基于深度学习的人脸跟踪自动初始化方法

计算机工程与科学

基于深度学习的人脸跟踪自动初始化方法

陈芷薇，陈姝

（湘潭大学信息工程学院，湖南湘潭 411105）

收稿日期:2015-10-08 修回日期:2016-03-17 出版日期:2017-04-25 发布日期:2017-04-25
基金资助:
国家自然科学基金（61100139）；湖南省自然科学基金(2017JJ2252);湖南省教育厅青年项目（16B258）

Automatic initialization of face tracking

based on deep learning

CHEN Zhi-wei，CHEN Shu

(College of Information Engineering,Xiangtan University,Xiangtan 411105,China)

Received:2015-10-08 Revised:2016-03-17 Online:2017-04-25 Published:2017-04-25

摘要/Abstract

摘要：

针对机器学习领域的人脸跟踪研究，其人脸首帧初始化由人工手动标注的问题，提出了一种基于深度学习的人脸跟踪自动初始化首帧方法。通过建立栈式稀疏自编码神经网络，对大量未标注的样本采用近似恒等的方法计算各隐层节点并运用反向传播法进行权值微调。预训练网络之后，连接softmax分类器，再用少量已标注样本对softmax分类器进行有监督训练，从而形成一个能进行人脸跟踪首帧自动初始化的分类器。结果表明，该方法显著提高了人脸跟踪中首帧初始化的效率，识别准确率达到92%，基本满足了人脸首帧自动初始化的要求。

关键词: 稀疏自编码, softmax分类器, 人脸跟踪, 深度学习

Abstract:

To overcome the problem that the face model is initialized by manual location in the first frame for face tracking, we propose an automatic initialization method based on deep learning. We establish a stack of sparse self-encoding with neural networks, use a large number of unlabeled samples to calculate the nodes of each hidden layer using the approximate identical method, and a back-propagation approach is used to fine-tune the weights. After pre-training the network that connects a softmax classifier, we do the supervised training using labeled samples. Thus, a classifier which can automatically initialize the first frame in face tracking is built up. The results show that the proposed method can significantly improve the efficiency of the first frame's initialization in face tracking, and the correct recognition rate can reach 92%, which basically achieves the automatic initialization of the first frame.

Key words: sparse self-encoding, softmax classifier, face tracking, deep learning

陈芷薇，陈姝. 基于深度学习的人脸跟踪自动初始化方法[J]. 计算机工程与科学.

CHEN Zhi-wei，CHEN Shu.

Automatic initialization of face tracking

based on deep learning

[J]. Computer Engineering & Science.

[1]	尹春勇, 张小虎. 基于Transformer和Text-CNN的日志异常检测[J]. 计算机工程与科学, 2025, 47(3): 448-458.
[2]	徐雯, 于瓅. 基于迭代收缩阈值与深度学习的压缩感知图像重构网络[J]. 计算机工程与科学, 2025, 47(3): 485-493.
[3]	刘拥民, 许成, 黄浩, 张钱垒, 赵俊杰, . 基于SAE和WGAN的入侵检测方法研究[J]. 计算机工程与科学, 2025, 47(2): 256-264.
[4]	许天佑, 高光勇. 基于可逆生成对抗网络的鲁棒图像隐藏[J]. 计算机工程与科学, 2025, 47(2): 288-297.
[5]	吴玉虹, 王建. 基于Patches-CNN的模拟电路故障诊断[J]. 计算机工程与科学, 2025, 47(1): 35-44.
[6]	徐超, 阮荣耀, 陈勇, . 一种基于区块链的医疗数据审计方法[J]. 计算机工程与科学, 2025, 47(1): 95-106.
[7]	陈欣然, 刘宁, 闫中敏, 刘磊, 崔立真. 基于注意力指导的双粒度跨模态医学特征学习框架[J]. 计算机工程与科学, 2025, 47(1): 150-159.
[8]	陈磊, 梁正友, 孙宇, 蔡俊民. 多尺度特征融合的移动端单目深度估计研究[J]. 计算机工程与科学, 2024, 46(9): 1616-1524.
[9]	刘强, 李沐春, 伍晓洁, 王煜恒. S-JSMA：一种低扰动冗余的快速JSMA对抗样本生成方法[J]. 计算机工程与科学, 2024, 46(8): 1395-1402.
[10]	丁建平, 李卫军, 刘雪洋, 陈旭. 命名实体识别研究综述[J]. 计算机工程与科学, 2024, 46(7): 1296-1310.
[11]	胡昭华, 王长富, . 改进Faster R-CNN的遥感图像小目标检测算法[J]. 计算机工程与科学, 2024, 46(6): 1063-1071.
[12]	谭郁松, 王伟, 蹇松雷, 易超雄. 基于异常保持的弱监督学习网络入侵检测模型[J]. 计算机工程与科学, 2024, 46(5): 801-809.
[13]	高珊, 李世杰, 蔡志平. 基于深度学习的中文文本分类综述[J]. 计算机工程与科学, 2024, 46(4): 684-692.
[14]	罗月童, 李超, 周波, 张延孔. 面向工业缺陷分类的交互式易混淆缺陷分离方法研究[J]. 计算机工程与科学, 2024, 46(3): 463-470.
[15]	吕伏, 韩晓天, 冯永安, 项梁. 基于自适应纹理特征融合的纹理图像分类方法[J]. 计算机工程与科学, 2024, 46(3): 488-498.