مکان یابی نقاط راهنمای چهره با مقداردهی اولیه نقاط راهنما از طریق آموزش ویژگی‌های باینری محلی و هیستوگرام گرادیان جهت‌ دار

چهره نقش مهمی در برقراری ارتباط بصری ایفا می کند. با نگاه به چهره، انسان می تواند به طور خودکار بسیاری از پیام های غیر کلامی، مانند هویت، قصد و احساسات انسان را استخراج کند. در بینایی کامپیوتر، برای استخراج خودکار اطلاعات چهره، مکان یابی نقاط کلیدی چهره معمولا یک مرحله کلیدی است و بسیاری از روش های تحلیل چهره بر روی آشکارسازی دقیق این نقاط برجسته ساخته می شوند. مکان یابی و تنظیم نقاط راهنمای چهره در تصاویر با انسداد یک کار بسیار مهم و چالش برانگیز در بسیاری از کارهای بینایی و پردازش تصویر می باشد. در این تحقیق، روش جامع برای مقداردهی اولیه نقاط راهنمای چهره از طریق آموزش ویژگی های باینری محلی(lbp) و هیستوگرام گرادیان جهت دار(hog) و یک روش آشکارسازی نقاط راهنمای چهره با استفاده از رگرسیون حالت آبشاری قوی نقاط راهنما که به صورت ویژگی های تفاوت پیکسل نقاط راهنما مشخص می شود، معرفی شده است. ابتدا از طریق آنالیز همبستگی هیستوگرام الگوی های باینری محلی(lbp) و سپس با استفاده از هیستوگرام گرادیان جهت دار، ویژگی های چهره های آموزشی بدست می آید. با استفاده از این ویژگی های تصاویر آموزشی، نقاط راهنمای بهینه برای تصویر تست تخمین زده می شود. در مرحله تست با توجه به مقدار دهی اولیه تصویر، از انتخاب ویژگی مناسب برای تصویر استفاده می گردد تا سرعت انجام فرآیند بیشتر شود. یعنی تعداد مراحل با توجه به انتخاب ویژگی بهتر برای هر تصویر کمتر شود. سپس برای تنظیم چهره، از رگرسیون حالت آبشاری قوی استفاده می شود و یک اصل محلی برای یادگیری ویژگی های نقاط راهنما به کار گرفته می شود. اصل محلی کمک می کند تا مجموعه ای از ویژگی های باینری بسیار متمایز کننده برای نقاط راهنمای چهره به صورت مستقل یاد گرفته شود. ویژگی های باینری محلی بدست آمده برای یادگیری مشترک رگرسیون حالت آبشاری برای خروجی نهایی مورد استفاده قرار می گیرد. نتایج نشان می دهد که مقداردهی اولیه مورد استفاده در این کار دقت ارزیابی را در رگرسیون حالت آبشاری بیشتر کرده است و به نتایج بهتری نسبت به مقداردهی اولیه تصادفی دست یافته است.

Facial landmark localization by initializing the landmark points through training of local binary properties and histogram of oriented gradient

Face plays an important role in visual communication. By looking at the face, it can be automatically extracted many nonverbal messages, such as identity, intention, and emotion. In computer vision, localization of the key points of the face is usually a key step for automatic extraction of face information, and many facial analysis techniques are built on the precise recognition of these embossed. Facial landmark detection and alignment in images with occlusion is a very important and challenging task in many visual and image processing tasks. In this paper, a comprehensive method for initialization and alignment of facial landmark through training of local binary features (LBP) and histogram orientated gradient (HOG) and a facial landmark detection method using robust cascade pose regression, which are specified as pixel difference features of landmarks, is introduced. At first, by analyzing the correlation of the local binary pattern histogram (LBP) and then by using histogram orientated gradient, the features of the training images are obtained. For the test image using these features the instructional images are estimated as optimal guide points. In the test stage, according to initialization of the image, the selection of the appropriate feature for the image is used to speed up the process, which means the number of steps to be chosen for each image is better. A strong cascade mode regression is then used to adjust the face, and a local principle is applied to learn the features of the guide points. The local principle helps to learn a set of highly distinctive binary features for the face guide points independently; these local binary features are used to jointly learn the cascade mode regression for the final output. The results show that the initialization used in this work has increased the accuracy of the estimation in the cascade state regression and has obtained better results than the random initialization.