位置回归基础上有效的结合了随机森林的结构，采用的是基于双 层回归器的人脸对齐方法，采用整体方式，利用基准点的全局特征，通过最小化人脸对齐误 差，分别训练两层回归器，不需任何参数模型，其中第二层采用随机森林结构，测试阶段，对 输入人脸进行初始化形状的时候，结合直方图统计方法统计每一个关键点的坐标信息，得 出最终的初始化形状。使得算法能并行处理，同时结构更具备鲁棒性。
[0040] 运种方法采用随机森林的级联回归，由逐级迭代决策树转成结构稳定的并行决策 树；同时在测试阶段，采用直方图统计的人脸形状初始化机制，高效地实现了粗定位，运种 方法在光照、表情变化、遮挡等情况下能够保持很好的鲁棒性，并且提高了精度、减少了失 败率。
【附图说明】
[0041 ]图1为实施例的流程示意图；
[0042]图2-1~图2-3为实施例中实验结果比较示意图；
[0043] 其中，图2-1为ESR方法对齐效果示意图；
[0044] 图2-2 CPR方法对齐效果示意图；
[0045] 图2-3本实施例对齐效果示意图；
[0046] 图3是实施例中的累计误差曲线比较示意图；
[0047] 其中ESR指基于显式形状回归化邱licit Siape Regression，ESR)的人脸对齐方 法；RCPR指鲁棒的级联姿态回归（Robust Cascaded化se Regression,RCPR)的人脸对齐方 法;Our Method指实施例所提出的人脸对齐方法。
【具体实施方式】
[0048] 下面结合附图和实施例对本
【发明内容】
作进一步的阐述，但不是对本发明的限定。
[0049] 实施例；
[0050] 参见图1，基于随机森林的级联位置回归用于人脸对齐的方法，包括如下步骤：
[0051] 1)得到归一化人脸图片：读入训练集图像库中的图片及对应的人脸属性，并对图 片进行归一化，人脸属性包含人脸位置矩形区域信息即XI轴、yi轴、W宽、h高信息和已知标定 的关键点坐标信息即X2轴、y2轴信息；
[0052] 2)计算人脸的平均形状:给每一个人脸训练样本确定20个初始化形状，除自身的 形状外，即组成810X20个训练样本，对训练样本的关键点坐标信息进行旋转、缩放相似变 换，计算出人脸的平均形状：
[0化3]
[0化4] N表示训练样本数，运里取810,《表示已知标定的关键点人脸形状信息；
[0055] 3)生成人脸对齐框架的候选特征点：用随机函数生成二个关键点Vi和V2的坐标标 号，则运二个关键点中点坐标值为将中点坐标作为候选特征点μα，循环步骤3)，产生P 个候选特征点，Ρ取400;
[0056] 4)生成人脸形状索引灰度值Ρ:利用步骤3)得到的400个候选特征点，提取候选特 征点的图片灰度值I (μα)，灰度值I (μα)作为人脸形状索引灰度值Ρ，其大小为Ν行Ρ列的矩阵；
[0057] 5)生成人脸形状索引特征X:利用步骤4)得到的Ρ，令化表示Ρ中第i行、第j列的一 个元素值，第一层循环让i从巧化10,计算Pia和Pib的差值，其中a和b的范围是巧Ij400,循环 步骤5)，可得到大小为810行400 X 400列的人脸形状索引特征X;
[005引6)构建人脸对齐框架:所述人脸对齐框架是基于随机森林级联回归方法构建，人 脸对齐框架第一层弱回归器的级联、即弱回归器的个数为T，运里取200,每一个弱回归器由 一个随机森林组成，随机森林将很多弱分类器集成为一个强分类器，实现并行结构，弱分类 器即为决策树，一个随机森林由L个决策树抚* μ =巧，.,.，树=1，完巧并行组成，其中，k和t 均表示下标号，r表示决策树，运里L取8，每一个决策树的构建过程一样，过程如下：
[0059] (1)选择决策树的训练样本:从810个训练样本中随机抽取Qk个样本作为该决策 树的训练样本，Qk的范围是810/8到810/2;
[0060] (2)生成节点特征:根据步骤5)中得到的人脸形状索引特征X中的值与回归目标Δ S的相关性corr( AS，Xij)，其中Xi康示X矩阵中的第i行、第j列的元素，选择F个最相关的人 脸形状索引特征，作为节点特征，F为决策树的深度，运里取8;
[00川 （3)生成节点阔值：阔值直接从-0.2C到0.2C范围中随机random(-0.2C，0.2C)得到 一个值作为阔值，其中C表示步骤(2)过程选择的节点特征。随机得到阔值的方法，可W增强 人脸对齐框架的鲁棒性；
[0062] (4)得到人脸形状增量即叶子节点的输出：利用上述步骤（1)中选择的Qk个训练 样本送入由步骤(2)、（3)构建的决策树，得到的叶子节点的输出即为人脸形状增量^馬，，该 决策树的输出SSk，即为叶子节点的加权组合，如公式所示：
[0063]
[0064] 其中Μ为该决策树的叶子节点个数Μ = 2^
[0065] 经过上述步骤后，即可得到决策树，重复步骤（1)、（2)、（3)、（4)得到随机森林，随 机森林的输出SSt为8个决策树的加权组合，如公式所示：
[0066]
[0067] 最后对人脸形状进行更新st = sw+sst，其中st-i表示第t-1个循环过程的人脸形状 信息，同理St表示第t个循环中人脸形状信息；
[0068] 7)初始化人脸形状:采用直方图统计的方法进行人脸形状初始化，初始化过程如 下：
[0069] ①对输入的Μ个初始化形状送入人脸对齐框架模型中，执行级联回归过程的10% ;
[0070] ②得到人脸关键点的初始化坐标信息：关键点g点的坐标为
统 计，…的分布，Wx坐标值为横坐标，W频数Μ为纵坐标，划分各小区间及其对应 的频数高度，输出频数最大的区间对应的横坐标值4.
[0071] 对
执行相同的过程，得到》#;
[0072] ③重复步骤②，得到29个人脸关键点的初始化坐标信息，运里q取29;
[0073] ④将步骤②中的2 9个人脸关键点的初始化坐标信息构成的形状
作为级联回归剩下90%的过程的初始化形状；
[0074] ⑤结合步骤①-步骤④，得到一个初始化人脸形状，其中初始化人脸形状为
，29为关键点个数，初始化形状个数记为 2〇,2〇个初始化形状记为5<\502,. . .，5<^"，把5<^"送入步骤6)构建人脸对齐框架中，不断迭代 后，输出最终的估计人脸形状。
[0075] 通过对实际坐标点μαΚ步骤2)得到的人脸的平均形状MS为目标坐标点，进行旋 转、缩放相似变换始41。Δ^，该人脸关键点心,。。马加上局部坐标馬^。& +Mgi ，得到候 选特征点的坐标信息μα，即可得到该候选特征点在当前人脸形状上的人脸灰度值Ι(μα)。
[0076] 步骤5)中采用的是形状索引特征，特征值采用二个特征点的灰度差值。
[0077] 通过对实际坐标点μαΚ步骤2)得到的人脸的平均形状MS为目标坐标点，进行旋 转、缩放相似变换Mgi ，该人脸关键点气。。&加上局部坐标而。。A 。么<"，得到候 选特征点的坐标信息μα，即可得到该候选特征点在当前人脸形状上的人脸灰度值ι(μα)。
[0078]本实施例的效果由W下仿真进一步说明：
[00巧]仿真条件：
[0080] 实施例的实验是基于一台内存8G，CPU主频2.50細Ζ的PC机上完成的，实验平台为 mat 1 ab2013b。分别采用实施例的方法与RCPR，W及ESR在LFPW、C0FW人脸库中的人脸图像验 证改进方法的有效性。本实施例列出的平均误差、失败率W及帖率。平均误差计算公式为
其中：分母de为人工标定的两眼距离;失败率指e<