌入人脸方向检测模块是十分有必要的。本文提出了基于深度学习的人脸方向检测,并将该检测模型嵌入到基于i OS的人脸美丽评价系统“颜值达芬奇”中。本文的研究工作以及贡献如下:(1)利用卷积神经网络对在{0°,90°,180°,270°}四方向上的人脸图片进行分类学习。最后训练得到的FOC-CNN模型在测试集上的准确率为99.12%。(2)为了解决人脸美丽中因人脸的偏转而造成评价出现较大偏差的问题。本文利用卷积神经网络实现了在[-90°,90°]范围内对人脸方向进行回归预测。经过训练得到可用于[-90°,90°]范围内人脸方向预测的FOR-CNN网络模型,该模型的输出误差均值为9.25°。(3)实现了[0°,360°]范围内人脸方向的预测。本文提出将该训练任务分为{0°,90°,180°,270°}四方向分类任务和[-45°45°]范围内回归预测任务两个子任务。我们采用多任务卷积神经网络模型,在训练时过程将两个子任务都视为学习目标,经过反复的迭代训练得到FOMt-CNN模型。该模型在测试集上的误差均值为15.76°。经过实验结果对比,我们发现多任务训练模式提高了网络的学习能力。(4)最后,我们开发了一款名为“颜值达芬奇”的人脸美丽评价应用,该应用基于i OS系统。与其他相关i OS应用软件相比,“颜值达芬奇”具有美丽评价准确、交互良好等特点。