针对人脸关键点检测(人脸对齐)在应用场景下的速度和精度需求, 首先在 SSD基础之上融合更多分布均匀的特征层, 对人脸框坐标进行级联预测, 形成对于多尺度人脸信息均具有更加鲁棒响应的深度学习检测器 MR-SSD。其次在局部二值特征 LBF的级联形状回归方法基础上, 提出了基于面部像素差值的多角度初始化算法。采用端正人脸正负 90°倾斜范围内的五组特征点形状进行初始化, 求取每组回归后形状的眼部特征点像素均方差值并以最大者对应方案作为最终回归形状, 从而实现对多角度倾斜人脸优异的拟合效果。本文所提出的最优架构可以实时获得极具鲁棒性的人脸框坐标并且可实现对于多角度倾斜人脸的关键点检测。

人脸对齐是人脸识别系统中的一个核心部分, 定位的准确性和定位速度直接影响到人脸识别的效果。人脸图像存在不同姿态、不同表情、不同光照条件等因素的影响, 真实场景下的人脸对齐成为一个难题。本文提出了一种基于SURF特征的栈式自编码网络人脸对齐方法, 首先通过粗糙定位网络找到近似人脸特征点, 并提取局部的SURF特征, 输入到局部细化网络, 通过级联结构, 进一步精确化人脸特征点的具体位置。最后, 在人脸数据集AFLW和HELEN上与近几年的对齐方法进行对比实验, 平均错误率8.80%, i5四核CPU, 2.3 Hz主频硬件平台下计算时间76 ms。我们的人脸对齐方法在真实场景下(包括单人和多人)具有较好的鲁棒性, 可以实现准确定位。