---

←上一篇↓↑下一篇→

3.1 目標定位	回到目錄	3.3 目標檢測

---

目標點檢測 (Landmark Detection)

上節課，我們講了如何利用神經網絡進行對象定位，即通過輸出四個參數值 $b_x、b_y、b_h$ 和 $b_w$ 給出圖片中對象的邊界框。更概括地說，神經網絡可以通過輸出圖片上特征點的 $(x,y)$ 坐標來實現對目標特征的識別，我們看幾個例子。

假設你正在構建一個人臉識別應用，出于某種原因，你希望算法可以給出眼角的具體位置。眼角坐標為 ($x,y$) ，你可以讓神經網絡的最后一層多輸出兩個數字 $l_x$ 和 $l_y$ ，作為眼角的坐標值。如果你想知道兩只眼睛的四個眼角的具體位置，那么從左到右，依次用四個特征點來表示這四個眼角。對神經網絡稍做些修改，輸出第一個特征點（ $l_{1x},l_{1y}$ ），第二個特征點（$l_{2x},l_{2y}$），依此類推，這四個臉部特征點的位置就可以通過神經網絡輸出了。

也許除了這四個特征點，你還想得到更多的特征點輸出值，這些（圖中眼眶上的紅色特征點）都是眼睛的特征點，你還可以根據嘴部的關鍵點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鍵特征點。為了便于說明，你可以設定特征點的個數，假設臉部有64個特征點，有些點甚至可以幫助你定義臉部輪廓或下頜輪廓。選定特征點個數，并生成包含這些特征點的標簽訓練集，然后利用神經網絡輸出臉部關鍵特征點的位置。

具體做法是，準備一個卷積網絡和一些特征集，將人臉圖片輸入卷積網絡，輸出1或0，1表示有人臉，0表示沒有人臉，然后輸出（ $l_{1x},l_{1y}$ ）……直到（ $l_{64x},l_{64y}$ ）。這里我用 $l$ 代表一個特征，這里有129個輸出單元，其中1表示圖片中有人臉，因為有64個特征，64×2=128，所以最終輸出128+1=129個單元，由此實現對圖片的人臉檢測和定位。這只是一個識別臉部表情的基本構造模塊，如果你玩過Snapchat或其它娛樂類應用，你應該對AR（增強現實）過濾器多少有些了解，Snapchat過濾器實現了在臉上畫皇冠和其他一些特殊效果。檢測臉部特征也是計算機圖形效果的一個關鍵構造模塊，比如實現臉部扭曲，頭戴皇冠等等。當然為了構建這樣的網絡，你需要準備一個標簽訓練集，也就是圖片 $x$ 和 $y$ 標簽的集合，這些點都是人為辛苦標注的。

最后一個例子，如果你對人體姿態檢測感興趣，你還可以定義一些關鍵特征點，如胸部的中點，左肩，左肘，腰等等。然后通過神經網絡標注人物姿態的關鍵特征點，再輸出這些標注過的特征點，就相當于輸出了人物的姿態動作。當然，要實現這個功能，你需要設定這些關鍵特征點，從胸部中心點( $l_{1x},l_{1y}$ )一直往下，直到( $l_{32x},l_{32y}$ )。

一旦了解如何用二維坐標系定義人物姿態，操作起來就相當簡單了，批量添加輸出單元，用以輸出要識別的各個特征點( $x,y$ )的坐標值。要明確一點，特征點1的特性在所有圖片中必須保持一致，就好比，特征點1始終是右眼的外眼角，特征點2是右眼的內眼角，特征點3是左眼內眼角，特征點4是左眼外眼角等等。所以標簽在所有圖片中必須保持一致，假如你雇用他人或自己標記了一個足夠大的數據集，那么神經網絡便可以輸出上述所有特征點，你可以利用它們實現其他有趣的效果，比如判斷人物的動作姿態，識別圖片中的人物表情等等。

以上就是特征點檢測的內容，下節課我們將利用這些構造模塊來構建對象檢測算法。

課程板書

---

←上一篇↓↑下一篇→

3.1 目標定位	回到目錄	3.3 目標檢測

---

總結

以上是生活随笔為你收集整理的3.2 目标点检测-深度学习第四课《卷积神经网络》-Stanford吴恩达教授的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。