最近看了一篇中科院計算機技術研究所大神張傑寫的一篇博文，想把其中的知識點總結起來方便自己查閱的同時也能方便大家參考。基於級聯姿態迴歸的方法是近幾年人臉特徵點對齊研究中比較有效的方法。始於2010年的一篇CVPR文章 ，由加州理工學院從事博士後研究的Piotr Dollar 首次提出級聯形狀迴歸模型 CascadePose Regression(CPR) 來預測物體的形狀。 
對於人臉特徵點的對齊問題，可以把它看成是一個從人臉的表觀到人臉形狀（由人臉的特徵點組成的向量）的迴歸過程，通過不斷的迭代直到迴歸到最優的特徵點位置上。 
級聯姿態迴歸的一般框架： 
S=F（I）； 
S是最後輸出的形狀，F（·）是總迴歸函式，I是輸入的影象，則級聯迴歸模型可以統一為如下的框架：通過學習多個迴歸函式{f1,f2….fn}來逼近F（·）： 
S=F（I）=fn(fn-1(…f1(S0,I),I),I); 
Si=fi(Si-1,I),i=1….n; 
S0為初始的形狀。 
在級聯形狀迴歸的框架下，延伸出了一系列的人臉特徵點對齊方法，比如RCPR,SDM,DRMF,LBF,DCNN等，但是萬變不離其宗，他們都可以被統一到級聯形狀迴歸這樣一個框架下來。下面總結這些方法是如何統一到CPR下的。 
RCPR（2013 ICCV 加州理工學院 Xavier P.Burgos-Artizzu ） 直接就是針對CPR在部分遮擋情況下，效能不佳進行改進，提出同時預測人臉形狀和特徵點是否被遮擋的狀態。 
SDM 輸入的是SIFT特徵，迴歸函式是線性迴歸函式 
DRMF 輸入的是HOG特徵，迴歸函式SVR迴歸函式 
LBF 用隨機森林模型在區域性區域學習稀疏的二值化特徵 
DCNN 使用CNN來作為迴歸函式 
細節可以參考張傑博士的博文http://www.thinkface.cn/thread-4488-1-1.html
--------------------- 
作者：yoyohaul 
來源：CSDN 
原文：https://blog.csdn.net/yoyohaul/article/details/52562654 
版權宣告：本文為博主原創文章，轉載請附上博文連結！