摘要

我们提出了一种高效且高精度的“显式形状回归”（Explicit Shape Regression）方法，用于人脸对齐。与以往基于回归的方法不同，本方法直接学习一个向量回归函数，从图像中推断出完整的面部形状（即一组面部关键点），并在训练数据上显式地最小化对齐误差。在级联学习框架中，形状的固有约束被自然地编码进回归器中，并在测试阶段由粗到细逐步应用，无需像大多数先前方法那样依赖固定的参数化形状模型。为提升回归的效率与性能，我们设计了两级提升式回归机制、基于形状索引的特征表示，以及基于相关性的特征选择方法。该组合使我们能够在短时间内从大规模训练数据中学习到高精度模型（2000张训练图像仅需20分钟），并在测试阶段实现极快的推理速度（87个关键点的形状估计仅需15毫秒）。在具有挑战性的数据集上的实验表明，该方法在准确率与效率两方面均显著优于当前最先进的技术。