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。

然而，该算法遇到错误的初始化姿态时，其特征点定位和遮挡检测的准确性则会大大降低。针对这一问题，潘艺云等人提出基于局部二进制模式的初始化算法^[13]，能够使上述方法获得较好的初始化姿态从而提高特征点定位与遮挡检测的准确性。该初始化方法由于需要将初始姿态与训练集中所有样本进行比较等操作得到作为回归器输入的初始化姿态，耗时较长。考虑到训练集中样本存在一定的相似性，为了避免不必要的重复比较等操作，本课题提出一种分类方法，实现在对训练集样本有效缩小，在提高算法效率的同时保持初始化方法所提高的特征点定位与遮挡检测的准确性。

参考文献：

[1]V.Drouard, R. Horaud, A. Deleforge, S. Ba, and G. Evangelidis, “Robust head-poseestimation based on partially-latent mixture of linear regressions,” IEEETransactions on Image Processing, vol. 26, no. 3, pp. 1428–1440, Mar. 2017.

[2]C.Bhagavatula, R. Aljadaany, and M. Savvides, “Pose estimation using spectral andsingular value recomposition,” International Conference on Pattern Recognition,pp. 4095–4100, Dec. 2016.

[3]R.Weng, J. Lu, and Y. P. Tan, “Robust point set matching for partial facerecognition,” IEEE Transactions on Image Processing, vol. 25, no. 3, pp.1163–1176, Mar. 2016.

[4]X.Fontaine, R. Achanta, and S. Ssstrunk, “Face recognition in real-world images,”IEEE International Conference on Acoustics, Speech and Signal Processing, pp.1–5, Mar. 2017.

[5]Y.Xu, Z. Li, J. Yang, and D. Zhang, “A survey of dictionary learning algorithmsfor face recognition,” IEEE Access, vol. PP, no. 99, pp. 1–12, Apr. 2017.