特徵點檢測（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徵點的(x,y)座標來實現對目標特徵的識別，我們看幾個例子。
假設你正在構建一個人臉識別應用，出於某種原因，你希望算法可以給出眼角的具體位置。
眼角座標為(x,y)，你可以讓神經網絡的最後一層多輸出兩個數字l_x和l_y，作為眼角的座標值。如果你想知道兩隻眼睛的四個眼角的具體位置，那麼從左到右，依次用四個特徵點來表示這四個眼角。對神經網絡稍做些修改，輸出第一個特徵點（l_1x，l_1y），第二個特徵點（l_2x，l_2y），依此類推，這四個臉部特徵點的位置就可以通過神經網絡輸出了。
（注：圖中的模特是恩達老師的夫人Carol Reiley）
也許除了這四個特徵點，你還想得到更多的特徵點輸出值，這些（圖中眼眶上的紅色特徵點）都是眼睛的特徵點，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徵點。
為了便於說明，你可以設定特徵點的個數，假設臉部有64個特徵點，有些點甚至可以幫助你定義臉部輪廓或下頜輪廓。選定特徵點個數，並生成包含這些特徵點的標籤訓練集，然後利用神經網絡輸出臉部關鍵特徵點的位置。
具體做法是，準備一個卷積網絡和一些特徵集，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，
然後輸出（l_1x，l_1y）……直到（l_64x，l_64y）。這裡我用l代表一個特徵，這裡有129個輸出單元，其中1表示圖片中有人臉，因為有64個特徵，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）過濾器多少有些瞭解，Snapchat過濾器實現了在臉上畫皇冠和其他一些特殊效果。
檢測臉部特徵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，你需要準備一個標籤訓練集，也就是圖片x和標籤y的集合，這些點都是人為辛苦標註的。
最後一個例子，如果你對人體姿態檢測感興趣，你還可以定義一些關鍵特徵點，如胸部的中點，左肩，左肘，腰等等。然後通過神經網絡標註人物姿態的關鍵特徵點，再輸出這些標註過的特徵點，就相當於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徵點，從胸部中心點(l_1x，l_1y)一直往下，直到(l_32x，l_32y)。
一旦瞭解如何用二維座標系定義人物姿態，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徵點的(x,y)座標值。
要明確一點，特徵點1的特性在所有圖片中必須保持一致，就好比，特徵點1始終是右眼的外眼角，特徵點2是右眼的內眼角，特徵點3是左眼內眼角，特徵點4是左眼外眼角等等。所以標籤在所有圖片中必須保持一致，假如你僱用他人或自己標記了一個足夠大的數據集，那麼神經網絡便可以輸出上述所有特徵點，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。
以上就是特徵點檢測的內容，下節課我們將利用這些構造模塊來構建對象檢測算法。
閱讀更多 極客Array 的文章
