人脸轮廓检测与跟踪

人脸轮廓检测与跟踪是一门利用计算机视觉和模式识别技术，实现对人脸关键特征区域定位与持续追踪的科学技术。本文讨论的这篇论文提出了利用约束学习模型（Constrained Learning Model, CLM）快速进行人脸轮廓检测与跟踪的方法，这在非刚性对象对齐与跟踪领域相比于其他整体方法（例如活动外观模型AAMs）取得了较好的性能。 从内容提供的摘要来看，文章主要讨论了CLMs在非刚性对象对齐/跟踪中的性能表现，并针对局部搜索响应的全局扭曲更新优化中存在的问题，提出了一种新的优化方法。即通过在每个局部区域响应表面上强制凸性来有效地优化全局扭曲更新。此外，该论文还指出传统的Lucas-Kanade梯度下降图像对齐方法可以被视为所提出的框架的一个特例。 在引言部分，作者们提出了一种基于约束局部模型（CLM）框架的新区分性方法来进行非刚性对象注册。CLM能够通过在源图像的局部搜索区域内应用一组斑块/区域专家集合来注册非刚性对象。CLM相较于传统的非刚性注册方法（如AAMs）有着显著的优势，包括： 1. CLM具有区分性，并且能够很好地泛化到未见过的外观变化； 2. 对于全局光照变化和遮挡具有更好的不变性； 3. 将非刚性对象建模为一组低维独立的斑块专家的集合； 4. 不需要模板。 在后续部分，作者详细描述了CLM的原理，并阐述了如何使用CLM框架来估计对象的全局非刚性形状。CLM框架首次由Cristinacce和Cootes提出，能够通过应用一系列专家来定位源图像中的局部搜索区域内的非刚性对象。通过适当选择非刚性形状先验，这些局部区域的响应表面随后在联合优化过程中被用来估计对象的全局非刚性形状。 此外，论文还分析了当应用到CLMs时，通用优化器（例如单纯形方法）和基于图的优化技术存在的问题，并通过提出一种新的方法来克服这些问题。新方法通过在每个局部区域响应表面上强制凸性，以一种更高效的方式优化全局扭曲更新。 论文通过在MultiPIE数据库和UNBC-McMaster档案上的非刚性面部对齐/跟踪任务，证明了所提出方法的改进性能。该论文表明，通过使用这种优化全局扭曲更新的新方法，可以有效提高人脸轮廓检测与跟踪的准确性和效率。