1 介绍


       本文所述方法为SDM在人脸对齐上的应用（Supvised Descent Method）。SDM本是一种求函数逼近的方法，可以用于最小二乘求解。SDM并非一种人脸对齐方法，只是作者在提出新的人脸对齐方法中运用了自己的最小二乘方法。


      人脸对齐，又叫做人脸特征点定位，需要先人工指定点的具有规律的位置，然后在输入的人脸上按照特征点分布规律把点标记出来。



2 人脸对齐的应用


      目前做机器视觉的公司都会进行人脸技术研发， 而人脸对齐则是一个非常火的研发方向，我们知道在人的脸上能做各种事，化妆，戴眼镜，带美瞳，贴纸。现在所有的美图软件，都会有贴纸，还有美肤。一些人脸识别也会基于人脸对齐后的结果提取特征。



3 方法介绍


       SDM 人脸对齐的核心内容很简单，就是特征到偏移量的映射：


                                          Ix = R


I 是特征，x是映射矩阵，R是偏移量。SDM人脸对齐方法训练的目的就是得到映射矩阵x，步骤如下：


      1）归一化样本，使样本的尺度统一；


      2）计算均值人脸；


      3）将均值人脸，作为估计人脸放在样本上，使均值中心和原始人脸形状中心对齐；


      4）计算基于每一个均值人脸的标记点的特征，sift，surf或者hog，切记不要基于灰度值的相互特征；


      5）将所有点的特征串在一起，形成样本特征，所有样本特征形成矩阵I；


      6）计算估计人脸和真实人脸之间的偏移量，并形成矩阵R；


      7）解线性方程Ix=R， matlab中可用x = I \ R，lapack中可用函数dgelsd。


估计形状加上预测偏移量就是结果，在实际情况中，共需要训练多层，二层以后需要使用上一层对齐的结果作为估计形状。



      实际在运用过程中可能会遇到各种问题，总结下来有以下几点：


      1）速度太慢，尤其是使用sift，surf特征；


      2）无效，基于灰度值类的特征由于在标记点周围的小窗口内，灰度值基本一致，变化不大，这也是人脸的一个显著特征；


      3）效果有待提高，hog特征有效的解决上述问题，但是始终不理想，尤其是，水平大角度偏转。



4 结果介绍


        训练使用的数据是afw，helen，ibug，lfpw四个数据库，通过旋转，调节对比度，加噪声等方式扩充样本至10W。总共训练4层，采用自己改善过后的hog特征，一张人脸的对齐速度在3.3GHz CPU上单核是1ms，可多核提速，模型大小2M左右，并成功运用到人脸标记点追踪上，追踪可以解决大角度偏转，大部分90度偏转也是有效的。演示视频： http://v.youku.com/v_show/id_XMTY1NzQ4MDQ2MA==.html?from=y1.7-2

参考文献


Supervised   Descent   Method  and its Applications to Face Alignment