用深度學(xué)習(xí)檢測面部特征

　　也許你很想了解，如何在實(shí)時(shí)視頻聊天中，檢測對(duì)方的面部情緒。我將向您展示一種利用深度學(xué)習(xí)技術(shù)與傳統(tǒng)技術(shù)結(jié)合的方法。

　　過去的挑戰(zhàn)性任務(wù)是檢測面部及其特征，如眼睛、鼻子、嘴巴，甚至從輪廓中識(shí)別情緒。這個(gè)任務(wù)現(xiàn)在可以通過深度學(xué)習(xí)來解決，任何有才華的少年，都可以在幾個(gè)小時(shí)內(nèi)完成。

　　▍受限局部模型（CLM）

　　如果你像我一樣，需要執(zhí)行臉部跟蹤（我將一個(gè)人的手勢從網(wǎng)絡(luò)攝像頭轉(zhuǎn)移到一個(gè)動(dòng)畫角色），你可能會(huì)發(fā)現(xiàn)，最好的算法之一是受限局部模型（CLM）。

　　如由Cambridge Face Tracker或其較新的OpenFace化身所實(shí)現(xiàn)的。這是基于將檢測任務(wù)，分解為動(dòng)態(tài)形狀模型（ASM）和動(dòng)態(tài)外觀模型（AAM），并且使用預(yù)訓(xùn)練的線性SVM（支持向量機(jī)）算法來改進(jìn)檢測。

　　它首先粗略地估計(jì)關(guān)鍵點(diǎn)位置，然后對(duì)包含臉部和調(diào)整關(guān)鍵點(diǎn)位置的預(yù)先訓(xùn)練的圖像應(yīng)用SVM。這是循環(huán)的，直到我們識(shí)別的髠錯(cuò)誤足夠低。

　　此外，值得一提的是，它假定圖像上的臉部位置已經(jīng)被預(yù)訓(xùn)練，例如通過使用Viola-Jones檢測器（Haar cascades）。