基于深度可分离沙漏网络的快速人脸对齐

贺怀清，陈 琴，惠康华

(中国民航大学 计算机科学与技术学院，天津 300300)

0 引 言

人脸对齐旨在定位出人脸关键点的位置，一直以来都是计算机视觉领域热门研究方向，被广泛应用于不同的领域，如：人脸识别[1]、人脸跟踪[2]、表情识别[3]。

传统的人脸对齐算法，如：ASM算法[4]、级联回归算法[5]，采用表观建模、映射函数等技术直接对人脸图像进行关键点定位，对齐结果受不同的姿态、表情、光照以及遮挡等因素影响较大，而且对齐速度不甚理想。

近年来，卷积神经网络在计算机视觉领域得到迅速的发展，其中最具代表性的工作有ResNet[6]、GoogLeNet[7]、HourglassNet[8]。相比于传统的人脸对齐方法，深度卷积神经网络能提取高层次图像特征，利用坐标回归或者利用回归热图可获得关键点，其更具稳健性。本文基于卷积神经网络，提出了一种提高人脸对齐效率的沙漏网络——深度可分离沙漏网络(depthwise separable hourglass network，DSHN)。

DSHN采用沙漏网络的基础结构、知识蒸馏的思想，训练一个较为复杂，但推理性能良好的大型网络模型，然后利用大型网络诱导目标图像深层次特征，转移潜在知识，构造轻量级网络，且在保证有姿态、表情、光照以及遮挡等多因素影响下可以得到鲁棒性的对齐结果。为了更有效训练轻量级网络，DSHN运用深度可分离卷积(depthwise separable convolutions，DSC)，减少输出通道数和卷积核大小之间的相互连接作用，使得网络结构简单化，降低时间复杂度，易于速度提升。

1 相关工作

近年来，卷积神经网络融合不同层次空间尺度特征、提取高层次的图像特征，在解决人脸对齐问题上得到了快速发展。……