王贺兵，张春梅

（北方民族大学计算机科学与工程学院，银川 750021）

（*通信作者电子邮箱chunmei66@hotmail.com）

0 引言

人脸关键点检测作为计算机视觉主要研究方向之一［1］，其应用场景包括人脸表情识别［2］、人脸追踪［3］、身份验证［4］等。虽然被广泛地研究，但是存在多尺度人脸、复杂表情、光照、姿态和遮挡等情况，获取高精度人脸关键点仍是一个具有挑战性的问题。

人脸关键点检测是一项检测人脸面部关键点位置的视觉任务［5］，即在一张给定的人脸图像坐标系中，定位出人脸面部关键区域的坐标，例如眼睛、嘴角、脸部轮廓等。本文是对人脸左眼、右眼、鼻尖、左嘴角和右嘴角五点进行定位。

人脸关键点检测算法从建模方法上划分大体可以分为三类：

1）基于形状优化建模。活动形状模型（Active Shape Model，ASM）［6］将人脸关键点坐标构建成形状向量，人脸对齐计算出平均形状向量然后进行主成分分析（Principal Component Analysis，PCA）降维得到形状模型，为每一个关键点提取局部特征，以局部特征作为约束条件迭代匹配直至收敛。活动外观模型（Active Appearance Model，AAM）［7］是由ASM 活动形状模型改进而来，算法在构建形状模型的基础上还构建了纹理模型，将形状模型与纹理模型融合再PCA 降维形成AAM 模型。ASM 与AAM 的泛化能力较差，对差异性较大的人脸准确率会下降，同时这种近似穷举搜索的方式在一定程度上也影响了计算效率。

2）基于级联回归建模：级联回归算法一般需要训练一系列回归器，通过级联回归器逐步将初始形状回归到关键点真实位置，每一步回归器的计算都依赖于先前回归器的输出。……