1. I O N 和 I P N ION和IPN ION和IPN

I O N ION ION:inter-ocular distance normalized error
e i = ∣ ∣ x p r e i − x g t i ∣ ∣ 2 d I O D e_i=\frac{||x_{pre_i}-x_{gt_i}||_2}{d_{IOD}} ei=dIOD∣∣xprei−xgti∣∣2

其中 x p r e i x_{pre_i} xprei表示预测坐标点， x g t i x_{gt_i} xgti表示ground-truth， d I O D = D ( ( x 36 , y 36 ) , ( x 45 , y 45 ) ) d_{IOD}= D((x_{36}, y_{36}) , (x_{45}, y_{45})) dIOD=D((x36,y36),(x45,y45))表示两眼外眼角间距离（参考300W官方提供的 compute_error 代码），归一化该因素是为了消除因脸部尺寸不统一带来的不合理变化。

I P N IPN IPN:Inter-pupil distance normalized error
e i = ∣ ∣ x p r e i − x g t i ∣ ∣ 2 d I P D e_i=\frac{||x_{pre_i}-x_{gt_i}||_2}{d_{IPD}} ei=dIPD∣∣xprei−xgti∣∣2

其中 x p r e i x_{pre_i} xprei表示预测坐标点， x g t i x_{gt_i} xgti表示ground-truth， d I P D d_{IPD} dIPD表示两眼瞳孔间距离。
计算瞳孔坐标,参考LAB计算方式
l e f t _ c e n t e r x : ( x 36 + x 37 + x 38 + x 39 + x 40 + x 41 ) / 6 left\_center_x: (x_{36}+x_{37}+x_{38}+x_{39}+x_{40}+x_{41})/6 left_centerx:(x36+x37+x38+x39+x40+x41)/6
l e f t _ c e n t e r y : ( y 36 + y 37 + y 38 + y 39 + y 40 + y 41 ) / 6 left\_center_y: (y_{36}+y_{37}+y_{38}+y_{39}+y_{40}+y_{41})/6 left_centery:(y36+y37+y38+y39+y40+y41)/6
r i g h t _ c e n t e r x : ( x 42 + x 43 + x 44 + x 45 + x 46 + x 47 ) / 6 right\_center_x: (x_{42}+x_{43}+x_{44}+x_{45}+x_{46}+x_{47})/6 right_centerx:(x42+x43+x44+x45+x46+x47)/6
r i g h t _ c e n t e r y : ( y 42 + y 43 + y 44 + y 45 + y 46 + y 47 ) / 6 right\_center_y: (y_{42}+y_{43}+y_{44}+y_{45}+y_{46}+y_{47})/6 right_centery:(y42+y43+y44+y45+y46+y47)/6
I P N D = D ( l e f t _ c e n t e r x , l e f t _ c e n t e r y ) , ( r i g h t _ c e n t e r x , r i g h t _ c e n t e r y ) ) IPN_D = D{(left\_center_x, left\_center_y) , (right\_center_x, right\_center_y))} IPND=D(left_centerx,left_centery),(right_centerx,right_centery))

当然其中 d I O D d_{IOD} dIOD也可以人脸shape外接矩形对角线长度代替

2. M N E MNE MNE (the mean normalized error)

e = ∑ i = 1 N ∣ ∣ x p r e i − x g t i ∣ ∣ 2 N × d I O D × 100 % e=\frac{\sum^{N}_{i=1}||x_{pre_i}-x_{gt_i}||_2}{N\times d_{IOD}}\times 100\% e=N×dIOD∑i=1N∣∣xprei−xgti∣∣2×100%
MNE是N个facial landmarks 基于ION或者IPN的平均误差.

3 A U C a AUCa AUCa(the area-under-the-curve)

A U C a AUCa AUCa就是通过计算该曲线的面积进行评估

其中， e e e表示归一化误差， f ( e ) f(e) f(e)表示累积误差分布函数。

横坐标表示归一化误差值e（由1中式得）
纵坐标表示小于归一化误差e的特征点占所有特征点的比例

该曲线右下区域越大越好；值得一说的是，该方法的好处就在于AUCa值不像平均误差那样受单个点误差较大而发生较大变化，非常敏感

4. C E D CED CED (the Cumulative Errors Distribution curve)

CED与AUC有些类似，但又不同,如上图所示（参考PFLD中CED曲线）。

横坐标表示归一化点与点间的平均误差（MNE），见方法2；
纵坐标表示小于归一化误差 e e e的样本占总样本的比例

参考链接：
人脸对齐算法常用评价标准
模型评估指标AUC（area under the curve
【人脸对齐-Landmarks】300W 数据集

人脸对齐算法常用评价标准总结相关推荐

人脸对齐算法常用评价标准
人脸对齐常用评价标准 1 the inter-ocular distance normalized error 其中xixix_i表示预测坐标点,x∗ixi∗x^*_i表示ground- ...
【人脸对齐-Landmarks】人脸对齐算法常用评价标准
1 the inter-ocular distance normalized error 其中 xix_ixi 表示预测坐标点,表示ground-truth,dIODd_{IOD}dIOD 表示两 ...
人脸对齐算法调研（Face Alignment）
人脸对齐算法调研(Face Alignment) 转载自 https://zhuanlan.zhihu.com/p/101250334 一.人脸对齐的定义与作用(引用): https://blog.c ...
人脸检测和人脸对齐算法-Dlib-Opencv-MTCNN
人脸检测和人脸对齐算法算法-Dlib-Opencv-MTCNN 1.Dlib人脸检测 2.Opencv人脸检测 3.MTCNN人脸检测 1.Dlib人脸检测 2.Opencv人脸检测 3.MTCN ...
重磅！清华商汤开源CVPR2018超高精度人脸对齐算法LAB
清华&商汤开源超高精度人脸对齐算法LAB 同时发布含10000张人脸的多属性人脸关键点数据集该算法来自CVPR2018论文<Look at Boundary: A Boundary-A ...
SDM人脸对齐算法研究
人脸对齐的算法是我本科阶段的毕业设计课题,从最初的一脸迷茫到最后完成毕设,两个月的时光,恭喜自己顺利完成了毕业设计,在过程中,更是不能缺少指导老师以及学长们给予的帮助.衷心感谢! 人脸对齐的目的是对人 ...
3d人脸对齐代码matlab,重磅！清华商汤开源CVPR2018超高精度人脸对齐算法LAB
清华&商汤开源超高精度人脸对齐算法LAB 同时发布含10000张人脸的多属性人脸关键点数据集该算法来自CVPR2018论文<Look at Boundary: A Boundary-A ...
机器学习--详解人脸对齐算法SDM-LBF
https://www.cnblogs.com/Anita9002/p/7095380.html 引自:http://blog.csdn.net/taily_duan/article/details/ ...
图像增强常用评价标准——峰值信噪比、结构相似度
图像增强的评价标准在像素层面上通常包含有平均绝对误差法(MAE).均方误差法(MSE).峰值信噪比(PSNR)以及结构相似度(SSIM),目前图像增强(图像超分辨率.图像去噪.图像去模糊.图像去雨,图 ...

人脸对齐算法常用评价标准总结

文章目录

1. I O N 和 I P N ION和IPN ION和IPN

2. M N E MNE MNE (the mean normalized error)

3 A U C a AUCa AUCa(the area-under-the-curve)

4. C E D CED CED (the Cumulative Errors Distribution curve)

人脸对齐算法常用评价标准总结相关推荐

最新文章

热门文章