面部和下的地标跟踪与习惯性头部姿势估计使用线性和信任标记

科学领域:

• 生物识别信息 生物识别信息
• 计算机视觉 计算机视觉
• 医疗成像医学成像

背景情况:

• 准确的面部地标测量对于分析面动态至关重要.
• 深度学习为从消费者摄像头录像中自动化面部分析提供了潜力.
• 对比不同的测量方法,如信托标记和任意宽度引用,对于验证新技术至关重要.

研究的目的:

• 为了比较基于深度学习的信任标记 (FM) 和任意宽度参考 (AWR) 方法的准确性,用于面部地标测量.
• 用消费者摄像头的录像来定量分析下硬和软组织的横向外出和头部倾斜.
• 将这些深度学习方法与已建立的物理测量方法进行验证.

主要方法:

• 开发了一个定制的深度学习系统来识别面部地标,用于测量头部倾斜和下侧向游览.
• 分析了37名参与者的消费者摄像机录像.
• 可信度标记 (FM) 和inter-zygion测量 (AWR) 经过验证,与使用电视图和电子规则的物理测量相比.

主要成果:

• 与物理测量相比,在FM和AWR的下面和中面估计中观察到显著的差异.
• 两种FM和AWR方法在评估横下运动方面都表现出可比性.
• 信托标记在中面和下面的参数评估中显示出变化,而硬组织的运动始终低于软组织的运动 (约. 只有30%).
• 有相当数量的参与者表现出一致的5到10°的头部倾斜.

结论:

• 深度学习方法对分析面部动态有希望,但准确性需要对物理测量进行进一步验证.
• 信任标记和任意宽度参考提供了可比的评估侧下部运动,尽管个别参数的变化.
• 了解硬和软组织之间的差异运动对于准确的面分析至关重要.
• 参与者持续的头部倾斜需要在面部运动分析的背景下进行进一步的研究.