本文作者张杰，中科院计算技术研究所VIPL课题组博士生，专心于深度自学技术及其在人脸识别领域的应用于。涉及研究成果公开发表在计算机视觉国际顶级学术会议ICCV,CVPR和ECCV，并兼任国际顶级期刊TIP和TNNLS审稿人。　　面部特征点定位任务即根据输出的人脸图像，自动定位出有面部关键特征点，如眼睛、鼻尖、嘴角点、眉毛以及人脸各部件轮廓点等，如下图右图。

　　这项技术的应用于很普遍，比如自动人脸识别，表情辨识以及人脸动画自动合成等。由于有所不同的姿态、表情、光照以及遮盖等因素的影响，精确地定位出有各个关键特征点看起来很艰难。我们非常简单地分析一下这个问题，难于找到这个任务只不过可以合并出有三个子问题：　　1、如何对人脸表观图像（输出）建模　　2、如何对人脸形状（输入）建模　　3、如何创建人脸表观图像（模型）与人脸形状（模型）的关联　　以往的研究工作也必不可少这三个方面。

人脸形状建模典型的方法有可变形模板（DeformableTemplate）、点产于模型（主动形状模型ActiveShapeModel）、图模型等。　　人脸表观建模又可分成全局表观建模和局部表观建模。

全局表观建模非常简单的说道就是考虑到如何建模整张人脸的表观信息，典型的方法有主动表观模型ActiveAppearanceModel（产生式模型）和BoostedAppearanceModel（判别式模型）。对应的局部表观建模则是对局部区域的表观信息建模，还包括颜色模型、投影模型、侧剖线模型等。　　近来，级联形状重返模型在特征点定位任务上获得了重大突破，该方法用于重返模型，必要自学从人脸表观到人脸形状（或者人脸形状模型的参数）的映射函数，进而创建从表观到形状的对应关系。

此类方法不必须简单的人脸形状和表观建模，非常简单高效，在高效率场景（实验室条件下收集的人脸）和非高效率场景（网络人脸图像等）皆获得不俗的定位效果。此外，基于深度自学的面部特征点定位方法也获得令人瞩目的结果。深度自学融合形状重返框架可以更进一步提高定位模型的精度，沦为当前特征定位的主流方法之一。

下面我将明确讲解级联形状重返和深度自学这两大类方法的研究进展。　　级联线性重返模型　　面部特征点定位问题可以看做是自学一个重返函数F，以图象I作为输出，输入为特征点的方位（人脸形状）：=F（I）。

非常简单的说道，级联重返模型可以统一为以下框架：自学多个重返函数{f1,,fn-1,fn}来迫近函数F：　　=F（I）=fn(fn-1(f1(0,I),I),I)　　i=fi(i-1,I),i=1,,n　　所谓的级联，即当前函数fi的输出依赖上一级函数fi-1的输入i-1，而每一个fi的自学目标都是迫近特征点的现实方位，0为初始形状。一般来说情况，fi不是必要重返现实方位，而重返当前形状i-1与现实方位之间的差：i=-i-1。　　接下来我将详尽讲解几个典型的形状重返方法，他们显然的不同点在于函数fi的设计有所不同以及输出特征有所不同。

　　在加州理工学院专门从事博士后研究的PiotrDollr于2010年首次明确提出级联形状重返模型CascadedPoseRegression（CPR），来预测物体的形状，该工作公开发表在国际计算机视觉与模式识别会议CVPR上。如下图右图，如下图右图，等价初始形状0，一般来说为平均值形状，根据初始形状0萃取特征（两个像素点的差值）作为函数f1的输出。每个函数fi建模成RandomFern重返器，来预测当前形状i-1与目标形状的差i，并根据?i预测结果改版当前形状得i=i-1+?i，作为下一级函数fi+1的输出。

本文来源：雷电竞-www.busnelliadamo.com