人臉識別之人臉對齊（八）--LBF演算法
整體來看，其實 ，ESR是基礎版本的形狀迴歸，ERT將回歸樹修改為GBDT，由原始的直接回歸形狀，改進為迴歸形狀殘差，而LBF，是加速特徵提取，由原來的畫素差分特徵池，改為隨機選擇點。
轉自：http://blog.csdn.net/qq_14845119/article/details/53575091
基於LBF方法的人臉對齊，出自Face Alignment at3000 FPS via Regressing Local Binary Features，由於該方法提取的是區域性二值特徵（LBF），所以特徵提取這個過程速度非常快，導致整個的演算法都速快相當快，論文作者的LBF fast達到了3000fps的速度，網上熱心網友分享的程式也達到了近300fps的速度，絕對是人臉對齊方面速度最快的一種演算法。因此，好多網友也將該方法稱為，3000fps。
該方法主要體現在2個方面，
（1）LBF特徵的提取
作者通過在特徵點附近隨機選擇點做殘差來學習LBF特徵，每一個特徵點都會學到由好多隨機樹組成的隨機森林，因此，一個特徵點就得用一個隨機森林生成的0,1特徵向量來表示，將所有的特徵點的隨機森林都連線到一起，生成一個全域性特徵，後續過程就可以使用該全域性特徵做全域性線性迴歸了。
（2）基於cascade的級聯的隨機森林做全域性線性迴歸
所謂的線性迴歸，其實就是一個不斷迭代的過程，對於每一個stage中，用上一個stage的狀態作為輸入來跟新，產生下一個stage的輸入，以此類推，直到達到最底層stage。
如上公式所示，I為輸入影象，St-1為第t-1stage的形狀，fait為t stage的特徵匹配函式，Wt為線性迴歸矩陣。
訓練過程，就是學習fait和wt的一個過程，測試過程就是用訓練好的fait和wt對提取的LBF特徵做迴歸的過程。
對於每個stage，越往下，所選擇的隨機點的範圍就越小，特徵點定位精度就越好。
本人下載的是c++版本的程式，最終的執行效果如下，
實際執行效果，速度絕對是人臉對齊中速度最快的一個演算法了，精度的話，比起sdm來，還是遜色一點，儘管作者論文中分析的資料來看比sdm好，但是不得不承認，還是比sdm的精度差點。
github上熱心網友的程式，