基于级联形状回归框架的人脸特征点对齐方法总结

最近看了一篇中科院计算机技术研究所大神张杰写的一篇博文，想把其中的知识点总结起来方便自己查阅的同时也能方便大家参考。基于级联姿态回归的方法是近几年人脸特征点对齐研究中比较有效的方法。始于2010年的一篇CVPR文章 ，由加州理工学院从事博士后研究的Piotr Dollar 首次提出级联形状回归模型 CascadePose Regression(CPR) 来预测物体的形状。
对于人脸特征点的对齐问题，可以把它看成是一个从人脸的表观到人脸形状（由人脸的特征点组成的向量）的回归过程，通过不断的迭代直到回归到最优的特征点位置上。
级联姿态回归的一般框架：
S=F（I）；
S是最后输出的形状，F（·）是总回归函数，I是输入的图像，则级联回归模型可以统一为如下的框架：通过学习多个回归函数{f1,f2….fn}来逼近F（·）：
S=F（I）=fn(fn-1(…f1(S0,I),I),I);
Si=fi(Si-1,I),i=1….n;
S0为初始的形状。
在级联形状回归的框架下，延伸出了一系列的人脸特征点对齐方法，比如RCPR,SDM,DRMF,LBF,DCNN等，但是万变不离其宗，他们都可以被统一到级联形状回归这样一个框架下来。下面总结这些方法是如何统一到CPR下的。
RCPR（2013 ICCV 加州理工学院 Xavier P.Burgos-Artizzu ） 直接就是针对CPR在部分遮挡情况下，性能不佳进行改进，提出同时预测人脸形状和特征点是否被遮挡的状态。
SDM 输入的是SIFT特征，回归函数是线性回归函数
DRMF 输入的是HOG特征，回归函数SVR回归函数
LBF 用随机森林模型在局部区域学习稀疏的二值化特征
DCNN 使用CNN来作为回归函数
细节可以参考张杰博士的博文http://www.thinkface.cn/thread-4488-1-1.html