使用增强外观模型的通用面部对齐

本文提出了一种有效对齐图像的判别框架。尽管基于传统主动外观模型（AAM）的方法取得了一定成功，但它们面临泛化问题，即如何用通用模型对齐任何图像。我们将迭代图像对齐问题视为一个过程，旨在最大化经过训练的二类分类器的得分，该分类器能够区分正确的对齐（正类）和不正确的对齐（负类）。在建模阶段，给定一组带有真实地标的图像，我们训练一个传统的点分布模型（PDM）和一个基于增强的分类器，我们称之为增强外观模型（BAM）。在对带有初始地标位置的图像进行测试时，所提出的算法通过梯度上升方法迭代更新PDM的形状参数，以使变形图像的分类得分最大化。该框架应用于面部对齐问题。通过大量实验，我们表明，与基于AAM的方法相比，该框架在面对见过的数据时大幅提高了面部对齐的鲁棒性、准确性和效率，尤其是在面对未见过的数据时。