搜索资源列表
Facial_Feature_Tracking
- 通过建议一个人脸形状先验模型关注该问题,该模型基于受限Boltzmann Machines (RBM)及其变种构建。特别的,我们首先基于深度信任网络构建一个模型以获取接近正视角的表情变化的人脸形状变量。为了解决姿态变化问题,我们将正面人脸形状先验模型整合到一个3路(3-way)RBM模型,其可以获取正面人脸形状和非正面人脸形状间的关系。最后,我们建议一个方法,将人脸先验模型和人脸特征点的图像度量系统性地组合在一起。-we address this problem by proposing a
Robust_Face_Landmark
- 在现实世界条件下获取人脸存在较大的变化在形状和遮挡由于不同在姿态、表情、附属品的使用,例如,太阳镜和帽子以及与目标体(e.g. 食物)的交。当前的人脸界标估计方法在这种条件下努力但由于缺乏一种有效的理论方法用于处理局外点。我们提供了一个新奇的方法,称为Robust Cascaded Pose Regression (RCPR),通过检测显式的遮挡且使用鲁棒的形状索引的特征可以减少exposure对于局外点。我们证明RCPR改进先前的界标估计方法在3个通用的人脸数据集上(LFPW, LFW and
mediapipe
- 手势识别,基于mediapipe,可支持pose、hand、face(Gesture recognition, based on mediapipe, can support pose, hand, face)