人臉特徵點檢測（Facial landmark detection）

阿新 • • 發佈：2019-02-01

1)cnn face detetor(Deep Convolutional Network Cascade for Facial Point Detection)
http://blog.csdn.net/hjimce/article/details/50099115

2) dataset,with point
https://ibug.doc.ic.ac.uk/resources/facial-point-annotations/

3) Facial landmark detection on android
https://github.com/flyingzhao/FacialLandmarkAndroid (good)
http://dlib.net/ (base on dlib)

4) blog

http://blog.csdn.net/xiamentingtao/article/details/50908190

--------------------------------------------------------------------------------------------------------------------------------

以下轉自：http://blog.csdn.net/hjimce/article/details/50099115

基於改進Coarse-to-fine CNN網路的人臉特徵點定位

作者：hjimce

一、相關理論

本篇博文主要講解2013年face++的大牛們提出粗到精人臉特徵點定位演算法paper：《Extensive Facial Landmark Localization

with Coarse to fine Convolutional Network Cascade》，發表於2013年ICCV上的一篇用於定位多個人臉特徵點的文獻，實現了68個人臉特徵點的高精度定位。這篇paper沒有給出訓練資料，也沒有給出測試模型、原始碼等，所以原始碼需要自己寫，訓練資料我們需要自己到IBUG網站下載，可以下載到兩千多張的訓練資料，這篇paper的程式碼花了我兩週的時間，主要是裁一些細節方面很麻煩。

我個人感覺這篇文章的創新點不是很大，基本上是在文獻：《Deep Convolutional Network Cascade for Facial Point Detection》的基礎上做了一點點的修改，使得我們構建的CNN模型可以用於定位更多的特徵點，總結為一句話就是如果想要看懂這篇文獻，還是建議先好好學習paper：《Deep Convolutional Network Cascade for Facial Point Detection》，熟悉程式碼是怎麼實現的，然後再來搞這篇文章的演算法，就只需要改一改就OK了。

人臉68特徵點的定位方法，也是採用了從粗到精的定位思想，網路屬於DCNN，開始講解這篇paper之前，我先講解一下文獻的創新點，因為如果你已經熟悉了《Deep Convolutional Network Cascade for Facial Point Detection》的演算法，我們只要把創新點抓住，就OK了。本篇給我的感覺最大的創新點在於：在網路的輸入方面，不是用人臉檢測器檢測到的人臉區域圖片作為網路的輸入，而是採用CNN預測人臉的bounding box，這個改進對初始level定位精度提高非常多，如下圖所示，當我們輸入一張圖片的時候，我們用CNN，分別預測出Inner points和Contour points的最小包圍盒：

切記：上面的兩個部分的特徵點預測是完全分開的，各自的網路可以進行並行訓練、預測。就像上面，兩部分的分開預測，第一層次的目的都是為了獲得Bounding Box。

雖然文獻還提出了一些其它方面的細節，但是我感覺基本上對精度影響都不大，比如文獻最後在預測inner point的時候，還多了一個層次網路level 4（對總精度提高非常小，後面再講解），如果你僅僅是為了學習這個演算法的話，完全可以不用level 4，當然如果你要實現最高的精度（用於商用），就要把老老實實根據文獻的演算法，一步一步來了。好了，言歸正傳，下面開始講解paper演算法。在這篇paper的演算法中，被預測的68個人臉特徵點分為兩個部分。

第一部分：主要是人臉五官的特徵點預測，這部分預測點的個數為51，在文獻中又把這部分特徵點命名為：Inner points，貌似文獻中並沒有顯示51個點，如下圖所示：

第二部分：用於預測人臉外輪廓的17個特徵點。我們又稱之為：Contour points ，請記住Contour points和Inner points這兩個名詞指的是哪部分特徵點，我後面都使用這兩個詞進行講解。

Inner points和Contour points這兩部分相互獨立，用不同的網路結構進行預測，也就說這兩部分可以平行計算，其中contour point的預測比較簡單，paper的大部分精力都花在講解inner points 上面，演算法也都是講解inner points，因為inner points是五官特徵點的位置，定位比較複雜，所以才要花費更多的精力去提高精度。

一、Inner points預測

Inner points的預測是一個四層次的DCNN模型。level 1就是我們前面講的預測bounding box；level 2 用於這51個點的初始定位，也就是粗定位；level 3 用於精定位；level 4 用於更精定位(這一層次對精度提高很小)。

第一層次(level 1)：這個就是我們上面講的預測最小包圍盒。輸入一張完整的圖片，我們通過這一層CNN，預測這51個點的最小包圍盒（Bounding Box）。Bounding box 包含矩形左上角的座標、右下角的座標，也就是網路的輸出是一個4維的向量：

輸入輸出

第一層次

第二層次(level 2)：網路的輸入，就是我們通過第一層次預測到的51個點的最小包圍盒中的人臉圖片；網路的輸出是51個特徵點預測位置（粗定位位置）。這一層次比較簡單，說白了就是我們常見的CNN，用普通的CNN預測51個特徵點（當然用這一層預測出來的位置，只能作為初始位置，因為通過這一層預測的精度還不夠高，只能作為51個點的粗定位。我們需要有後面繼續兩個層次網路進行精定位）。

第二層次

網路的輸入：把level 1得到的最小包圍盒中的圖片裁剪出來，作為輸入，進行51個點人臉特徵點預測。

網路的輸出：因為我們是要預測51個特徵點，所以CNN的輸出是102神經元。

第三層次(level 3)：因為我們上面一層的網路，已經預測到了51個特徵點，然而這51個點的位置還不夠高，我們需要對其做進一步的精定位。

第二層次預測的51個點，之所以精度不夠高，是因為我們輸入的圖片是大的圖片，是對全域性的統一預測(具體解釋可以參考文獻《Deep Convolutional Network Cascade for Facial Point Detection》)，容易受冗餘資訊的干擾。說的簡單一點吧：假設你要定位嘴巴的特徵點，你的輸入圖片就應該只有嘴巴部分的區域圖片，這樣的精度才會比較高，而不是你把一整張人臉圖片作為輸入，這樣冗餘資訊太多，容易干擾到我們的嘴巴區域的定位。

因此我們這一層次的網路，就是要利用level 2的網路預測到的51個點，把五官的圖片裁剪出來，然後對五官進行分別的定位。具體的示意圖如下：

第三層次

網路輸入：利用level 2的51個點，對五官圖片裁剪，把裁剪的五官，進行分開訓練、預測。因為我們要各個器官分開訓練，因此自然而然本層需要有4個CNN模型，每個模型用於預測各自的特徵點

網路輸出：各個器官的特徵點

第四層次(level 4)：這一層次的輸入，與文獻《Deep Convolutional Network Cascade for Facial Point Detection》相比，稍稍做了修改。跟我想象的有點不一樣，paper通過把level 3的各個五官預測結果，計算各五官的旋轉角度，然後把五官都擺正了，作為第四層次網路輸入圖片，然後在進行預測。

第四層次

這一層網路，對於我們來說可以不去實現，只到level 3就好了，這篇paper是為了達到state-off-art 所以才增加了level 4。其實這一層網路，對精度的提高非常非常小，我們看一下paper的每一層的誤差：

各層次網路的誤差

好好看一下上面這個表格的資料，level 2 作為初始的預測，驗證誤差是0.051，通過leve 3的精定位，誤差減小到了0.0438，也就是說相對精度相當於提高了14%，這一層精度的提高很明顯。然而從level 3到level 4 誤差從0.0438到0.0431，好像效能提高不了多少。因此對於我們如果要用於商用，需要考慮計算時間效率、精度等綜合因素，可以不要採用paper的level 4，不划算，精度提高那麼小，計算時間卻增加了相當多。

二、Contour points預測

這17個點的預測比較簡單粗暴，就只是兩個層次的DCNN模型，這兩個層次說的簡單一點就是類似上面Inner points的第一、二兩個層次網路。

第一層次：這個在前面已經講過了，也就是預測Contour points的最小包圍盒(下圖中的底部示意圖)。

第二層次：CNN直接預測這17個特徵點。

這個預測過程，沒有精定位過程。也就是沒有第三、四層次的CNN精定位，一來是因為這些臉龐特徵點的圖片區域比較大，如果加上第三、四層次的話，會比較耗時間；二來是因為paper還沒想到比較好的方法，用於精定位。

總結：總的來說呢，這篇文獻的思想和《Deep Convolutional Network Cascade for Facial Point Detection》的思想是一樣的，看文獻的名字就知道了，是在這篇paper的基礎上，進行改進的一種用於多個特徵點預測的網路結構。因為paper《Deep Convolutional Network Cascade for Facial Point Detection》只預測5個特徵點，於是face++他們就在這篇文獻的基礎上做了改進，使網路結構可以用於很多個特徵點的預測。

從這篇paper的創新方面講：

1、文獻把人臉的特徵點定位，分開成兩個部分了：Inner和Contour兩部分特徵點，進行分開預測

2、在Inner的預測部分，從level 2 開始把五官裁剪分開，進行精定位。

3、在每個器官的每個特徵點的定位方面，文獻並沒有像《Deep Convolutional Network Cascade for Facial Point Detection》的方法，把每個特徵點的都用獨立的網路進行定位，不然如果按照《Deep Convolutional Network Cascade for Facial Point Detection》的思想，51個特徵點的定位，精定位的每一層次就要有102個CNN模型（因為《Deep Convolutional Network Cascade for Facial Point Detection》文獻每個特徵點的精定位是用了兩個網路進行訓練、預測，然後用兩個網路的輸出作為平均值，所以是102個網路），這樣太耗時間了，萬一我要定位300個特徵點，不得崩潰。因此face++的這篇paper並沒有把每個特徵點分開獨立訓練、預測，僅僅把各個器官分開訓練。

4、多了一個bounding box 層，可以大大提高特徵點粗定位網路的精度。

三、相關細節與原理解釋

採用粗定位到精定位的過程，有很多優點：

1、各個五官分開預測的原因解釋

各個部分分開訓練，這樣網路的損失函式是分開的。這樣做可以提高精度的原因在於：因為網路各個部位特徵點的定位難度不同，或者說定位難度不平衡。比如，contour特徵點的定位比inner 特徵點的定位難度大，這個主要是因為人臉外輪廓往往比較模糊、還有受到頭髮等背景因素的干擾，所以人臉的外輪廓的特徵點的定位難度會比較大。這些因素，引起了訓練損失函式各個特徵點嚴重的不平衡，比如比較難定位的contour的特徵點，就會對損失函式，佔用比較大的比重，因此如果我們68個特徵點一起訓練的話，L2損失函式值基本上是contour的特徵點佔用了比較大的比重。所以文獻才採用把inner和contour分開預測，這樣可以避免不平衡問題。

同理，在inner預測部分，把五官的預測都分開。比如因為眉毛的誤差往往會比較大，而眼睛的預測精度就比較高了，這樣把各個器官都分開，不共用一個損失函式，可以避免不平衡問題。

2、採用多層迴歸的原因

也就是採用從粗定位到精定位的原因，這個感覺paper解釋的有點不好，可以自己去看一下《Deep Convolutional Network Cascade for Facial Point Detection》文獻的解釋，這裡懶得解釋了。打了一個早上的字，才講解到這邊，心塞……。

3、採用CNN預測bounding box

相比與直接採用人臉檢測器，進行預測人臉矩形框來說，這個方法比較靠譜。因為採用人臉檢測器檢測到的人臉框，往往包含了太多了無關的背景，會對我們的網路有一定的干擾。另一方面，如果直接採用人臉檢測器，檢測到的人臉有的時候，並不是位於矩形的中心，這樣對結果也會有一定的影響。

四、網路結構及其訓練

OK，到了這裡我們就要講具體的相關實現了。首先我們先做個定義：N1表示為inner point各個特徵點的初始位置預測，也就是相當於inner 的level 2。N2表示為contour point點的預測（contour的level 2）。

下面是N1的網路結構圖，網路的輸入是60*60大小的圖片：

網路結構方面基本上與傳統的CNN模型，差不多，最大的區別在於locally sharing weights，也就是上面的unshared conv層，我們平時所遇到的CNN都是global sharing weights的。但是對於特徵點的預測，五官的高層特徵差別比較大，所以需要在高層採用unshared weight的方式，在低層採用global sharing weights。

1、網路訓練：採用隨機梯度下降，同時採用圖片相似變換（旋轉、縮放、平移等），對資料進行擴充，防止過擬合。

2、資料預處理：採用資料歸一化到：均值為0，方差為1，然後採用hyper-tangent 函式，把資料對映到-1~1之間。還有就是以上各層，在進行圖片裁剪的時候，需要稍微大一點點，不然當定位稍微不準的時候，直接採用原比例進行裁剪，會把我們想要的部分也可能給剔除掉。

六、演算法試驗

1、bounding box level 測試（level 1 到level 2）

為了快速驗證文獻的主要思想、創新點，也就是增加bounding box level層，我對《Deep Convolutional Network Cascade for Facial Point Detection》演算法進行了改進測試，先測試5個特徵點的情況，因為我對文獻《Deep Convolutional Network Cascade for Facial Point Detection》之前已經比較熟悉了，而且程式碼也寫過了一遍，所以利用已有的程式碼，直接測試本篇paper所提出的bounding box level，看看增加bouding box層與直接採用人臉檢測器，對各特徵點初始位置預測精度能提高多少？

我根據paper的演算法，進行人臉特徵點定位試驗，只測試了5個特徵點的預測，比較採用bounding box level和face detector 對5個特徵點初始位置預測精度的影響。驗證過程：主要是測試bounding box層對精度的影響，paper在驗證集上測試誤差，然後與直接採用人臉框檢測的精度預測結果，對人臉特徵點初始預測精度的影響。

(1)直接採用人臉檢測器作為level 1

直接採用人臉檢測器作為level 1，在我的測試集上，損失誤差如下：

測試過程中，為了簡單起見，暫時沒有使用unshared weights的、也沒有使用fabs層，直接採用face detector 各特徵點的預測結果（藍色的點代表標準點，紅色點表示利用網路進行預測的點）：

紅色的點是預測點，藍色點是手工標定的點

(2)採用bounding box estimation作為level 1

下面是採用bounding box 作為DCNN的level 1，最後測試level 2預測的精度：

結論：採用bounding box作為level 1，相比於直接採用人臉檢測器作為level 1，人臉五官特徵點的初始位置預測，誤差可以減少0.02左右,相對精度相當與提高了26%。相關預測效果（藍色的點代表標準點，紅色點表示利用網路進行預測的點）：

精度的提高還是比較明顯的。

2、68個特徵點測試（level 2 到level 3）

因為5個點的訓練資料很多，所以上面一開始我才使用5個點的訓練資料1w張，作了bounding box level層的測試。最後為了測試68個點的情況，我從ibug網站：

http://ibug.doc.ic.ac.uk/resources/300-W/ 下載了68個點的訓練資料，總共有3k張，我等窮人只能硬著頭皮上，利用3k張做訓練測試。而且我比較懶，資料擴充也只用了360度旋轉，沒有采用映象，因為映象資料擴充的時候，各個特徵點的序號是要改變的，最討厭這些小細節了（特別是五官的裁剪，然後預測到特徵點後，要重新組合，好心煩），所以乾脆不映象了，因為自己一個人要搞這些小細節，實在是很苦逼，很心煩。最後我也沒有使用縮放擴充。（ps：文獻使用了旋轉、映象、縮放等資料擴充，而且也不知到用了多少訓練資料圖片），總之窮人的難處，說多了，都是淚啊，囉嗦了這麼多，該繼續搬磚了……。

在第一部分，我已經測試了bounding box level 1層對leve2 層精度的影響，因此接著我就直接測試從leve2 到leve3 的粗預測到精定位過程（最後驗證，效能跟文獻說的差不多，提高了15%左右）。

（1）鼻子從粗到細

為了清楚檢視從leve2 到leve3 的精度變化我裁剪出鼻子部位的預測結果，進行比較測試（藍色的點代表標準點，紅色點表示利用網路進行預測的點）：