摘要

主动形状模型（Active Shape Model, ASM）是一种统计形状模型，用于表征目标结构。ASM能够引导机器学习算法，将一组表示物体（如人脸）的点拟合到图像中。本文提出了一种轻量级卷积神经网络（Convolutional Neural Network, CNN）架构，其损失函数引入ASM辅助，用于在复杂场景下实现人脸对齐与头部姿态估计。我们首先利用ASM引导网络学习更平滑的人脸关键点分布；受迁移学习思想的启发，在训练过程中逐步增强回归任务的难度，引导网络向原始关键点分布逼近。我们在损失函数中定义了多任务目标，分别负责人脸关键点检测与人脸姿态估计。通过同时学习多个相关任务，能够产生协同效应，从而提升各任务的性能表现。我们将所提出的ASMNet模型与MobileNetV2（参数量约为ASMNet的两倍）在人脸对齐和姿态估计任务中的性能进行了对比。在多个具有挑战性的数据集上的实验结果表明，采用所提出的ASM辅助损失函数后，ASMNet在人脸对齐任务上的性能可与MobileNetV2相媲美；而在人脸姿态估计任务中，ASMNet的表现显著优于MobileNetV2。相较于众多基于CNN的模型，ASMNet在保持极低参数量和浮点运算量的同时，实现了可接受的人脸关键点检测与姿态估计性能，展现出良好的轻量化与高效性。