1. 研究目的与意义（文献综述）

作为视觉领域的一个重要的研究方向，人脸特征点定位的研究一直受到众多学者的关注。面部特征点勾勒了人脸的主要形状特征，可以提供眼睛，眉毛，鼻子和嘴巴等面部标志的关键信息。准确而快速的人脸特征点定位是后续的人脸分析和识别的关键，如姿态估计^{[1] [2]}、人脸识别^[3]-[5]、表情分析^[6]-[8]等。然而由于姿态，遮挡等因素的影响，快速、准确、鲁棒的人脸特征点定位仍然是一个非常具有挑战性的问题。

近年来，受随机蕨在分类问题上取得的成功影响，dollar p等人提出了一个基于随机蕨的级联姿态回归(cpr)的算法，并将其应用于人脸特征点定位^[9]。cpr算法意识到当前形状特征对姿态估计的重要性，并通过级联回归模型进行姿态估计。在回归的每个阶段，该方法在多个随机生成的蕨回归器中选取就损失函数而言的最佳蕨作为回归器，并得到该阶段的姿态增量。多次迭代过后得到最终的姿态估计。此算法一经提出，由于随机蕨具有易于理解与实现、分类速度快且能够提供概率性的输出等优点，大量对于以随机蕨为基础的人脸特征点定位算法的研究应运而生^[10]-[12]。

基于cpr，burgosartizzu等人^[11]提出了鲁棒的级联姿态回归算法（rcpr），其首次将级联回归的方法用在包含遮挡的人脸上，并建立了caltechoccluded faces in the wild （cofw）数据集，在此数据集中的人脸，每张标定了29个点，并且包括遮挡信息。rcpr算法将人脸划分成9个区域，在每一阶段从九个区域中的任意区域选取特征训练蕨回归器，同时预测特征点的遮挡。上一阶段预测的遮挡信息化为权重调节当前阶段的回归器预测值，使得级联姿态回归对遮挡的检测结果具有更强的鲁棒性。

2. 研究的基本内容与方案

基本内容：

1）通过阅读文献，了解人脸特征点定位算法的基本过程,研究现有的人脸特征点定位方法，同时做出相应的分析与比较。

2）研究基于随机蕨级联回归算法预测遮挡的过程以及利用如何遮挡信息提高定位准确性，研究现有的提高该算法在特征点定位上精确度的方法。

3. 研究计划与安排

第一阶段（第1周—第3周）：阅读相关参考文献，完成外文资料翻译及文献摘要撰写，并交予指导教师检查。

第二阶段（第4周—第9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。

第三阶段（第10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。

4. 参考文献（12篇以上）

[1] dollar p,welinder p, perona p. “cascaded pose regression.” ieee conference on computer vision and patternrecognition, 2010:1078-1085.

[2] cao x,wei y, wen f, et al. “face alignment by explicit shape regression.” ieeeconference on computer vision and pattern recognition, 2012:2887-2894.

[3] burgos-artizzux p, perona p, doll, et al. “robust face landmark estimation under occlusion.”ieee international conference on computer vision, 2013:1513-1520.