随机森林在人体识别中的应用
随机森林算法在图像识别中的效果
随机森林算法在图像识别中的效果随机森林算法（Random Forest）是一种基于决策树集成的机器学习算法。
它通过随机选择数据样本和特征，构建多颗决策树，然后把它们综合起来，从而提高模型的泛化能力和准确性。
随机森林算法适用于分类和回归问题，同时还具有很好的抗噪能力和解释性。
在图像识别中，随机森林算法可以根据图像的像素值或特征向量，对图像进行分类或识别。
它可以应用在人脸识别、物体识别、手写数字识别等多个领域。
下面分别介绍其在这些领域中的效果和优势。
一、人脸识别人脸识别是随机森林算法在图像识别领域的一个重要应用。
随机森林可以对人脸图像进行特征提取和分类，从而实现人脸识别。
它具有较高的识别准确度和良好的可扩展性。
与其他人脸识别算法相比，随机森林算法具有以下几个优点：1.适用范围广：可以识别多种光照和表情下的人脸图像，具有很强的鲁棒性。
2.特征提取效果好：随机森林算法可以自动提取有效的人脸特征，不需要人工干预。
3.可解释性强：随机森林算法可以输出特征的重要性和分类结果的可信度，有助于优化模型和改进算法。
二、物体识别物体识别是指在图像中自动识别物体所属类别的过程。
随机森林算法可以在物体识别中发挥重要作用，它可以从图像中提取出特征向量，在多个特征维度上进行分类。
因此，随机森林算法具有很好的物体识别效果和不错的运行速度。
它还可以处理物体尺度和方向的变化，从而提高识别准确度。
三、手写数字识别手写数字识别是指将手写数字图像识别为数字的过程。
随机森林算法可以将手写数字图像转化为特征向量，然后通过训练样本和决策树进行分类。
因此，随机森林算法具有很好的手写数字识别效果。
它可以识别多种手写数字样式，具有较高的识别准确度和可靠性。
总结起来，随机森林算法在图像识别领域中具有广泛的应用和良好的效果。
它可以应用于人脸识别、物体识别、手写数字识别等多个领域，具有不错的准确度和鲁棒性。
同时，随机森林算法还具有很好的可解释性，可以输出特征重要性和分类结果的可信度，有助于优化模型和改进算法。
随机森林算法应用场景
随机森林算法应用场景随机森林是一种集成学习算法，通过构建多个决策树模型并结合它们的预测结果来进行分类或回归。
随机森林算法具有很多优点，如具有较高的准确率、能够处理大规模数据集、能够处理高维数据、对缺失值和异常值具有较好的鲁棒性等。
因此，随机森林算法在许多领域都有广泛的应用。
以下是随机森林算法的一些应用场景及相关参考内容：1. 金融领域在金融领域，随机森林算法可以应用于风险评估、信用评分、欺诈检测等任务。
例如，在信用评分中，可以使用随机森林算法构建一个模型来预测借款人的信用风险。
相关参考内容可以是论文《A random forest approach to classifying financial distress》。
2. 医学领域随机森林算法在医学领域中有广泛的应用，如疾病预测、药物设计、基因表达分析等。
例如，在疾病预测中，可以使用随机森林算法根据患者的临床特征来预测患者是否患有某种疾病。
相关参考内容可以是论文《Random forest for the early detection of cardiovascular disease》。
3. 自然语言处理随机森林算法在自然语言处理中也有广泛的应用，如情感分析、文本分类、命名实体识别等。
例如，在情感分析中，可以使用随机森林算法对文本进行情感分类，判断文本是积极的、消极的还是中性的。
相关参考内容可以是论文《A comparative analysis of sentiment classification for tweets using random forest》。
4. 图像处理随机森林算法在图像处理中也有一定的应用，如图像分类、目标检测、人脸识别等。
例如，在目标检测中，可以使用随机森林算法对图像中的目标进行检测和定位。
相关参考内容可以是论文《Facial expression recognition using random forest and local binary patterns》。
基于图像处理技术的人体姿态检测与动作识别研究
基于图像处理技术的人体姿态检测与动作识别研究人体姿态检测与动作识别是计算机视觉领域中的重要研究方向之一，它在多个领域中有着广泛的应用，如智能监控，人机交互，虚拟现实等。
随着深度学习和图像处理技术的发展，人体姿态检测与动作识别已经取得了显著的进展。
本文将重点讨论基于图像处理技术的人体姿态检测与动作识别的研究现状、方法和应用。
人体姿态检测是指从图像或视频中检测出人体的姿态信息，包括关节点的位置和姿态角度等。
传统的人体姿态检测方法主要基于手工设计的特征和机器学习算法，如支持向量机（SVM）和随机森林（Random Forest）。
这些方法在准确率和鲁棒性上存在一定的局限性。
随着深度学习的兴起，特别是卷积神经网络（CNN）的成功应用，人体姿态检测取得了突破性进展。
基于CNN的人体姿态检测方法主要分为两类：单阶段和多阶段方法。
单阶段方法将人体姿态检测看作一个回归问题，直接从图像中预测出关节的坐标位置。
多阶段方法先将人体姿态检测分解为一个关节点检测和一个姿态角度回归问题，通过级联训练来提高检测的准确率。
在网络结构上，一些研究者提出了Hourglass网络，通过堆叠多个Hourglass模块来提高姿态检测的性能。
此外，还有一些方法通过引入前后文信息、注意力机制和姿态生成网络来进一步提高姿态检测的精度和鲁棒性。
人体动作识别是指从视频中识别出人体的动作类别。
传统的人体动作识别方法主要基于手工设计的特征和机器学习算法，如时空光流特征和隐马尔可夫模型（HMM）。
然而，这些方法对于复杂的动作序列识别仍然存在困难。
近年来，深度学习方法在人体动作识别领域取得了巨大的成功。
基于深度学习的人体动作识别方法主要有两个主流的思路：2D-CNN和3D-CNN。
2D-CNN主要是基于图像序列对每一帧进行动作分类，这种方法的优点在于参数较少，适合于小规模的数据集。
而3D-CNN则是直接从视频序列中学习时空信息，其参数数量较大，适合于大规模的数据集。
随机森林算法在肺部结节检测中的应用研究
随机森林算法在肺部结节检测中的应用研究引言随机森林算法是一种基于决策树的集成学习方法，通过随机选择特征子集和样本集来构建多个决策树，最终通过投票或平均化的方式得到集成的结果。
随着计算机技术的发展和医学影像学的进步，肺部结节的检测已成为重要的医学图像处理任务之一。
本文旨在探讨随机森林算法在肺部结节检测中的应用研究。
一、肺部结节检测的背景肺部结节是指出现在肺组织中的小结构，常常作为早期肺癌的重要标志物。
传统的肺部结节检测方法主要依赖于医生的经验，但由于肺部结节的形态各异且易被误诊，传统方法往往存在误诊率高和漏诊率高的问题。
二、随机森林算法的基本原理随机森林算法是由多个决策树组成的集成学习模型，通过随机选择特征和样本构建多个决策树，并通过投票或平均化的方式得到最终结果。
其基本原理如下：1. 随机选择特征子集：在构建决策树的过程中，随机森林算法会从所有特征中随机选择一部分特征子集，作为当前决策树的输入特征。
2. 随机选择样本集：对于每个决策树，随机森林算法从原始样本集中随机选择一部分样本，构成训练样本集，用于构建当前决策树。
3. 构建多个决策树：采用特征子集和样本集构建多个决策树，每个决策树都是一颗独立的决策树。
4. 集成结果：最后，通过投票或平均化的方式，将多个决策树的结果集成为最终的随机森林算法的输出。
三、随机森林算法在肺部结节检测中的应用1. 特征选择：随机森林算法可以通过特征的重要性评估来选择最具区分度的特征。
在肺部结节检测中，可以基于随机森林算法对大量的影像特征进行评估和选择，以获得最佳的特征子集。
2. 结节检测：随机森林算法可以通过训练一组决策树来实现结节的自动检测。
每个决策树都可以对结节样本进行分类，最后通过集成的方式得到结节的检测结果。
3. 结节识别：在结节检测的基础上，随机森林算法还可以通过分类算法对检测到的结节进行识别。
通过训练集的分类信息，可以对新的结节样本进行分类，从而减少误诊率和漏诊率。
随机森林算法应用场景
随机森林算法是一种集成学习方法，由多个决策树组成的分类器。
它在解决分类和回归问题方面具有很高的准确性和稳定性，适用于各种应用场景。
下面将介绍随机森林算法的应用场景及相关参考内容。
1.金融风控领域随机森林算法在金融风控领域有广泛的应用。
例如，在评估个人信用风险时，可以使用随机森林算法来构建模型，从而预测个人的还款能力。
相关参考内容可包括《基于随机森林算法的信用风险评估研究》、《基于随机森林的个人信用风险预测模型研究》等。
2.医疗领域随机森林算法在医疗领域的应用也非常广泛。
例如，在疾病诊断方面，可以使用随机森林算法来构建模型，从而预测患者的疾病风险。
相关参考内容可包括《基于随机森林的疾病风险预测模型研究》、《基于随机森林算法的医疗预测模型研究》等。
3.电商推荐系统随机森林算法在电商推荐系统中也有重要的应用。
例如，在为用户进行个性化推荐时，可以使用随机森林算法来构建模型，从而分析用户的购买行为，并提供个性化的商品推荐。
相关参考内容可包括《基于随机森林算法的电商推荐系统研究》、《基于随机森林的用户购买行为分析及推荐模型研究》等。
4.工业制造领域随机森林算法在工业制造领域也有广泛的应用。
例如，在预测机器故障和维护方面，可以使用随机森林算法来构建模型，从而预测设备的故障风险，提前进行维护。
相关参考内容可包括《基于随机森林的工业制造故障预测模型研究》、《基于随机森林算法的设备维护优化研究》等。
5.自然语言处理随机森林算法在自然语言处理领域也有一定的应用。
例如，在情感分析方面，可以使用随机森林算法来构建模型，从而分析文本中的情感倾向。
相关参考内容可包括《基于随机森林的情感分析模型研究》、《基于随机森林算法的文本情感倾向分析研究》等。
总结起来，随机森林算法的应用场景非常广泛，涉及金融风控、医疗、电商推荐、工业制造、自然语言处理等多个领域。
以上仅是其中的几个示例，实际中还有很多其他应用场景。
这些相关参考内容可以作为进一步了解和研究随机森林算法在具体领域应用的参考资料，有助于深入理解该算法的原理和实现方法。
基于随机森林和卷积神经网络的肝脏影像分析方法
基于随机森林和卷积神经网络的肝脏影像分析方法近年来，医疗技术不断发展，尤其是在图像识别领域，人工智能技术的应用越来越广泛。
肝脏影像分析方法就是其中之一。
肝脏是人体最重要的器官之一，任何肝脏疾病都可能会影响人体的健康。
因此，开发高效准确的肝脏影像分析方法非常重要。
肝脏影像分析方法目前主要分为两个方向：基于指定特征识别和基于深度学习的自动特征提取。
前者需要人工选择一些特征来辅助计算机进行识别，后者则能自己学习出特征。
近年来，基于深度学习的方法一直处于研究的热点。
在深度学习方面，卷积神经网络（CNN）是一个非常优秀的模型。
CNN能够自动地从大量数据中提取出特征，然后再利用这些特征进行分类或回归分析。
因此，将CNN应用于肝脏影像分析也十分合适。
但是，尽管CNN的学习能力强，但是其训练需要大量的数据和时间，同时它的分类精度也不是100%。
此外，有时候我们更需要的是一种高效的分析方法，而不是一种高精度的方法。
这时候，随机森林（RF）就可能是一种非常好的选择。
RF是一种机器学习方法，它可以通过集成多个决策树来提高分类精度。
与单一决策树相比，RF具有更快的学习速度和更好的鲁棒性，并且能够处理高维数据。
因此，RF也可以应用于肝脏影像分析中。
为了利用CNN和RF的优点，一些学者提出了基于CNN和RF相结合的肝脏影像分析方法。
首先，CNN被用来提取肝脏影像的特征。
然后，RF被用来分类这些特征。
这种方法既能够利用CNN的强大学习能力，又能够享受RF的高效性。
具体操作步骤如下：1. 将肝脏影像输入到CNN中，从影像中提取出特征。
2. 将这些特征输入到RF中进行分类。
3. 最后，得到肝脏的分类结果。
这种方法的优点是，无需手动选择特征，具有较高的分类精度和较快的训练速度。
这是因为CNN已经学会了从影像中提取出最重要的特征，RF只需要对这些重要特征进行分类即可。
此外，CNN的网络结构也可以在实验中进行调整和优化，从而进一步提高分类精度。
随机森林算法应用场景
随机森林算法应用场景随机森林算法是机器学习领域中的一种集成学习算法，它基于决策树的思想，并结合了随机过程的特点，可以在处理大规模数据时表现出色。
随机森林的应用非常广泛，下面介绍其中的几个应用场景。
1. 金融风控在金融行业中，风险控制是非常重要的。
随机森林算法可以通过对大量的历史数据进行学习和分析，建立模型预测未来可能发生的风险事件，比如信用卡欺诈、违约等。
随机森林算法可以处理高维度的数据，且对异常点的鲁棒性较强，可以有效避免误判和漏判。
2. 医疗诊断在医疗领域中，随机森林算法也有着广泛的应用。
它可以通过对医疗数据的学习来辅助医生进行疾病的诊断和治疗，比如诊断肿瘤、预测疾病的发展趋势等。
随机森林算法可以通过对多个特征进行综合分析，得出比单一特征更准确的判断结果。
3. 自然语言处理随机森林算法还可以应用于自然语言处理领域，比如文本分类、情感分析等。
在这些应用场景中，随机森林算法可以通过对大量文本数据的学习和分析，提取出文本的特征，并进行分类或情感分析。
随机森林算法可以有效避免文本数据中的噪声和异常值对分类结果的干扰。
4. 图像识别在图像识别领域，随机森林算法也有着广泛的应用。
它可以通过对大量的图像数据进行学习和分析，提取出图像的特征，并进行分类或识别。
随机森林算法可以处理高维度的图像数据，且对图像中的噪声和异常值的鲁棒性较强，可以有效提高图像识别的准确率和稳定性。
随机森林算法是一种非常强大的机器学习算法，它在处理大规模数据时表现出色，并在多个领域中得到了广泛的应用。
在实际应用中，我们需要根据具体的场景选择合适的特征和模型，并进行合理的参数调优，以达到最好的效果。
随机森林应用实例
随机森林应用实例
随机森林是一种流行的机器学习算法，常用于分类和回归问题。
以下是一些随机森林应用的示例：
1. 疾病预测：随机森林可以用来预测某人是否患有某种疾病。
医疗数据和患者的病史可以用作随机森林的输入，最终输出一个“是”或“否”的答案。
2. 欺诈检测：随机森林可以用来检测信用卡或其他交易中的欺诈行为。
模型可以学习正常和异常交易的模式，并识别可疑的交易。
3. 自然语言处理（NLP）：使用随机森林来分类文本，如垃圾邮件或非垃圾邮件。
输入可以是电子邮件文本或社交媒体帖子等。
4. 图像分类：随机森林可以用来分类图像。
输入可能是图像的像素或其他特征（例如，颜色、形状或纹理）。
5. 推荐系统：使用随机森林来预测用户可能喜欢的产品或内容。
输入数据可以包括用户的购买历史、网站浏览历史和其他用户行为数据。
总之，随机森林的应用范围广泛，可应用于多个领域和问题。
- 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)。
随机森林在人体识别中的应用陈楠12J0020摘要人体识别是计算机视觉领域的一大类热点问题，其研究内容涵盖了人体的监测与跟踪、手势识别、动作识别、人脸识别、性别识别和行为与事件识别等，有着非常广泛的应用价值。
随机森林以它自身固有的特点和优良的分类效果在众多的机器学习算法中脱颖而出。
随机森林算法的实质是一种树预测器的组合，其中每一棵树都依赖于一个随机向量，森林中的所有的向量都是独立同分布的。
本文简单介绍了随机森林的原理，并对近几年来随机森林在姿势识别和人脸识别中的应用进行讨论。
关键词随机森林；姿势识别；人脸识别；1.人体识别概述人体识别是计算机视觉领域的一大类热点问题，其研究内容涵盖了人体的监测与跟踪、手势识别、动作识别、人脸识别、性别识别和行为与事件识别等。
其研究方法几乎囊括了所有的模式识别问题的理论与技术，例如统计理论，变换理论，上下文相关性，分类与聚类，机器学习，模板匹配，滤波等。
人体识别有着非常广泛的应用价值。
绝大多数人脸识别算法和人脸表情分析算法在提取人脸特征之前,需要根据人脸关键点的位置(如眼角,嘴角)进行人脸的几何归一化处理。
即使在已知人脸粗略位置的情况下,人脸关键点精确定位仍然是一个很困难的问题,这主要由外界干扰和人脸本身的形变造成。
当前比较流行的算法有：基于启发式规则的方法、主成分分析(PCA)、独立元分析(ICA)、基于K-L 变换、弹性图匹配等。
2.随机森林综述随机森林顾名思义，使用随机的方式建立一个森林，森林里面有很多的决策树组成，随机森林的每一棵决策树之间是没有关联的。
在得到森林之后，当有一个新的输入样本进入的死后，就让森林的每一棵决策树分别进行一下判断，看看这个样本应该属于哪一类（对于分类算法），然后看看哪一类能被选择最多，就预测这个样本为那一类。
随机森林是一种统计学习理论，其随机有两个方面：首先是在训练的每一轮中，都是对原始样本集有放回的抽取固定数目的样本点，形成k个互不相同的样本集。
第二点是：对于每一个决策树的建立是从总的属性中随机抽取一定量的属性作分裂属性集，这样对于k个树分类器均是不相同的。
由随机生成的k个决策树组成了随机森林。
对于每一个决策树来讲，其分裂属性是不断的选取具有最大信息增益的属性进行排列。
整个随机森林建立后，最终的分类标准采用投票机制得到可能性最高的结果。
下图是随机森林构建的过程：图1 随机森林构建过程3.随机森林在人体识别中的应用3.1 随机森林应用于姿势识别以[1]一文来讨论，论文中所涉及到的人体识别过程主要分为两步，首先是，身体部位标记：对于从单张景深图像中对人体进行分段，并标记出关键节点。
之后进行身体关节定位，将标记的各个人体部分重新映射到三维空间中，对关键节点形成高可靠的空间定位。
图2 深度图像-身体部位标记-关节投影本文的最主要贡献在于将姿势识别的问题转化成了物体识别的问题，通过对身体不同部位的空间位置的确定来实现，做到了低计算消耗和高精确度。
在身体部位标记的过程中，将问题转化成了对每个像素的分类问题，对于每个像素点，从景深的角度来确定该点的局域梯度特征。
该特征是点特征与梯度特征的良好结合。
举个例子，对于不同点的相同属性值的判别，如下图，图a 中的两个测量点的像素偏移间均具有较大的景深差，而图b 中的景深差则明显很小。
由此看出，不同位置像素点的特征值是有明显差别的，这就是分类的基础。
图3 景深图像特质示例式1文中对于决策树的分裂属性的选择来说。
由于某两个像素点、某些图像特征选取的随意性，将形成大量的备选划分形式，选择对于所有抽样像素对于不同的分裂属性划分前后的信息熵增益进行比较，选取最大的一组ψ=(θ, τ)作为当前分裂节点。
（信息增益与该图像块最终是否正确地分类相关，即图像块归属于正确的关键特征点区域的概率。
）图4 决策时分类说明式2式3决策树的建立后，某个叶子节点归属于特定关键特征点区域的概率可以根据训练图像最终分类的情f θ(l,x )=d 1(x +K u )−d 1(x +K v )况统计得到，这就是随机森林在实际检测特征点时的最重要依据。
在人体关节分类中，我们由形成的决策森林，来对每一个像素点的具体关节属性进行判断，并进行颜色分类。
随机森林这种基于大量样本统计的方法能够对由于光照、变性等造成的影响，实时地解决关键特征点定位的问题。
如图所示，是对于景深图像处理后的结果展示。
图5 姿势识别处理结果应该这样说，这篇文章在算法的层面对随机森林没有太大的贡献。
在划分函数的形式上很简单。
这个团队值得称道的地方是通过计算机图形学造出了大量的不同体型不同姿势的各种人体图像，用作训练数据，这也是成为2011年CVPR Best Paper的重要原因。
正是因为论文的成果运用于Kinect，在工业界有着巨大的作用，落实到了商用的硬件平台上，推动了随机森林在计算机视觉、多媒体处理上的热潮。
3.2 随机森林应用于人脸识别基于回归森林的脸部特征检测通过分析脸部图像块来定位人脸的关键特征点，在此基础上条件回归森林方法考虑了全局的脸部性质。
对于[2]进行分析，这篇论文是2012年CVPR上的论文，本文考虑的是脸部朝向作为全局性质。
其主要描述的问题是如何利用条件随机森林，来确定面部10个关键特征点的位置。
与之前不同的是，在随机森林的基础上，加入了面部朝向的条件约束。
图6 脸部10个特征点对于面部特征标记的问题转化成了对大量图像块的分类问题。
类似于人体识别中的局域梯度特征识别。
本文中，对于每一个图像块来说，从灰度值、光照补偿、相位变换等图像特征，以及该图像块中心与各个特征点的距离来判断图像块的位置特征。
在决策树的分裂属性确定过程，依然使用“最大信息熵增益”原则。
图7 条件随机森林算法说明文中提出了更进一步基于条件随机森林的分类方法，即通过设定脸部朝向的约束对决策树分类，在特征检测阶段能够根据脸部朝向选择与之相关的决策树进行回归，提高准确率和降低消耗。
此论文还对条件随机森林，即如何通过脸部朝向对决策进行分类进行了说明，但这与随机森林算法没有太大关系，这里就不再继续讨论了。
随机森林这种基于大量样本统计的方法能够对由于光照、变性等造成的影响，实时地解决关键特征点定位的问题。
另一篇文章[3]对于脸部特征标记，提出了精确度更高、成本更低的方法。
即，基于结构化输出的随机森林的特征标记方式。
文中将面部划分为20个特征点，对于各个特征点来说，不仅有独立的图像块分类标记，还加入了例如，点4，对于其他嘴唇特征点3,18,19的依赖关系的判断。
这样的方法使特征点标记准确率大大增加。
该方法依然是使用随机森林的方法，有所不同的是引入了如式中所示的与依赖节点之间的关系。
对于决策树的建立依然是依赖信息熵增益原则来决定，叶子节点不仅能得到特征的独立划分还会得到该特征对依赖特征的贡献，最终特征节点的判断会综合原始投票及空间约束。
图8 脸部特征标记式4图9 决策树依赖关系例如当对下图中人脸特征点进行分类时，使用简单的随机森林方法，经过判断会将各个点进行标注，可以看到红色的点，标注出的鼻子特征。
如果利用依赖节点进行判断，鼻子的点会被局限在其他鼻子特征点的周围，进行叠加后，得到了这个结果。
显然，对于此节点的判断，利用结构输出的方式，准确度更高了。
图10 结构化输出结果4.随机森林总结大量的理论和实证研究都证明了RF具有很高的预测准确率，对异常值和噪声具有很好的容忍度，且不容易出现过拟合。
可以说，RF是一种自然的非线性建模工具，是目前数据挖掘算法最热门的前沿研究领域之一。
具体来说，它有以下优点：1.通过对许多分类器进行组合，它可以产生高准确度的分类器；2.它可以处理大量的输入变量；3.它可以在决定类别时，评估变量的重要性；4.在建造森林时，它可以在内部对于一般化后的误差产生不偏差的估计；5.它包含一个好方法可以估计遗失的资料，并且，如果有很大一部分的资料遗失，仍可以维持准确度。
6.它提供一个实验方法，可以去侦测变量之间的相互作用；7.学习过程是很快速的；8.对异常值和噪声具有很好的容忍度，且不容易出现过拟合；随机森林的缺点：1.对于有不同级别的属性的数据，级别划分较多的属性会对随机森林产生更大的影响，所以随机森林在这种数据上产出的属性权值是不可信的；2.单棵决策树的预测效果很差：由于随机选择属性，使得单棵决策树的预测效果很差。
参考文献：[1] Shotton, J.; Fitzgibbon, A.; Cook, M.; Sharp, T.; Finocchio, M.; Moore, R.; Kipman, A.; Blake, A., "Real-time human pose recognition in parts from single depth images,"Computer Vision and Pattern Recognition (CVPR), 2011 IEEE Conference on, vol., no., pp.1297,1304, 20-25 June 2011[2] Dantone M, Gall J, Fanelli G, et al. Real-time facial feature detection using conditional regression forests[C]//Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on. IEEE, 2012: 2578-2585.[3] Heng Yang, Ioannis Patras, "Face Parts Localization Using Structured-output Regression Forests", ACCV2012，Dajeon, Korea.。