改进级联回归模型的人脸特征点定位
一种改进的AAM人脸特征点快速定位方法
传统反向组合 AAM 相比，拟合准确率提高约 43%，时间消耗降低约 62%。
关键词：人脸识别；AAM；反向组合算法；Adaboost；三维姿态估计；ATLAS
中图分类号：TP391.41
文献标识码：A
文章编号：1009-5896(2009)06-1354-05
An Improved AAM Fast Localization Method for Human Facial Features
1 引言
人脸特征定位是人脸识别的一个核心环节，在 MPEG4 视频编码、视频安全监控等领域应用广泛。利用 AAM 算 法[1,2]进行特征点定位是近年来国内外学者关注和研究的热 点，它相比传统基于肤色、模板以及 Gabor 小波等方法具 有较高的效率和更好的准确性。
AAM 算法的拟合效率与模型的初始位置及模型实例关
α = arctg(d/l), θInEye = arctg(d/l1) − arctg(d/l2),
θ = (θInEye + θmouth )/ 2
(2)
根据计算得到的角度和前面得到的鼻尖位置，本文即完
Fan Xiao-Jiu① Peng Qiang① Jim X Chen② Xia Xu①
①
(School of Information Science & Technology, Southwest Jiaotong University, Chengdu 610031, China)
②
(Department of Computer Science, George Mason University, Fairfax VA 22030-4444, USA)
图 1 人脸分割及颈部区域分离
ASM及其改进的人脸面部特征定位算法
万方数据１４１２计算机辅助设计与图形学学报２００７正本文针对ＡＳＭ的缺点进行了改进：根据瞳孔的精确定位，计算出平均模型进行仿射变换所需要的相关参数值，对平均模型进行几何变换来估计初始形状；在形状模型中，采用基于成分和整体相结合的优化办法，分别对不同的人脸特征区域成分（轮廓、眉毛、眼睛、嘴巴、鼻子等）建立统计形状模型．对特征点定位结果先采用基于成分的形状模型单独优化，并加人人脸面部相似性构形机制对定位结果进行约束，将不同的人脸特征区域结合为整体进行优化，充分保证定位结果的合理性；特征点局部的纹理特征采用Ｌｏｇ—Ｇａｂｏｒ小波系数进行描述，并建立局部纹理模型．由于小波本身是带通滤波器，可去掉低频的光照和高频的噪声，提高算法的鲁棒性．１ＡＳＭＡＳＭ可表示”１为ｘ＝贾＋Ｐｂ，ｂ＝Ｐ１（Ｘ一贾）（１）其中，向量ｂ即是模型参数，Ｐ是整脸模型的特征子空间基，ｘ表示目标形状，ＡＳＭ由两部分组成：式（１）表示形状子空间模型；另一部分是利用模型的搜索过程．ＡＳＭ的搜索过程分为计算新位置、计算形状和姿态参数以及参数更新３步，将模型参数在其方差范围内随机变化可以得到各种虚拟的人脸，从而发现该模型能很好地反映出各种人脸的变化：从几何形状的变化到各种表情的变化，甚至还可以出现一定的面部旋转的变化．ＡＳＭ局部模型是以特征点为中心的一个局部窗口或轮廓法线方向的纹理采样向量｝ｇｌ进行统计分析得出的．假定其服从多变量高斯分布，则可以利用马氏距离来衡量特征点符合模型的准确性，即ｆ（ｇ）＝（ｇ—ｆ）１≠；１（ｇ—ｆ）．设当前给定得图像为ｆ，任务是从图像中通过迭代和参数更新找出目标形状ｘ．在ＡＳＭ搜索过程中，平均模型的初始化很重要，好的初始化较少出现局部最优的定位结果．在一幅人脸图像中，因为瞳孔的灰度值较低，所以成为最容易精确定位的部分．本文采用和文献［５］类似的方法来取得人脸虹膜的准确定位：根据人脸几何特征先验知识，建立人眼位置的判断标准，对分割阔值范围进行粗略估计；然后采用分割阈值递增的方法，并结合判断标准判断人眼的大致位置；最后利用二维相关系数作为对称性测度来准确检测出虹膜位置．该方法在复杂背景、光照均匀，或是正面人脸以一定角度仰视、俯视或偏转一定角度条件下，都能取得很好的虹膜定位结果，可以用来为ＡＳＭ在搜索前进行较准确的初始化．令平均模型中左右瞳孔的坐标分别为（ｚ：，Ｙ：）和（ｚ；，Ｙ；），同时对待搜索的图像也进行瞳孔定位，得到左右瞳孔的坐标为（ｚ。
dlib人脸关键点检测原理
dlib人脸关键点检测原理dlib是一个强大的C++开源库，用于处理图像和机器学习任务。
它包含了许多功能，其中之一就是人脸关键点检测。
人脸关键点检测是指从给定的图像中检测和定位人脸的重要点，例如眼睛、鼻子、嘴巴等。
这些关键点对于许多计算机视觉任务非常重要，如人脸识别、表情分析、姿势估计等。
在本文中，我们将介绍dlib中使用的一种基于深度学习的人脸关键点检测原理。
dlib使用的人脸关键点检测方法基于深度卷积神经网络(CNN)。
CNN 是一种受到生物学启发的神经网络结构，具有自动学习特征的能力。
通过对大量人脸图像进行训练，CNN可以自动提取人脸的特征和结构信息，并输出人脸的关键点坐标。
dlib的人脸关键点检测网络使用了ResNet架构。
ResNet是一种非常深的神经网络结构，可以避免梯度消失的问题，并且在训练深层网络时具有更好的性能。
dlib将ResNet应用于人脸关键点检测任务，以实现更准确的检测结果。
在训练阶段，dlib使用了大量的人脸图像数据集进行训练。
这些数据集包含了标注好的人脸关键点坐标，以便用于网络的监督学习。
dlib 根据这些标注好的关键点坐标和对应的人脸图像来训练网络，使得网络能够学习到人脸的特征和结构信息。
当输入一张人脸图像时，dlib的人脸关键点检测网络会对图像进行一系列的卷积和池化操作，以提取图像中的特征信息。
这些特征信息将被送入全连接层，进一步提取更高阶的特征。
最后，网络会输出人脸图像中各个关键点的概率分布。
为了提高检测的准确性，dlib还使用了级联回归方法。
级联回归是一种级联的机器学习方法，可以通过多个步骤逐渐提高检测的准确性。
在dlib中，首先使用一个较粗糙的检测器对人脸进行初步定位。
然后，将初步定位的人脸图像送入级联回归网络，进行更细致的关键点定位。
通过多个级联回归器的组合，dlib可以实现准确且细致的人脸关键点检测。
总的来说，dlib的人脸关键点检测原理基于深度学习的CNN和级联回归方法。
超全的最新的人脸识别特征点定位方法
超全的最新的人脸识别特征点定位方法人脸识别是近年来计算机视觉领域的一个重要研究方向，其中人脸特征点定位是其关键技术之一、早期的人脸特征点定位方法主要基于手工设计的特征和传统的机器学习算法，但这些方法在复杂场景下效果较差。
随着深度学习的兴起，越来越多的人脸特征点定位方法采用了基于深度神经网络的方法，取得了令人瞩目的成果。
下面将介绍一种具有较高准确率和鲁棒性的最新人脸特征点定位方法。
该方法主要分为两个阶段：人脸检测和人脸特征点定位。
在人脸检测阶段，首先利用深度神经网络模型，如MTCNN（多任务级联卷积神经网络）或RetinaFace，对输入图像进行人脸检测。
通过对检测结果进行阈值处理和非极大值抑制，筛选出较为准确的人脸候选框。
在人脸特征点定位阶段，利用深度神经网络模型进行人脸特征点的定位。
最常用的模型是HourGlass网络，它是一个具有层级结构的神经网络，能够有效处理不同尺度和不同角度下的人脸特征点定位任务。
HourGlass网络通过堆叠多个残差模块实现了对特征的多尺度和多次聚合。
此外，为了提高网络的鲁棒性，还可以引入注意力机制和多尺度信息融合。
具体而言，人脸特征点定位任务可以分为两个子任务：人脸区域回归和特征点定位。
在人脸区域回归子任务中，将输入图像通过HourGlass网络，输出人脸框的位置信息。
在特征点定位子任务中，将输入图像和人脸区域通过HourGlass网络，输出相应的特征点坐标。
为了提高网络的鲁棒性，可以引入一些技巧，如辅助损失函数、残差连接、批量归一化等。
除了HourGlass网络，还有其他一些深度神经网络模型也被广泛应用于人脸特征点定位任务，如ResNet、VGGNet等。
这些模型通过堆叠多个卷积和池化层，实现对图像特征的抽取和学习。
同时，为了进一步提高准确率，可以采用数据增强技术，如随机旋转、缩放和平移等。
综上所述，最新的人脸特征点定位方法主要利用深度神经网络模型进行人脸检测和特征点定位。
多视角级联回归模型人脸特征点定位
人脸识别算法的优化及改进方法详解
人脸识别算法的优化及改进方法详解人脸识别技术是近年来快速发展的一项人工智能技术，其在安全领域、人机交互领域和智能监控领域有着广泛的应用。
然而，目前的人脸识别算法仍然存在一些问题，如准确率、鲁棒性和计算效率等方面的限制。
本文将详细介绍人脸识别算法的优化和改进方法，以提高识别的准确性和效率。
一、特征提取算法的优化特征提取是人脸识别算法的核心步骤之一，直接影响到最终的识别效果。
常用的特征提取算法包括主成分分析（PCA）、线性判别分析（LDA）和局部二值模式（LBP）等。
为了提高识别准确率，可以通过以下方法对特征提取算法进行优化：1.降低维度：PCA算法通常会产生高维特征向量，导致计算复杂度高。
可以使用基于SVD（奇异值分解）的快速PCA算法进行降维，以减少计算量和存储空间。
2.增强鲁棒性：LDA算法在处理非线性数据时性能较差，针对这个问题可以采用核技巧，如核主成分分析（KPCA）和核线性判别分析（KLDA），来提高算法的鲁棒性和非线性拟合能力。
3.结合时空信息：人脸识别算法除了可以利用静态图像进行识别，还可以结合视频序列的时空信息。
通过使用光流估计算法提取视频序列中的运动信息，并将其融合到静态特征中，可以提高识别的准确性。
二、人脸对齐算法的改进人脸对齐是人脸识别算法中的重要步骤，其目的是将输入的图像中的人脸对齐到一个标准姿态。
传统的人脸对齐算法通常使用刚体变换，如欧拉变换和仿射变换。
然而，这些算法对姿态变化较大的人脸无法获得良好的对齐效果。
为了改进人脸对齐算法，可以考虑以下方法：1.采用非刚体变换：使用非刚体变换模型，如Thin-Plate Spline（TPS）变换和Active Shape Model（ASM），可以更好地处理人脸的非刚体形变问题。
这些变换模型能够根据局部特征点的位置和形状变化来实现非刚体变换，从而提高对齐的准确性。
2.结合深度信息：近年来，深度学习技术的发展为人脸对齐提供了新的思路。
一种基于改进的ASM的人脸特征点定位方法
第 ４ Ｏ卷 第 ４期 ２ ０ １ ３ 年 ４月
一
计
算
ቤተ መጻሕፍቲ ባይዱ
机
科
学
Ｃｏ ｍｐ ｕ ｔ ｅ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ
Ｖｏ １ ． ４ ０ Ｎｏ ． ４ Ａｐ ｒ ２ ０ １ ３
种 基 于 改进 的 Ａ Ｓ Ｍ 的 人脸 特 征 点 定 位 方 法
韩 玉峰 王 小林 。
（ 安 徽工 业大 学数理 学 院 马鞍 山 ２ ４ ３ ０ ３ ２ ） （ 安徽工 业 大学计 算机 学 院 马 鞍 山 ２ ４ ３ ０ ３ ２ ）
摘 要 主动形状模型（ ＡＳ Ｍ） 在对 目标点的搜 索过程 中， 只采用 了训练 图像 中标定 点两侧 法线方 向的 ｐ ｒ ｏ ｆ ｉ ｌ ｅ 邻域 内
精度提高 １ ６ ． ５ ， 是 一 种 可行 的 改进 方 法 。 关键词 主动形状模型 （ ＡＳ Ｍ） ， 局 部 灰度 模 型 ， 人 脸 特 征 点 定位 ， Ｒ ＧＢ空 间 Ｔ Ｐ ３ ９ 文献标识码 Ａ 中图法分类号
Ｍｅ ｔ ｈｏ ｄ ｏ ｆ Ｈｕ ｍａ ｎ Ｆａ ｃ ｉ ａ ｌ Ｆｅ ａ ｔ ｕ ｒ ｅ Ｐｏ ｉ ｎｔ ｓ Ｐｏ ｓ ｉ ｔ ｉ ｏ ｎｉ ｎｇ Ｂａ ｓ ｅ ｄ ｏ ｎ Ｉ ｍｐｒ ｏ ｖ ｅ ｄ ＡＳＭ
基于改进的ASM人脸特征点定位
征） 的位置 。 人脸 特征 点的定位是人 脸姿态 估计 、 人 脸 识别 技术 、 三维人 脸合 成技术 、 三维人 脸表 情动 画技术 。 个性 化卡通 人脸生成 技术等 的基础 目前 ， 脸特 征点定位方 法主要有 如下 四种 ： 人
（） １ 基于灰 度水平 和垂直 投影的方 法【： ｌ 】
２１ ０ ０年
４月
三
明
学
院
ቤተ መጻሕፍቲ ባይዱ
学
报
Ａｐ ． ２ １ ｒ ００ Ｖ １ ７ ＮＯ． ｏ． ２ ２
第 ２ ７卷
第 ２期
Ｊ ０ＵＲＮＡ ＡＮＭＩ ＮＩ ＲＳ Ｔ Ｌ ＯＦ Ｓ ＮＧ Ｕ ＶＥ Ｉ Ｙ
基 于改进 的 Ａ Ｍ 人脸 特征 点定 位 Ｓ
邱 丽梅
（ 明学 院 物理 与机 电工程 系 ， 建 三 明 ３ ５ ０ ） 三 福 ６０ ４
摘 要 ： 对 传 统 Ａ Ｍ 算 法 的初 始模 型 不 准确 会 导 致 特征 点提 取 失 败 ， 始 模 型 不仅 复 杂 ， 且 不 能适 应 多姿 态人脸 的 针 Ｓ 初 而 特征 点 定位 及 收 敛速 度 慢 的缺 点 ， 出 了引入仿 射 变换 不 变性 初 始 化 原则 （ Ｔ Ｉ 来 建 立初 始 模 型 。 模 型使 Ａ Ｍ 算法 不 提 Ａ Ｉ Ａ） 该 Ｓ
０ 引言
人 脸 特 征 点 定 位 是从 己 知 的 人 脸 所 在 区 域
中 ， 取人 脸 面 部 特征 ｆ ： 睛 、 巴 、 子 等 特 获 如 眼 嘴 鼻
取 到人脸 面 部特 征 ．但是 需要 给 出人脸 面部特征 的初始位 置 ， 计算 量也较 大。 综 述 所 述 ．本 文 针 对 基 于 主 动 曲线 方 法 之 Ａ Ｍ（ ｃ ｖ ｈ ｐ ｄ ｌ简称 Ａ Ｍ） 法 的缺点 ， Ｓ Ａ ｔ ｅＳ ａ ｅＭｏ ｅ， ｉ Ｓ 方 提 出 了一种 新 改 进 的 ＡＳ 方 法进 行 人 脸 特 征点 Ｍ 检 测 定位 ， 该算 法 为 Ａ Ｍ 提供 了稳定 、 Ｓ 适应 性 强 的初 始模 型 ， 能更 快 、 好地适 应 多姿态 人脸 的特 更
人脸识别中的人脸关键点检测算法优化
人脸识别中的人脸关键点检测算法优化一、引言人脸识别技术在近年来得到了广泛的应用，其实现原理中的一个关键环节就是人脸关键点的检测。
人脸关键点检测算法的优化是提高人脸识别准确性和效率的关键。
本文将就人脸关键点检测算法的优化进行探讨。
二、人脸关键点检测算法概述人脸关键点是人脸图像中的一些特定位置，例如眼睛、鼻子、嘴巴等部位。
人脸关键点检测算法旨在通过对人脸图像的分析，准确地定位这些关键点。
常见的人脸关键点检测算法包括传统的基于模型的方法和基于深度学习的方法。
传统的基于模型的方法主要基于特征提取和模式匹配原理，通过人工设计特征或使用机器学习方法对特征进行学习。
这些方法通常需要预定义的特征模型，并且对于不同的人脸图像，需要手动调整模型参数，因而具有一定的局限性。
基于深度学习的方法则利用深度神经网络的强大学习能力，自动学习人脸的特征表示，并通过回归或分类模型得到人脸关键点的坐标。
这些方法在人脸关键点检测任务上取得了良好的效果，但是其复杂的网络结构和需要大量的训练数据使得其计算复杂度较高。
三、人脸关键点检测算法的优化方向为了提高人脸关键点检测算法的准确性和效率，研究者们提出了一系列的优化方法和技术。
以下将从多个方面对这些优化方向进行讨论。
1. 特征提取人脸关键点检测算法的准确度与特征提取的质量密切相关。
为了获得更好的特征表示，可以使用先进的特征提取算法，如局部二值模式（Local Binary Patterns, LBP）、方向梯度直方图（Histogram of Oriented Gradients, HOG）等。
这些算法可以从人脸图像中提取出更具代表性的特征，有助于提高关键点检测的准确性。
2. 模型优化对于基于模型的人脸关键点检测算法，模型的优化是一项重要的任务。
可以通过对模型进行精细的调整和优化，提高模型的性能。
此外，还可以使用更为先进的模型，如级联形状回归器（Cascade Shape Regression, CSR）、支持向量回归（Support Vector Regression, SVR）等，来取代传统的模型，提高关键点检测的精确度。
人脸关键点检测 经典算法
人脸关键点检测经典算法人脸关键点检测经典算法是计算机视觉领域的一个重要研究方向，它旨在识别和定位人脸图像中的关键点，如眼睛、鼻子、嘴巴等。
本文将介绍人脸关键点检测的基本原理以及三种经典算法：传统机器学习方法、深度学习方法和级联回归方法。
通过分析比较这些算法的优劣势，我们能够更好地理解人脸关键点检测技术的发展和应用。
一、人脸关键点检测基本原理人脸关键点检测的基本原理是将人脸图像中的关键点位置信息映射到特定的坐标系中。
这样一来，我们就可以通过机器学习或深度学习算法来训练模型，使其能够自动识别和定位这些关键点。
具体来说，人脸关键点检测的基本步骤包括以下几个方面：1. 数据准备：从人脸图像或视频中收集一系列标注好的训练样本，其中包含了关键点的位置信息。
2. 特征提取：将人脸图像转换成计算机可以理解的特征向量。
常用的特征包括灰度直方图、梯度直方图和局部二值模式等。
3. 模型训练：使用机器学习或深度学习算法对提取的特征进行训练，以建立关键点检测模型。
4. 模型测试和优化：使用测试集评估模型的性能，并根据需要对模型进行调整和优化。
二、传统机器学习方法传统机器学习方法在人脸关键点检测中有着较长的历史。
常用的传统机器学习方法包括支持向量机(SVM)、随机森林(RandomForest)和神经网络等。
在传统机器学习方法中，特征提取是一个关键问题。
基于传统机器学习方法的人脸关键点检测通常使用手工设计的特征表示，如HOG(Histogram of Oriented Gradients)、SIFT(Scale-Invariant Feature Transform)和SURF(Speeded Up Robust Features)等。
其中，HOG是一种常用的特征表示方法，它通过计算图像中不同方向上梯度的直方图来描述图像的纹理和边缘信息。
SIFT和SURF 则是基于图像局部特征的表示方法，它们可以在尺度、旋转和光照变化下保持特征的稳定性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
摘 要 ：针对级联 回归模 型依赖形状初始化且结构 复杂使其在人脸特征点定位 中速度慢 、精度低 的问题 ， 提 出了改进 的级联 回归人脸特征点定位算法 。采用 仿射变换 参数 回归初始化 人脸形状 ，使变 换后 的初始 形状更接近真实人脸 以提高模型 的收敛速度 和精度 ；在各特征点局 部区域构造随机蕨局部学 习器 ，并学 习 得到易于计算且 高度稀 疏的二值化特征应用提 高模 型 的速度 ；对 二值化 特征使用全 局线性 回归求 得形状 增量 ，实现特征点定位 。仿真实验结 果表明 ：相 比于原算 法 ，所 提算法在 ＬＦＰＷ，ＨＥＬＥＮ，ＡＦＷ 库上 定位误 差平均降低 了 ｌ１％ ，定位时问平均减少 了 １４％。 关键词 ：级联 回归模 型 ；人脸特征 点定 位 ；仿射 变换 ；初始化 ；随机蕨 ；全局线性 回归 中 图分 类 号 ：ＴＰ３９１ 文 献 标 识 码 ：Ａ 文 章 编 号 ：１０００－９７８７（２０１８）０４－ ００５８－ ０４
Ａｂｓｔｒａｃｔ： Ａｉｍｉｎｇ ａｔ ｐｒｏｂｌｅｍ ｏｆ ｌｏｗ ｐｒｅｃｉｓｉｏｎ ａｎｄ ｓｌｏｗ ｒｕｎｎｉｎｇ ｏｆ ｃａｓｃａｄｅ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ ｉｎ ｌｏｃａｔｉｎｇ ｆａｃｅ ａｌｉｇｎｍ ｅｎｔ ｂｅｃａｕｓｅ ｏｆ ｄｅｐｅｎｄｅｎｔ ｓｈａｐｅ ｉｎｉｔｉａｌｉｚａｔｉｏｎ ａｎｄ ｈｉｇｈ ｃｏｍｐｌｅｘｉｔｙ，ａｎ ｉｍｐｒｏｖｅｄ ｃａｓｃａｄｅ ｒｅｇｒｅｓｓｉｏｎ ｆａｃｅ ａｌｉｇｎｍ ｅｎｔ ａｌｇｏｒ ｉｔｈｍ ｉｓ ｐｒｏｐｏｓｅｄ．Ｆａｃｅ ｓｈａｐｅ ｉｓ ｉｎｉｔｉａｌｉｚｅｄ ｂｙ ａｆｆｉｎｅ ｔｒａｎｓｆｏｒｍ ａｔｉｏｎ ｐａｒａｍｅｔｅｒ ｒｅｇｒｅｓｓｉｏｎ，ａｎｄ ｉｎｉｔｉａｌ ｓｈａｐｅ ｏｆ ｔｈｅ ｔｒａｎｓｆｏｒｍ ｅｄ ｓｈａｐｅ ｉｓ ｃｌｏｓｅｒ ｔｏ ｔｈｅ ｇｒｏｕｎｄ ｔｒｕｔｈ ｆｏｒ ｉｍｐｒｏｖｉｎｇ ｍｏｄｅｌ ａｃｃｕｒａｃｙ ａｎｄ ｃｏｎｖｅｒｇｅｎｃｅ ｓｐｅｅｄ． Ｒａｎｄｏｍ ｆｅｒｎｓ ｔｈａｔ ｆｏｌｌｏｗｓ ｌｏｃａｌ ｌｅａｒｎｉｎｇ ｐｒｉｎｃｉｐｌｅ ａｒｅ ｃｏｎｓｔｒ ｕ ｃｔｅｄ ｉｎ ｌｏｃａ ｌ ａｒｅａ ｏ ｆ ｅａｃｈ ｆｅａｔｕｒｅ ｐｏｉｎｔ，ａｎｄ ｌｅａｒｎ ｔｏ ｏｂｔａｉｎ ｅａｓｉｌｙ ａｎｄ ｈｉｇｈｌｙ ｓｐａｒｓｅ ｂｉｎａｒｙ ｆｅａｔｕｒｅ ｔｏ ｉｍｐｒｏｖｅ ｓｐｅｅｄ ｏｆ ｍ ｏｄｅ１．Ｇｌｏｂａｌ ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ ｉｓ ｕｓｅｄ ｔｏ ｃｏｍｐｕｔｅ ｂｉｎａｒｙ ｆｅａｔｕｒｅ ａｎｄ ｏｂｔａｉｎ ｓｈａｐｅ ｉｎｃｒｅｍｅｎｔ ｔｏ ｃｏｍｐｌｅｔｅ ｆａｃｅ ａ ｌ ｉｇｎｍ ｅｎｔ．Ｅｘｐｅｒ ｉｍｅｎｔａｌ ｓｉｍ ｕｌａｔｉｏｎ ｒｅｓｕｌｔｓ ｓｈｏｗ ｔｈａｔ ａｖｅｒａｇｅ ｅｒｒｏｒ ｏｆ ｆａｃｅ ａ ｌ ｉｇｎｍ ｅｎｔ ｒｅｄｕｃｅｓ １ １％ ．ａｎｄ ａｖｅｒａｇｅ ｃｏｓｔ ｏ ｆ ｔｉｍｅ ｄｅｃｒｅａｓｅｓ １４ ％ ｃｏｍｐａｒｅｄ ｗｉｔｈ ｏｒｉｇｉｎａｌ ａｌｇｏｒｉｔｈｍ ｏｎ ＬＦＰＷ ．ＨＥＬＥＮ ａｎｄ ＡＦＷ ｄａｔａｓｅｔｓ． Ｋｅｙｗｏｒｄｓ： ｃａｓｃａｄｅｄ ｒｅｇｒｅｓｓｉｏｎ ｍｏｄｅｌ； ｆａｃｅ ｆｅａｔｕｒｅ ｐｏｉｎｔ ａ ｌｉｇｎｍｅｎｔ； ａｆｆｉｎｅ ｔｒａｎｓｆｏｒｍａｔｉｏｎ； ｉｎｉｔｉａｌｉｚａｔｉｏｎ； ｒａｎｄｏｍ ｆｅｒｎ； ｇｌｏｂａｌ ｌｉｎｅａｒ ｒｅｇｒｅｓｓｉｏｎ
０ 引 言 近 年 来 ，级 联 形 状 回 归 模 型 在 人 脸 特 征 点 定 位 领
域 取 得 了 重 大 突破 。Ｄｏｌｌａｒ Ｐ于 ２０１２年 首 次 提 出 了级 联 姿 态回归（ｃａｓｃａｄｅｄ ｐｏｓｅ ｒｅｇｒｅｓｓｉｏｎ，ＣＰＲ）模 型 预测 物体 的 形状 。Ｃａｏ Ｘ等人在 ＣＰＲ的基础上提 出了显性形状 回归算 法 （ｅｘｐｌｉｃｉｔ ｓｈａｐｅ ｒｅｇｒｅｓｓｉｏｎ，ＥＳＲ） ，并用 于人脸 特征 点定 位 ，模 型总体计 算 量大 且 未考 虑 物体 的遮 挡 问题 。对 此 ， Ｂｕｒｇｏｓ—Ａｒｔｉｚｚｕ Ｘ Ｐ等 人 提 出 了鲁 棒 性 级 联 回归 方 法 （ｒｏｂｕｓｔ ｃａｓｃａｄｅｄ ｐｏｓｅ ｒｅｇｒｅｓｓｉｏｎ，ＲＣＰＲ）Ｌｓ ３，采 用智能重启 的初始化 方法 ，并 将遮挡信息引入 到模 型当中 ，实现 了有 遮挡的特征 点定位 ，但模型仍 然 复杂 。Ｒｅｎ Ｓ等人 对 级联 回归 进行 了 改进 ，提出了局部二值化特 征（１ｏｃａｌ ｂｉｎａｒ ｙ ｆｅａｔｕｒｅｓ，ＬＢＦ）回
５８
传感器与微系统 （Ｔｒａｎｓｄｕｃｅｒ ａｎｄ Ｍｉｃｒｏｓｙｓｔｅｍ Ｔｅｃｈｎｏｌｏｇｉｅｓ）
２０１８年 第 ３７卷 第 ４期
ＤＯＩ：１０．１３８７３／Ｊ．１０００－９７８７（２０１８）０４－００５８－－０４
改进 级 联 回归 模 型 的 人脸 特 征 点 定 位
贾项 南 ，于凤 芹 ，杨 慧 中 ，陈 莹
Ｉｍ ｐｒｏｖｅｄ ｃａｓｃａｄｅ ｒｅｇｒｅｓｓｉｏｎ ｍ ｏｄｅｌ ｆｏｒ ｆａｃｅ ｆｅａｔｕｒｅ ｐｏｉｎｔ ａｌｉｇｎｍ ｅｎｔ
ＪＩＡ Ｘｉａｎｇ—ｎａｎ，ＹＵ Ｆｅｎｇ－ｑｉｎ，ＹＡＮＧ Ｈｕｉ—ｚｈｏｎｇ，ＣＨＥＮ Ｙｉｎｇ （Ｓｃｈｏｏｌ ｏｆ Ｉｎｔｅｒｎｅｔ ｏｆ Ｔｈｉｎｇｓ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｊｉａｎｇｎａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｗ ｕｘｉ ２１４１２２，Ｃｈ状 作 为 初 始 形 状 ，引 入 随 机 森 林 作 为局部学 习器 ，但 随机森林结 构复杂不利于构造 ，虽然提 高 了速 度 ，但精度未改善 。