文 献 综 述
1. 引言
人脸识别相关技术主要包括四个部分：人脸检测，人脸配准，人脸校验和人脸识别。其中人脸配准（或称为人脸对齐，人脸关键点标定）是在人脸检测的基础上，进一步定位脸部关键特征点，比如眼睛、眉毛、鼻子、嘴唇、面部轮廓等等。
在目前与人脸相关的计算机视觉研究领域中，人脸配准是进一步人脸图像处理的预处理步骤。人脸配准结果可以应用在人脸识别、追踪、面部姿态估计、表情分析、人脸动画、三维人脸建模等领域中。反过来人脸配准对人脸检测也很有帮助，因为人脸配准首先在人脸之间找到了对应的特征点，直接比较这些特征点，可以很容易判断图像中是否有人脸。
2. 国内外的人脸配准研究
人脸配准主要思想是利用关键点附近的信息（比如人脸纹理特征等）和各个关键点之间的相互约束关系进行特征点的匹配。人脸配准的方法大致有两类，一个是基于模型的方法，一个是基于回归的方法。
基于模型的方法的代表是Cootes等人在1992年提出的ASM（活动形状模型）方法[1]，该方法同时考虑数十个脸部特征点的纹理和位置关系约束，从而计算出一个参数模型。该方法从局部特征中检测关键点，由于配准时搜索的局部性导致其对噪声十分敏感。1998年Cootes等人还提出了AAM（活动表观模型）方法[2]，根据全局纹理的重构误差估计形状参数的变化，但是此方法对外观变化（姿态、表情等）和初始化都很敏感，且容易限定于现有的数据集而泛化性较差。后来Cootes进一步提出了基于PCA（主元分析）参数模型等的相关改进方法 [3,4]。
基于回归的方法是ASM相关改进的另一个研究方向，是对形状模型的改进，该方法学习一个能直接将图像映射到输出目标的回归函数。前期的研究工作中很多研究者由于使用了参数化模型约束形状而效果不佳，后来一些研究使用了姿态/形状索引特征
与回归学习相结合等方法，取得了很多不错的效果，在2.1节中将详细介绍。
2.1基于回归的人脸配准研究
在较为先进的人脸配准算法中，Dollar, P.等人在2010年提出将姿态索引框架和加强回归学习相结合的级联姿态回归（CPR）[5]。该方法通过增强的回归器逐步更新人脸形状，每一级的回归学习同时取决于原图像和前一级回归学习估计出的形状。这种基于形状索引特征的回归学习对人脸形状具有很高的几何不变性，有利于获得较高的配准精度和速度。
在此基础上，Dong Chen等人在2014年提出了联合级联人脸检测与配准[6]。该方法将级联结构和基于形状索引特征的回归学习相结合，同时进行分类和回归，文中提出了一个更一般的级联框架来结合这两个任务，实现人脸检测和配准任务的同步，在获得检测结果的同时也得到了人脸配准结果。文中首次提出了基于联合级联的人脸检测与配准方法，并首次证明简单形状索引特征不仅能用于配准，也有助于人脸检测。文中通过大量实验证明了该方法在准确性和速度上的极大优势。
苏延超等人2010年提出了基于非线性Boosting回归的多视角人脸配准[7]，该算法针对图像水平视角在正负45°内的人脸配准问题，使用了基于Harr特征的非线性Boosting回归算法，根据标定点区域内的局部纹理来预测标定点的位移，并提出了一种基于ASM的实时多视角人脸配准，该算法比经典的ASM算法在速度、准确度和稳定性上都有明显优势。
