1. 研究目的与意义（文献综述）

为了有效的由人脸图像中获取包括表情、姿势、身份等信息，通常需要先进行人脸特征点检测。人脸特征点是当前计算机视觉领域的研究热点之一，其目的是准确定位出人脸图像中具有语义特征的面部关键点，这也是人脸识别、人脸美化等众多与人脸有关的视觉任务中的重要步骤。^[1]近年来，国内外学者提出了许多人脸配准的方法，大体上可以分为基于参数化模型的方法和基于回归的方法。基于回归的方法中，代表性的工作有基于深度卷积神经网络回归的方法和基于级联回归的方法。在加州理工学院从事博士后研究的piotr dollár于2010年首次提出级联形状回归模型cascaded pose regression（cpr），来预测物体的形状基于级联回归的方法主要依赖局部描述子的稳健性能，通过级联的弱回归器你和复杂的非线性映射，能够有效定位人脸关键点坐标。级联回归模型通过级联简单的回归器不断拟合配准残差已完成人脸配准^[2]作为一种流行的人脸对齐方法，它在野外数据库上取得了良好的表现。基于级联回归的代表性算法有esr(explicit shape regression)^[3]、lbf(local binary feature)^[4]、ert(ensemble of regression tree)^[5]等，它们大多精度高，定位速度快。然而，在估计可靠的特征点位置时，它很大程度上取决于局部特征。^[6]所谓局部特征，顾名思义就是在有遮挡情况下，一直能够稳定出现并且具有良好的可区分性的一些点。常见的局部特征有sift特征（尺度不变特征变换）、surf特征（加速鲁棒特征）、daisy特征（面向稠密特征提取的快速计算的局部图像特征描述子）。而在现实中，由于表情，照明，姿态以及现实世界中的遮挡现象存在很大的变异性，这个问题仍然具有挑战性。^[7]

为了解决级联回归框架在以上提到极端情况——特别是有遮挡情况应用下所出现的局限性，本课题提出将遮挡检测加入级联回归框架。随着压缩感知(compressed sensing, cs)理论的兴起，稀疏表示成功的用于人脸识别，并且，与传统的人脸识别方法相比较，基于稀疏表示的分类方法(sparse representation classifier, src)省掉了特征提取这一步骤，并且对噪声、光照、遮挡等具有一定的鲁棒性。^[8]本课题将利用稀疏约束筛选鲁棒的特征，将遮挡概率转化为权重，减小遮挡概率大的特征点对应的权重，从而有效抑制遮挡对回归过程的影响，最终提高级联回归算法的特征点定位准确度。

2. 研究的基本内容与方案

基本内容：

1）阅读相关文献，了解现有的主流人脸识别算法，分析并比较各种算法的识别率和识别速度，了解其算法原理和优缺点。

2）实现级联回归算法框架，总结该算法的核心思想；

3. 研究计划与安排

1. 第一阶段（第1周—第2周）：查阅有关的参考资料并完成开题报告；翻译英文资料（不少于5000汉字），并交予指导教师检查。(2018.3.2)

2. 第二阶段（第3周—第6周）：熟悉所选用的算法，运用所学的数学以及计算机理论知识，完成算法的实现，提出改进方案。(2018.4.10)

3. 第三阶段（第7周—第13周）：实现算法的改进，在公共数据集上测试算法性能，完成与已有的同类算法的比较实验，对算法的结果进行分析。(2018.5.29)其中第10周左右(2018.5.4 - 5.8)进行毕业设计中期检查，需要提交论文前三章和毕业设计框架。

4. 参考文献（12篇以上）

[1] liu q, deng j, tao d. dual sparse constrained cascade regression for robust face alignment[j]. ieee transactions on image processing, 2015, 25(2):700-712.

[2] liu q, deng j, yang j, et al. adaptive cascade regression model for robust face alignment [j]. ieee transactions on image processing, 2016, 26(2): 797 - 807.