李云红， 刘旭东， 陈锦妮， 苏雪平

(西安工程大学 电子信息学院，陕西 西安 710048)

0 引 言

人脸识别过程分为4个步骤：人脸检测、人脸对齐、人脸校验和人脸识别。人脸对齐是人脸识别的一个关键步骤，人脸对齐算法的精确性影响到人脸校验和人脸识别的效果。人脸对齐在人脸跟踪[1～4]，面部表情识别、三维人脸重建[4～6]等领域起到关键作用。

现有的人脸对齐方法主要有基于优化的方法和基于回归的方法。基于优化的代表算法包括主动形状模型(active shape model,ASM)[5]、主动外观模型(active appearance model,AAM)[6]和有约束的局部模型(constrained local model,CLM)[7]。ASM对齐速度较快，但对齐精度较低。AAM通过提取纹理特征建立外观模型，虽然提高了对齐准确度，但降低了对齐速率。CLM分别继承了ASM的高效性和AAM的准确性。上述方法在优化目标函数过程中，均要求目标函数二次可导，海森矩阵为正定矩阵。在基于形状回归的人脸对齐算法研究中，Cao X等人[8]提出显式形状回归(explicit shape regression,ESR)算法和Xiong X等人[9]提出监督下降法(supervised descend method,SDM)，无需目标函数二次可导，不需要计算海森矩阵和雅可比矩阵，但ESR算法易受噪音影响，对齐不够稳定，SDM算法特征提取的计算量大，导致算法运行时间长。杨韬等人[10]提出了一种基于改进的局部二值特征的人脸对齐算法，解决了传统人脸对齐算法对于较大人脸姿态鲁棒性较差的问题。Xing J等人[11]通过学习两个字典，将回归过程视为稀疏编码问题，可以恢复被遮挡的人脸外观，并抑制被遮挡点的影响。近年来，神经网络也被应用于人脸对齐，Zhao Y等人提出使用深度卷积神经网络(convolutional neural networks,CNN)进行人脸对齐和分割的联合多任务学习算法，对于每个任务的性能都有所提升，但是算法的加权参数受人工设置影响较大。……