人脸关键点定位.Face Alignment by Coarse-to-Fine Shape Searching 算法源码详解（下）

首先按照源码中read me配置。可能运行出错的部分，用黄字高亮了解决方案。

以下分别解说训练和测试代码。

====训练部分===============

l learnCFSS.m为核心训练文件。需要顺序运行getParametricModels;addAll; learnCFSS;

运行需要matlabpool。如果数据N<100，则不启动并行。如果没有并行工具箱，可以手工修改代码不启动并行。

至少需要约900个样本，才能通过PCA部分的数量断言。需要较大内存要求。

poseVoting.m中使用dist函数，需要神经网络工具箱。如果没有该工具箱，可以手工添加dist函数。

至少需要约2700个样本，才能通过traintestP.m中，训练SVC时的数量断言。

traintestP.m中调用了libsvm的函数svmtrain。未避免调用到VLFEAT中的同名函数，在进入这部分之前，先去除VLFEAT的路径，之后再添加上。

 

learnCFSS

各种load
for level = 1:stageTot        实际只用3次迭代
	% Re-trains仅在第一次迭代调用
	trainingSetGeneration：返回旋转对齐图像（images），生成平均脸（referenceShape），图像旋转回归器B，对齐变换T。 Pr：先验概率。，N *N，每行对应一个原始样本，表示取得每一个原始样本的概率。设定为均匀分布，对角线零，其他位置均等。 model.tpt：当前level目标形状。N*2L。用来在测试时依照概率生成样本。
	主要作用：归一化样本
	% from Pr to sub-region center
	traintestReg：生成回归模型regModel和当前形状currentPose（相当于论文中sub-region center）。 T：当前形状到平均脸（referenceShape）的变换 images：用T进一步更新图像 model.tpt：当前level目标性状，记为targetPose。
	主要作用：根据概率Pr，生成扩展初始值，用回归器移动形状，得到currentPose。
	% Train-test Pr
	traintestP：估计当前各个训练图像上，各个训练集形状的概率Pr。

 

 

trainingsetGeneration

只在第一次迭代调用

% 输入
% Loading original images
Tb：每个原始图像中simple face（左右眼角左右嘴角）到标准形状的变换。N*2L。其中标准形状为target_simple_face（0-1之间）放大到priorsInfo.win_size（250*250）。 targetPose：旋转到标准simple shape之后的L个关键点。 referenceShape：平均形状。
% Label angle estimation according to targetPose
Te：每一个targetPose（已经粗略旋转过）到referenceShape（平均形状）的变换。是一个较小较精细的变换。 angle：Te变换的旋转角度。
% Dataset partition
set_id：N*1。把所有原始数据随机分成均等两组。用于训练两个旋转角度回归器。
% Training
B：两个角度回归器。互为校验。
for s = 1:2           分别使用两组数据训练B{s}
	Tb_train：本次训练中，从原始图像到标准形状的变换。 angle_train：本次训练中，从粗略旋转到精细旋转的变化角度。 mp：用于本次训练的样本数。约为N/2。 MP：扩展后的样本数。扩展10倍（priorsInfo.augTimes）。 im：本次训练中，原始图像经过旋转得到的augment结果。N/2*扩展数。 label：扩展样本的随机旋转角度，最大旋转45°（priorsInfo.maxRoll）。
	for i = 1: augTimes
	</