(Face Alignment) One Millisecond Face Alignment with an Ensemble of Regression Trees 笔记

人脸关键点检测，也可以认为是人脸对齐（face alignment）可以采用多种方法进行实现，其中一种比较有代表性的方法是使用回归来完成这一功能。2014年CVPR上“One Millisecond Face Alignment with an Ensemble of Regression Trees”这篇文章是回归方法中的一种，Dlib库中的人脸关键点检测就是依据这一方法进行了实现。

论文主要特点

1，使用级联的回归树（ensemble of regression trees）来实现人脸对齐
2，将此方法拓展使得可以轻易的处理缺失数据
3，在速度和准确率上都得到了很优秀的效果

论文主要方法

此方法与之前的“Cascaded pose regression”和“Face alignment by explicit
shape regression”方法属于同一个类型，其核心都是使用了两层的回归来建立数学模型。

在第一层回归，其迭代公式为：

$$\hat{S}^{(t+1)}=\hat{S}^{(t)} +\gamma_t(I,\hat{S}^{(t)})$$

其中S是形状向量，存储着所有脸部关键点的位置，$\gamma_t$是一层的回归器，其输入为当前的形状向量和训练图片，其输出则是对所有的关键点的位置更新量。可以看到，在第一层的级联回归器中，每经过一级级联回归器，就会对所有关键点位置进行一次更新来达到更正确的位置。

在第二层回归，也就是$\gamma_t$内部也是一次回归的过程，在本篇文章中采用的是Gradient Tree Boosting Algorithm的方法来得到一系列的回归树（Regression Tree)最终完成第二级的回归，需要注意的是，第二级回归的对象是当前预测值和真实值的差值。

第一层回归训练过程

首先，有训练数据集$(I_1,S_1),...(I_n,S_n)$，其中$I_i$图片，$S_i$为人脸关键点的位置。
在第一层的回归训练中，数据组织形式可以写为$(I_{\pi i},\hat{S_{i}}^{(t)},\Delta S_{i}^{(t)})$，其中$I_{\pi i}$为数据集中的图片，$\hat{S_{i}}^{(t)}$是第一层级联回归的第t层的预测关键点位置，$\Delta S_{i}^{(t)}$是这一层回归结果和真实值的差值。
其迭代公式为：

$$\hat{S}^{(t+1)}=\hat{S}^{(t)} +\gamma_t(I,\hat{S}^{(t)})$$

$$\Delta S_{i}^{(t+1)}=S_{\pi i}-\hat{S}^{(t+1)}$$

按照这样的方式不断进行迭代，当第一层回归级联层数设置为K层时，就会产生$\gamma_1,\gamma_2,...,\gamma_k$这些回归器，这K个回归器就是我们通过训练所要得到的回归模型。

第二层回归训练过程

第二层的训练就是要具体到每一个 γt γ t </