[论文解读] Face Alignment Using Active Shape Model And Support Vector Machine

Thái Hoàng Lê, Truong Nhat Vo|arXiv (Cornell University)|Sep 27, 2012

Face recognition and analysis参考文献 8被引用 6

一句话总结

该论文通过集成Sobel与Canny边缘检测、使用SVM进行精确关键点分类，并根据图像尺寸动态调整2D轮廓，从而提升了主动形状模型（ASM）在人脸对齐中的性能。在Caltech与IMM-Face数据库上的评估表明，改进后的ASM相比经典版本显著提高了准确率，展现出在不同图像尺度和条件下的鲁棒性。

ABSTRACT

The Active Shape Model (ASM) is one of the most popular local texture models for face alignment. It applies in many fields such as locating facial features in the image, face synthesis, etc. However, the experimental results show that the accuracy of the classical ASM for some applications is not high. This paper suggests some improvements on the classical ASM to increase the performance of the model in the application: face alignment. Four of our major improvements include: i) building a model combining Sobel filter and the 2-D profile in searching face in image; ii) applying Canny algorithm for the enhancement edge on image; iii) Support Vector Machine (SVM) is used to classify landmarks on face, in order to determine exactly location of these landmarks support for ASM; iv)automatically adjust 2-D profile in the multi-level model based on the size of the input image. The experimental results on Caltech face database and Technical University of Denmark database (imm_face) show that our proposed improvement leads to far better performance.

研究动机与目标

• 提升经典主动形状模型（ASM）在人脸对齐应用中的准确率。
• 解决经典ASM在处理图像尺度与纹理变化时的局限性。
• 通过引入基于SVM的分类方法，减少关键面部点的定位错误。
• 通过Sobel与Canny滤波器提升边缘检测效果，以改善初始化与优化阶段。
• 在多级ASM中根据输入图像尺寸自动调整2D轮廓分辨率。

提出的方法

• 采用混合边缘检测方法，结合Sobel滤波器提取梯度幅值，以及Canny算法实现抗噪边缘增强。
• 训练支持向量机（SVM）以基于局部图像块对关键点位置进行分类，提升关键点预测的精确度。
• 构建多级ASM框架，根据输入图像尺寸动态调整2D轮廓分辨率，以保持对齐鲁棒性。
• 改进后的ASM利用增强边缘与SVM预测的关键点引导迭代形状优化。
• 将2D轮廓特征与局部图像窗口中的纹理信息相结合，以提升收敛性与准确率。
• 系统在Caltech与丹麦技术大学（IMM-Face）人脸数据库上进行训练与验证。

实验结果

研究问题

• RQ1 Sobel与Canny边缘检测的集成是否能改善ASM的初始化与优化阶段？
• RQ2 基于SVM的关键点分类是否相比传统ASM搜索方法能减少定位错误？
• RQ3 2D轮廓的动态缩放是否能提升在不同输入图像尺寸下的性能？
• RQ4 所提出的ASM变体在基准数据集上的对齐准确率与经典ASM相比如何？
• RQ5 结合纹理与边缘特征对光照与姿态变化的鲁棒性有何影响？

主要发现

• 所提方法在Caltech与IMM-Face数据库上均显著优于经典ASM的对齐准确率。
• Canny边缘检测的使用提升了边缘连续性，并减少了关键点搜索中的误报。
• 基于SVM的分类方法通过在模糊区域提供更可靠的预测，降低了关键点定位误差。
• 动态轮廓缩放使系统在不同图像分辨率下均能保持一致性能，无需重新训练。
• Sobel滤波与Canny边缘增强的结合，使ASM迭代过程更加稳定收敛。
• 改进后的ASM在真实世界人脸图像中对光照与表情变化表现出良好鲁棒性。