detección de puntos de referencia

Encontrar puntos de referencia faciales es un paso importante en la identificación facial de personas en una imagen. Los puntos de referencia faciales también pueden usarse para extraer información sobre el estado de ánimo y la intención de la persona. ^{[ 1 ]} Los métodos utilizados se dividen en tres categorías: métodos holísticos , métodos de modelos locales restringidos y métodos basados ​​en regresión . ^{[ 2 ]}

Los métodos holísticos están preprogramados con información estadística sobre la forma del rostro y los coeficientes de ubicación de los puntos de referencia. El método holístico clásico es el modelo de apariencia activa (AAM), introducido en 1998. ^{[ 3 ]} Desde entonces, se han realizado varias extensiones y mejoras al método. Estas son principalmente mejoras al algoritmo de ajuste y se pueden clasificar en dos grupos: métodos de ajuste analíticos y métodos de ajuste basados ​​en aprendizaje. ^{[ 4 ]} Los métodos analíticos aplican métodos de optimización no lineal , como el algoritmo de Gauss-Newton . Este algoritmo es muy lento, pero se han propuesto otros mejores, como el algoritmo de composición inversa proyectada (POIC) y el algoritmo de composición inversa simultánea (SIC). ^{[ 5 ]} Los métodos de ajuste basados ​​en aprendizaje utilizan técnicas de aprendizaje automático para predecir los coeficientes faciales. Estos pueden utilizar regresión lineal , regresión no lineal y otros métodos de ajuste. ^{[ 6 ]} En general, los métodos de ajuste analíticos son más precisos y no necesitan entrenamiento, mientras que los métodos de ajuste basados ​​en aprendizaje son más rápidos, pero necesitan ser entrenados. ^{[ 7 ]} Otras extensiones del método AAM básico analizan ondículas en la imagen en lugar de la intensidad de los píxeles . Esto ayuda a ajustar partes no visibles del rostro que el método AAM básico encuentra problemáticas. ^{[ 8 ]}

La detección de puntos de referencia en imágenes de moda tiene como objetivo la clasificación. Esto facilita la recuperación de imágenes con características específicas a partir de una base de datos o una búsqueda general. Un ejemplo de punto de referencia en la moda es la ubicación del dobladillo de un vestido. La detección de puntos de referencia en la moda es particularmente difícil debido a la extrema deformación que puede sufrir la ropa. ^{[ 9 ]}

Algunos métodos clásicos de detección de características, como la transformación de características invariantes a la escala, se han utilizado en el pasado. Sin embargo, ahora es más común utilizar métodos de aprendizaje profundo . Esto se ha visto enormemente facilitado por la publicación de varios conjuntos de datos de moda de gran tamaño que pueden utilizarse para el entrenamiento. ^{[ 10 ]} Estos métodos incluyen modelos basados ​​en regresión, modelos basados ​​en restricciones y modelos de atención . ^{[ 11 ]} Los problemas particulares de la detección de puntos de referencia en la moda (deformación) han llevado a modelos de estimación de pose que detectan y tienen en cuenta la pose de la modelo que lleva la ropa. ^{[ 12 ]}

El aprendizaje profundo ha tenido un impacto significativo en la detección autónoma de puntos de referencia faciales al permitir una detección más precisa y eficiente de puntos de referencia en fotos del mundo real. ^{[ 13 ]} Con las técnicas tradicionales de visión por computadora , la detección de puntos de referencia faciales podía ser un desafío debido a las variaciones en la iluminación, la posición de la cabeza y la oclusión, pero las redes neuronales convolucionales (CNN) han revolucionado la detección de puntos de referencia al permitir que las computadoras aprendan las características de grandes conjuntos de datos de imágenes. Al entrenar una CNN en un conjunto de datos de imágenes con puntos de referencia faciales etiquetados, el algoritmo puede aprender a detectar estos puntos de referencia en nuevas imágenes con alta precisión incluso cuando aparecen en diferentes condiciones de iluminación, en diferentes ángulos o en vistas parcialmente ocluidas.

En particular, las soluciones basadas en este enfoque han logrado eficiencia en tiempo real en las GPU de dispositivos móviles y se han utilizado en aplicaciones de realidad aumentada . ^{[ 14 ]}

Los algoritmos evolutivos, durante la etapa de entrenamiento, intentan aprender el método para determinar correctamente los puntos de referencia. Esta fase es un proceso iterativo y, por lo tanto, se realiza en varias iteraciones. Al finalizar la última iteración, se obtiene un sistema capaz de determinar correctamente el punto de referencia con cierta precisión. En el método de optimización por enjambre de partículas , existen partículas que buscan puntos de referencia, y cada una de ellas utiliza una fórmula específica en cada iteración para optimizar la detección de puntos de referencia. ^{[ 15 ]}