人脸对齐的两种方法-学习笔记

相关论文:
Face Alignment In-the-Wild: A Survey

Facial feature point detection: A comprehensive survey

Face Alignment at 3000 FPS by Regressing Local Binary Features

人脸对齐可以看作在一张人脸图像搜索人脸预先定义的点（也叫人脸形状），通常从一个粗估计的形状开始，然后通过迭代来细化形状的估计。在搜索的过程中，两种不同的信息被使用，一个是人脸的外观 appearance ，另一个是形状。形状提供一个搜索空间上的约束条件.

目前常用的人脸对齐的算法有generative 和 discriminative两种.

Generative methods:
这类方法对人脸形状和外观都建立 generative models，将人脸对齐问题看作一个搜索 shape and appearance 参数的优化问题.
因为人脸的形状和外观多变性，通常我们将人脸建模为 deformable objects。用于人脸对齐的 Generative methods 对人脸外观构建 parametric models，拟合生成模型的目标是找到一组形状和外观参数可以得到一个最符合测试人脸图像的生成模型。基于人脸特征表示的类型，生成模型方法可以进一步细分为基于整体表示的 Active Appearance Models (AAMs) 和基于局部表示的 part-based generative deformable models

Discriminative methods:
这类方法 直接分别训练特征点检测器，这些点的位置受到形状的约束.此类方法的目的是寻找一个判别方程使用这个方程可以直接把面部外观映射到目标面部特征点.

上面给出的Face Alignment at 3000 FPS by Regressing Local Binary Features这篇论文的主要思路如下图:

关于这篇论文的详细理解可以阅读下面呢的参考中给出的博客.

参考:
http://blog.csdn.net/zhangjunhit/article/details/78435972

http://blog.csdn.net/huangynn/article/details/51734333

http://blog.csdn.net/AUTO1993/article/details/65001329

http://blog.csdn.net/u010333076/article/details/50637321