C-Canny算法和改进单层神经网络相结合的面部特征点定位

计算机工程与科学

C-Canny算法和改进单层神经网络相结合的面部特征点定位

付文博1，2，何欣1，2，于俊洋1，2

（1.河南大学软件学院,河南开封 475000；2.河南省智能数据处理工程研究中心,河南开封 475000）

收稿日期:2019-09-23 修回日期:2019-11-26 出版日期:2020-04-25 发布日期:2020-04-25
基金资助:
国家自然科学基金（61602525）；河南省科技发展计划项目（大数据环境下的算法研究）（182102210229）

Facial feature point localization based on C-Canny

algorithm and improved single neural network

FU Wen-bo1,2,HE Xin1,2,YU Jun-yang1,2

(1.School of Software,Henan University,Kaifeng 475000;

2.Henan Intelligent Data Processing Engineering Research Center,Kaifeng 475000,China)

Received:2019-09-23 Revised:2019-11-26 Online:2020-04-25 Published:2020-04-25

摘要/Abstract

摘要：

深度学习在面部特征点识别领域已取得了较为显著的成果，然而在处理遮挡、光照、角度不当等复杂条件下的面部图像时，预测数目较多的面部特征点仍是一个具有挑战性的问题。为解决面部多特征点在复杂条件下的定位问题，设计了一种C-Canny算法和改进单层神经网络相结合的网络结构，将传统Canny算法应用到面部区域定位阶段，使得神经网络可以快速进行面部区域重定位，从而提升识别的准确率。实验结果表明，在300-w和300-vw数据集上与一些传统方法、神经网络相比，该神经网络结构将损失函数的值平均降低了12.2%。

关键词: 深度学习, 卷积神经网络, 面部特征提取, 区域再定位

Abstract:

Deep learning has achieved remarkable results in the field of facial recognition. However, when dealing with facial images under complex conditions such as occlusion, illumination and improper angles, predicting a large number of facial feature points is still a challenging problem. In order to solve the localization problem of multiple facial feature points under complex conditions, this paper designs a network structure based on C-Canny algorithm and improved single neural network. The traditional Canny algorithm is applied to the face region localization stage, so that the neural network can quickly reposition the face region to improve the accuracy of model recognition. Experimental results show that, compared with some existing traditional algorithms and neural networks, the neural network structure reduces the value of loss function by 12.2% on average on the 300-w and 300-vw datasets.

Key words: deep learning, convolutional neural network, facial feature extraction, region relocation

付文博1，2，何欣1，2，于俊洋1，2 . C-Canny算法和改进单层神经网络相结合的面部特征点定位[J]. 计算机工程与科学.

FU Wen-bo1,2,HE Xin1,2,YU Jun-yang1,2 .

Facial feature point localization based on C-Canny

algorithm and improved single neural network

[J]. Computer Engineering & Science.

[1]	罗婧, 叶志晟, 杨泽华, 傅天豪, 魏雄, 汪小林, 罗英伟, . 研发类GPU集群任务数据集的构建及分析[J]. 计算机工程与科学, 2024, 46(12): 2128-2137.
[2]	敬超, 闭玉申. 面向深度学习作业的干扰感知在线调度算法研究[J]. 计算机工程与科学, 2024, 46(12): 2138-2148.
[3]	徐欣, 李若诗, 袁野, 刘娜. 基于可学习图像滤波器的雾天驾驶场景图像语义分割[J]. 计算机工程与科学, 2024, 46(11): 2027-2034.
[4]	付燕, 杨旭, 叶鸥. 基于CNN和Transformer特征融合的烟雾识别方法[J]. 计算机工程与科学, 2024, 46(11): 2045-2052.
[5]	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(09): 1616-1524.
[6]	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(08): 1395-1402.
[7]	潘雨青, 于浩, 李峰. 基于加权非负矩阵分解的异常声音检测方法研究[J]. 计算机工程与科学, 2024, 46(08): 1425-1432.
[8]	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(07): 1296-1310.
[9]	田红鹏, 吴璟玮. RIB-NER：基于跨度的中文命名实体识别模型[J]. 计算机工程与科学, 2024, 46(07): 1311-1320.
[10]	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(06): 1063-1071.
[11]	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(05): 801-809.
[12]	尹春勇, 赵峰. 基于双层注意力和深度自编码器的时间序列异常检测模型[J]. 计算机工程与科学, 2024, 46(05): 826-835.
[13]	马长林, 孙状. 基于实体知识的远程监督关系抽取[J]. 计算机工程与科学, 2024, 46(05): 945-950.
[14]	陈杰, 李程, 刘仲. 面向多核向量加速器的卷积神经网络推理和训练向量化方法[J]. 计算机工程与科学, 2024, 46(04): 580-589.
[15]	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(04): 684-692.