特征點(diǎn)檢測(cè)

假設(shè)你正在構(gòu)建一個(gè)人臉識(shí)別應(yīng)用，出于某種原因，你希望算法可以給出眼角的具體位置。眼角坐標(biāo)為(𝑥, 𝑦)，你可以讓神經(jīng)網(wǎng)絡(luò)的最后一層多輸出兩個(gè)數(shù)字𝑙𝑥和𝑙𝑦，作為眼角的坐標(biāo)值。如果你想知道兩只眼睛的四個(gè)眼角的具體位置，那么從左到右，依次用四個(gè)特征點(diǎn)來表示這四個(gè)眼角。對(duì)神經(jīng)網(wǎng)絡(luò)稍做些修改，輸出第一個(gè)特征點(diǎn)（𝑙1𝑥，𝑙1𝑦），第二個(gè)特征點(diǎn)（𝑙2𝑥，𝑙2𝑦），依此類推，這四個(gè)臉部特征點(diǎn)的位置就可以通過神經(jīng)網(wǎng)絡(luò)輸出了。

也許除了這四個(gè)特征點(diǎn)，你還想得到更多的特征點(diǎn)輸出值，這些（圖中眼眶上的紅色特征點(diǎn)）都是眼睛的特征點(diǎn)，你還可以根據(jù)嘴部的關(guān)鍵點(diǎn)輸出值來確定嘴的形狀，從而判斷人物是在微笑還是皺眉，也可以提取鼻子周圍的關(guān)鍵特征點(diǎn)。為了便于說明，你可以設(shè)定特征點(diǎn)的個(gè)數(shù)，假設(shè)臉部有 64 個(gè)特征點(diǎn)，有些點(diǎn)甚至可以幫助你定義臉部輪廓或下頜輪廓。選定特征點(diǎn)個(gè)數(shù)，并生成包含這些特征點(diǎn)的標(biāo)簽訓(xùn)練集，然后利用神經(jīng)網(wǎng)絡(luò)輸出臉部關(guān)鍵特征點(diǎn)的位置。
具體做法是，準(zhǔn)備一個(gè)卷積網(wǎng)絡(luò)和一些特征集，將人臉圖片輸入卷積網(wǎng)絡(luò)，輸出 1 或 0， 1 表示有人臉，0 表示沒有人臉，然后輸出（𝑙1𝑥，𝑙1𝑦）……直到（𝑙64𝑥，𝑙64𝑦）。這里我用𝑙代表一個(gè)特征，這里有129 個(gè)輸出單元，其中1表示圖片中有人臉，因?yàn)橛?4個(gè)特征，64×2=128，所以最終輸出 128+1=129 個(gè)單元，由此實(shí)現(xiàn)對(duì)圖片的人臉檢測(cè)和定位。這只是一個(gè)識(shí)別臉部表情的基本構(gòu)造模塊，如果你玩過Snapchat或其它娛樂類應(yīng)用，你應(yīng)該對(duì) AR（增強(qiáng)現(xiàn)實(shí)）過濾器多少有些了解，Snapchat 過濾器實(shí)現(xiàn)了在臉上畫皇冠和其他一些特殊效果。檢測(cè)臉部特征也是計(jì)算機(jī)圖形效果的一個(gè)關(guān)鍵構(gòu)造模塊，比如實(shí)現(xiàn)臉部扭曲，頭戴皇冠等等。當(dāng)然為了構(gòu)建這樣的網(wǎng)絡(luò)，你需要準(zhǔn)備一個(gè)標(biāo)簽訓(xùn)練集，也就是圖片𝑥和標(biāo)簽𝑦的集合，這些點(diǎn)都是人為辛苦標(biāo)注的。

最后一個(gè)例子，如果你對(duì)人體姿態(tài)檢測(cè)感興趣，你還可以定義一些關(guān)鍵特征點(diǎn)，如胸部的中點(diǎn)，左肩，左肘，腰等等。然后通過神經(jīng)網(wǎng)絡(luò)標(biāo)注人物姿態(tài)的關(guān)鍵特征點(diǎn)，再輸出這些標(biāo)注過的特征點(diǎn)，就相當(dāng)于輸出了人物的姿態(tài)動(dòng)作。當(dāng)然，要實(shí)現(xiàn)這個(gè)功能，你需要設(shè)定這些關(guān)鍵特征點(diǎn)，從胸部中心點(diǎn)(𝑙1𝑥，𝑙1𝑦)一直往下，直到(𝑙32𝑥，𝑙32𝑦)。

一旦了解如何用二維坐標(biāo)系定義人物姿態(tài)，操作起來就相當(dāng)簡單了，批量添加輸出單元，用以輸出要識(shí)別的各個(gè)特征點(diǎn)的(𝑥, 𝑦)坐標(biāo)值。要明確一點(diǎn)，特征點(diǎn) 1 的特性在所有圖片中必須保持一致，就好比，特征點(diǎn) 1 始終是右眼的外眼角，特征點(diǎn) 2 是右眼的內(nèi)眼角，特征點(diǎn)3 是左眼內(nèi)眼角，特征點(diǎn) 4 是左眼外眼角等等。所以標(biāo)簽在所有圖片中必須保持一致，假如你雇用他人或自己標(biāo)記了一個(gè)足夠大的數(shù)據(jù)集，那么神經(jīng)網(wǎng)絡(luò)便可以輸出上述所有特征點(diǎn)，你可以利用它們實(shí)現(xiàn)其他有趣的效果，比如判斷人物的動(dòng)作姿態(tài)，識(shí)別圖片中的人物表情等等。

目標(biāo)檢測(cè)

采用的是基于滑動(dòng)窗口的目標(biāo)檢測(cè)算法。
假如你想構(gòu)建一個(gè)汽車檢測(cè)算法，步驟是，首先創(chuàng)建一個(gè)標(biāo)簽訓(xùn)練集，也就是𝑥和𝑦表示適當(dāng)剪切的汽車圖片樣本，這張圖片（編號(hào) 1）𝑥是一個(gè)正樣本，因?yàn)樗且惠v汽車圖片，這幾張圖片（編號(hào) 2、3）也有汽車，但這兩張（編號(hào) 4、5）沒有汽車。出于我們對(duì)這個(gè)訓(xùn)練集的期望，你一開始可以使用適當(dāng)剪切的圖片，就是整張圖片𝑥幾乎都被汽車占據(jù)，你可以照張照片，然后剪切，剪掉汽車以外的部分，使汽車居于中間位置，并基本占據(jù)整張圖片。有了這個(gè)標(biāo)簽訓(xùn)練集，你就可以開始訓(xùn)練卷積網(wǎng)絡(luò)了，輸入這些適當(dāng)剪切過的圖片（編號(hào) 6），卷積網(wǎng)絡(luò)輸出𝑦，0 或 1 表示圖片中有汽車或沒有汽車。

訓(xùn)練完這個(gè)卷積網(wǎng)絡(luò)，就可以用它來實(shí)現(xiàn)滑動(dòng)窗口目標(biāo)檢測(cè)，具體步驟如下：

首先選定一個(gè)特定大小的窗口，比如圖片下方第一個(gè)紅色窗口，將這個(gè)紅色小方塊輸入卷積神經(jīng)網(wǎng)絡(luò)，卷積網(wǎng)絡(luò)開始進(jìn)行預(yù)測(cè)，即判斷紅色方框內(nèi)有沒有汽車。滑動(dòng)窗口目標(biāo)檢測(cè)算法接下來會(huì)繼續(xù)處理第二個(gè)圖像，即紅色方框稍向右滑動(dòng)之后的區(qū)域，并輸入給卷積網(wǎng)絡(luò)，因此輸入給卷積網(wǎng)絡(luò)的只有紅色方框內(nèi)的區(qū)域，再次運(yùn)行卷積網(wǎng)絡(luò)，然后處理第三個(gè)圖像，依次重復(fù)操作，直到這個(gè)窗口滑過圖像的每一個(gè)角落。

重復(fù)上述操作，不過這次我們選擇一個(gè)更大的窗口，截取更大的區(qū)域，并輸入給卷積神經(jīng)網(wǎng)絡(luò)處理，你可以根據(jù)卷積網(wǎng)絡(luò)對(duì)輸入大小調(diào)整這個(gè)區(qū)域，然后輸入給卷積網(wǎng)絡(luò)，輸出 0 或 1。再以某個(gè)固定步幅滑動(dòng)窗口，重復(fù)以上操作，遍歷整個(gè)圖像，輸出結(jié)果。

然后第三次重復(fù)操作，這次選用更大的窗口。
如果你這樣做，不論汽車在圖片的什么位置，總有一個(gè)窗口可以檢測(cè)到它。

滑動(dòng)窗口目標(biāo)檢測(cè)算法也有很明顯的缺點(diǎn)，就是計(jì)算成本，因?yàn)槟阍趫D片中剪切出太多小方塊，卷積網(wǎng)絡(luò)要一個(gè)個(gè)地處理。如果你選用的步幅很大，顯然會(huì)減少輸入卷積網(wǎng)絡(luò)的窗口個(gè)數(shù)，但是粗糙間隔尺寸可能會(huì)影響性能。反之，如果采用小粒度或小步幅，傳遞給卷積網(wǎng)絡(luò)的小窗口會(huì)特別多，這意味著超高的計(jì)算成本。不過，慶幸的是，計(jì)算成本問題已經(jīng)有了很好的解決方案，大大提高了卷積層上應(yīng)用滑動(dòng)窗口目標(biāo)檢測(cè)器的效率

總結(jié)

以上是生活随笔為你收集整理的深度学习——特征点检测和目标检测的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。