基于移動平臺的快速相似臉檢索

鄧健康，楊靜，王蒙，劉青山

(南京信息工程大學(xué) 信息與控制學(xué)院，南京210044)

隨著手機(jī)、平板電腦等移動設(shè)備計(jì)算與存儲性能的提升，移動設(shè)備的智能化也成了學(xué)術(shù)界與工業(yè)界的研究熱點(diǎn).移動智能終端上圖像傳感器的改進(jìn)也給移動平臺上的視覺應(yīng)用提供了更好的硬件條件支撐［1］.同時(shí)，隨著人臉分析技術(shù)的進(jìn)步，移動終端的人臉識別、表情識別、屬性分析等移動應(yīng)用在人們的生活中已經(jīng)嶄露頭角.另外，基于內(nèi)容的圖像信息檢索技術(shù)也逐漸成熟，各大搜索引擎也加入了“以圖搜圖”的功能.人臉識別技術(shù)和基于內(nèi)容的信息檢索技術(shù)的進(jìn)步，使得自動化的相似臉檢索成為可能.相似臉檢索在娛樂搜索、犯罪監(jiān)視等方面具有很高的應(yīng)用價(jià)值.本文基于移動平臺在大規(guī)模人臉數(shù)據(jù)庫上實(shí)現(xiàn)快速的相似臉檢索.然而，移動平臺的計(jì)算和存儲能力畢竟有限.所以，如何設(shè)計(jì)時(shí)間復(fù)雜度和空間復(fù)雜度低的算法成為解決移動平臺上相似臉檢索的關(guān)鍵問題.

基于精確的人臉配準(zhǔn)，建立了級聯(lián)形狀和紋理特征的高效的相似臉檢索模型，核心技術(shù)包括人臉配準(zhǔn)、人臉特征提取與壓縮、檢索算法.

人臉配準(zhǔn)是在一幅人臉圖像中自動地定位出人臉各個(gè)器官的準(zhǔn)確位置以及人臉的外輪廓，是人臉圖像處理與分析的基礎(chǔ)與前提，不精確的關(guān)鍵點(diǎn)定位往往會引起“誤配準(zhǔn)災(zāi)難”［2］.近年來，國內(nèi)外學(xué)者提出了各種人臉配準(zhǔn)方法，大體上可以分為基于參數(shù)化模型的方法［3-7］和基于回歸的方法［8-12］.基于級聯(lián)回歸的方法在自然條件下的人臉庫上配準(zhǔn)精度高，且模型簡單、速度快，備受研究者的關(guān)注.該方法主要依賴局部描述子穩(wěn)健的性能，通過級聯(lián)的弱回歸器擬合復(fù)雜的非線性映射，能夠有效定位人臉關(guān)鍵點(diǎn)的坐標(biāo).文獻(xiàn)［10］采用快速SIFT(Scale Invariant Feature Transform)特征，通過最小二乘回歸實(shí)現(xiàn)關(guān)鍵點(diǎn)快速定位.文獻(xiàn)［11］通過利用二值特征，進(jìn)一步提高了配準(zhǔn)速度.文獻(xiàn)［12］通過顯式的回歸遮擋信息，增強(qiáng)了模型在局部遮擋情況下的魯棒性.在級聯(lián)回歸模型中引入稀疏約束，可以增強(qiáng)模型的魯棒性，同時(shí)壓縮模型的存儲空間.

文獻(xiàn)［13］指出了高維人臉特征對人臉識別的重要意義，并采用旋轉(zhuǎn)稀疏投影的方式進(jìn)行了高效的特征降維.基于精確的人臉配準(zhǔn)，可以提取關(guān)鍵點(diǎn)周圍的高維紋理特征，并通過稀疏投影高效降維.

高效的索引機(jī)制是圖像檢索的關(guān)鍵，圖像哈希［14］作為一種優(yōu)良的圖像單向壓縮技術(shù)，是近年來圖像檢索領(lǐng)域的研究熱點(diǎn)，但哈希算法必須有足夠的散布空間以降低沖突率.通過級聯(lián)形狀和局部紋理特征，可以不斷縮小檢索空間，進(jìn)行高效的相似臉檢索.由于形狀和局部紋理的特征維度均較低，可以采用基于稀疏重構(gòu)的方式高效地檢索相似臉，最終獲得臉型和五官紋理均相似的人臉圖像.

對 LFW(Labeled Face in Wild)［15］進(jìn)行擴(kuò)展，建立了近百萬級的人臉數(shù)據(jù)庫，采用級聯(lián)形狀和紋理特征的方法實(shí)現(xiàn)高效的相似臉檢索.該模型對移動端的計(jì)算和存儲資源要求較低，具有精度高、速度快、模型小的特點(diǎn).在三星Note 3智能手機(jī)上，每幅人臉圖像的配準(zhǔn)時(shí)間在10 ms左右，相似臉檢索時(shí)間在1.5 s左右，整個(gè)模型大小僅 5.4 MB.

1 級聯(lián)形狀和紋理的相似臉檢索

為了在移動平臺上進(jìn)行快速的相似臉檢索，基于精確的人臉配準(zhǔn)，采用級聯(lián)形狀和紋理的相似臉檢索模型，方法流程如圖1所示.

首先，通過基于稀疏約束的級聯(lián)回歸模型進(jìn)行人臉配準(zhǔn)，估計(jì)人臉姿態(tài)［16］，進(jìn)行圖像規(guī)范化以消除旋轉(zhuǎn)、平移、縮放差異.稀疏約束的級聯(lián)回歸能夠篩選魯棒的特征，高效地壓縮模型的存儲空間.

然后，在對應(yīng)的人臉姿態(tài)子集中進(jìn)行基于稀疏形狀重構(gòu)的相似臉型檢索.同時(shí)，提取測試人臉圖像的局部紋理特征，并通過稀疏投影進(jìn)行高效降維.

最后，將低維紋理特征在臉型相似的子集中進(jìn)行基于稀疏紋理重構(gòu)的相似臉檢索.通過級聯(lián)形狀和紋理的檢索，檢索效率明顯提升，且返回的結(jié)果在臉型和五官紋理上均具有很強(qiáng)的相似性.

圖1 相似臉檢索示意圖Fig.1 Schematic of similar face retrieval

圖2 基于移動平臺的相似臉檢索Fig.2 Similar face retrieval on mobile platform

圖2展示了基于移動平臺的相似臉檢索的交互過程，移動端先將人臉形狀發(fā)送到服務(wù)器端，接著對內(nèi)部的某些關(guān)鍵點(diǎn)提取高維紋理特征，并進(jìn)行基于稀疏投影的特征降維，然后將低維紋理特征發(fā)送至服務(wù)器端.在移動端進(jìn)行紋理特征提取的時(shí)候，服務(wù)器端同步完成基于稀疏形狀重構(gòu)的相似臉型檢索.服務(wù)器端基于稀疏紋理重構(gòu)的相似臉檢索在臉型相似的人臉子集中完成，檢索效率較高，最終服務(wù)器端向移動端返回相似度最高的5個(gè)人臉圖像.相似臉檢索過程中移動端和服務(wù)器端的通信主要有:移動端發(fā)送136維人臉形狀，500維人臉紋理特征，服務(wù)器端返回5幅相似臉圖像(稀疏重構(gòu)支持增量傳輸，稀疏系數(shù)可作為相似度指標(biāo)).移動端的模型存儲主要是稀疏級聯(lián)回歸模型(約1.56 MB)和高維紋理特征的稀疏投影矩陣(約3.80 MB).移動端的計(jì)算主要集中在特征提取、級聯(lián)回歸，紋理特征稀疏投影.整個(gè)交互過程在近百萬級人臉數(shù)據(jù)庫上進(jìn)行，硬件條件為三星Note 3，Wifi環(huán)境(或者3G)，IBM 服務(wù)器(12 核，3.4 GHz，128 GB內(nèi)存)，相似臉檢索的時(shí)間大約1.5 s.

1.1 基于稀疏級聯(lián)回歸的人臉配準(zhǔn)

級聯(lián)回歸模型通過級聯(lián)簡單的回歸器不斷擬合配準(zhǔn)殘差完成人臉配準(zhǔn).通過級聯(lián)T個(gè)回歸器(R1，R2，…，RT)不斷擬合配準(zhǔn)殘差:

式中，Ii為人臉圖像;N為訓(xùn)練集人臉圖像的數(shù)目;Xi*為標(biāo)定的人臉形狀;Xit為迭代過程中的人臉形狀;Rt為每步迭代的回歸矩陣;Φ(Ii，Xit)為圖像Ii在形狀Xit位置下的SIFT特征描述，每一步回歸的目標(biāo)都是減少殘差，該優(yōu)化問題可以通過最小二乘求解，存在閉式解.迭代過程中的形狀更新按照累加的形式完成:

在實(shí)際的應(yīng)用過程中，迭代步數(shù)在4或5次即可收斂.由訓(xùn)練的目標(biāo)函數(shù)可知，迭代過程中的形狀實(shí)際上是在人臉形狀的線性子空間中，由此，引入了隱性的人臉形狀約束，這種約束相對于參數(shù)化模型靈活性較高，能夠適應(yīng)姿態(tài)變化和夸張表情.

從迭代過程中的形狀增量RtΦ(Ii，Xit)可知，對于每個(gè)關(guān)鍵點(diǎn)迭代過程中位置的變化，都與所有關(guān)鍵點(diǎn)的特征相關(guān)，因此，參數(shù)維度較高，容易過擬合.可以對回歸矩陣Rt引入稀疏約束，即假設(shè)某個(gè)關(guān)鍵點(diǎn)的位置變化僅僅與一部分關(guān)鍵點(diǎn)的特征相關(guān).

式中，ΔXit=Xi*－Xit，該優(yōu)化問題可由 Lasso［17］求解;λ1為正則系數(shù)，控制回歸矩陣Rt的稀疏度.

通過交叉驗(yàn)證確定λ1=0.1，此時(shí)，Rt每行的非零元素約為300左右，遠(yuǎn)小于8704(68×128)，Rt可以獲得5%左右的壓縮率，大大縮小了模型的存儲空間.同時(shí)，稀疏的回歸矩陣對應(yīng)著稀疏的特征選擇，相對于最小二乘的求解方法，稀疏約束抑制了過擬合傾向，篩選了魯棒的特征.基于稀疏級聯(lián)回歸的人臉配準(zhǔn)過程如圖3所示，配準(zhǔn)過程迭代5次.

圖3 基于稀疏級聯(lián)回歸的人臉配準(zhǔn)Fig.3 Face alignment based on sparse cascade regression

1.2 人臉特征提取與壓縮

基于人臉關(guān)鍵點(diǎn)的準(zhǔn)確定位，對人臉圖像進(jìn)行了歸一化以消除旋轉(zhuǎn)、平移以及縮放的差異.如圖4所示，基于每幅人臉圖像構(gòu)建5層的圖像金字塔(瞳孔距250，100，150，100，50 像素)，并在一些人臉內(nèi)部關(guān)鍵點(diǎn)位置(40像素×40像素)提取人臉的局部多尺度特征.采用LBP，HoG和Gabor特征描述子，最終形成高維的人臉紋理特征.

圖4 基于稀疏投影的特征降維Fig.4 Feature dimension reduction based on sparse projection

由于移動平臺計(jì)算和存儲能力有限，需要對高維特征進(jìn)行壓縮.然而，傳統(tǒng)的特征降維方法對計(jì)算和存儲要求較高.例如，采用主成分分析法將10萬維的高維特征降到1000維，每次投影需要1億次浮點(diǎn)乘法運(yùn)算，投影矩陣占用存儲空間400MB.通過學(xué)習(xí)稀疏投影矩陣，能夠?qū)Ω呔S的人臉紋理特征進(jìn)行高效降維.如圖4所示，X是高維特征，即每幅人臉圖像每個(gè)關(guān)鍵點(diǎn)的多尺度聯(lián)合特征.通過PCA將原始高維特征降維，為了降低計(jì)算和存儲復(fù)雜度，采用稀疏投影矩陣擬合該降維過程.

考慮到子空間對旋轉(zhuǎn)具有不變性，通過在最終的低維特征Y前引入旋轉(zhuǎn)矩陣R，可以近一步提升投影矩陣B的稀疏度.

上述優(yōu)化問題在給定R的情況下，可以通過Lasso［17］求解，并且B的每列求解可以并行加速.在給定B的情況下，R存在閉式解，R=UVT，其中UVT來自YXTB的SVD分解UσVT.最終通過迭代求解得到稀疏投影矩陣B，在測試過程中，降維過程就是BTX.

1.3 基于分層匹配的相似臉檢索

在百萬級的人臉數(shù)據(jù)庫上直接進(jìn)行相似臉檢索往往效率較低，可以結(jié)合人臉形狀和局部紋理進(jìn)行分層匹配，整個(gè)過程如圖1所示.

首先，通過人臉關(guān)鍵點(diǎn)估計(jì)人臉姿態(tài)［16］，進(jìn)行人臉的規(guī)范化，人臉側(cè)轉(zhuǎn)的角度用來選擇相應(yīng)的人臉檢索庫的子集.同時(shí)也可以通過性別、年齡、種族等屬性對檢索庫進(jìn)行分組進(jìn)一步縮小檢索空間.

然后，將測試圖片的人臉形狀向量在樣本的形狀字典上進(jìn)行稀疏重構(gòu)，獲取臉型相似的人臉樣本.

最后，將測試圖片的低維紋理向量在樣本的紋理字典上進(jìn)行稀疏重構(gòu)，獲取臉型和五官紋理均相似的人臉圖像.

式中，T(X，β)為將測試的人臉形狀X與字典中的人臉形狀D消除旋轉(zhuǎn)、平移、縮放的相似變換;α為稀疏重構(gòu)系數(shù).

同理進(jìn)行稀疏紋理重構(gòu)，差異僅僅在于紋理特征向量不需要進(jìn)行相似變換.

2 人臉配準(zhǔn)的實(shí)驗(yàn)結(jié)果

2.1 實(shí)驗(yàn)數(shù)據(jù)與定位結(jié)果評價(jià)

采用300-W人臉配準(zhǔn)比賽［18］的標(biāo)注數(shù)據(jù)進(jìn)行訓(xùn)練和測試，其中包括AFW(337)，iBug(135)，XM2VTS(2 360)，LFPW(811+224)，HELEN(2000+330)，關(guān)鍵點(diǎn)的定義如圖5所示.LFPW和Helen的測試集用來進(jìn)行測試，其余圖像都用于訓(xùn)練.為了進(jìn)一步擴(kuò)充數(shù)據(jù)集，對訓(xùn)練數(shù)據(jù)進(jìn)行鏡像操作，對初始化的平均形狀進(jìn)行擾動以產(chǎn)生更多的訓(xùn)練數(shù)據(jù)，最終獲得了112860(5643×2×10)的訓(xùn)練數(shù)據(jù).

圖5 關(guān)鍵點(diǎn)的定義Fig.5 Definition of landmarks

在人臉關(guān)鍵點(diǎn)定位的精度評價(jià)方面，關(guān)鍵點(diǎn)的平均定位誤差定義為

2.2 LFPW和Helen實(shí)驗(yàn)結(jié)果

LFPW和Helen都是自然場景下的人臉數(shù)據(jù)庫，其中姿態(tài)、光照、表情變化比較大，并且存在一定程度的遮擋.作為對比的方法是4層級聯(lián)回歸的SDM［10］模型.測試結(jié)果如圖6所示，本文的方法比SDM略好一些，主要是因?yàn)橄∈杓s束可以提取魯棒的特征，對局部遮擋適應(yīng)性更強(qiáng).圖6同時(shí)顯示了每個(gè)關(guān)鍵點(diǎn)的定位誤差，每個(gè)關(guān)鍵點(diǎn)上圓的半徑代表平均定位誤差的大小，由圖可知，眼睛上的關(guān)鍵點(diǎn)定位比較準(zhǔn)確，而人臉外輪廓和眉毛上的關(guān)鍵點(diǎn)定位誤差較大.表1、表2給出了各種級聯(lián)回歸方法在LFPW和Helen上的平均定位誤差，其他方法的平均定位誤差來自文獻(xiàn)［11］.表3給出了稀疏度與模型大小的關(guān)系，圖7給出了Android平臺人臉配準(zhǔn)示意圖.

圖6 LFPW和Helen配準(zhǔn)結(jié)果Fig.6 Alignment results on LFPW and Helen

表1 LFPW歸一化平均誤差Table1 Normalized mean error on LFPW

表2 Helen歸一化平均誤差Table2 Normalized mean error on Helen

表3 稀疏度與模型大小的關(guān)系Table3 Relationship between sparsity and model size

圖7 Android平臺人臉配準(zhǔn)結(jié)果Fig.7 Results of face alignment on Android platform

3 相似臉檢索的實(shí)驗(yàn)結(jié)果

3.1 實(shí)驗(yàn)數(shù)據(jù)

原始的LFW［15］數(shù)據(jù)庫包含5 749個(gè)公眾人物的13233張人臉圖像，通過這5749個(gè)人名，在搜索引擎上整理得到617430張人臉圖像，每個(gè)人對應(yīng)的人臉圖像數(shù)目從200到2000不等.同時(shí)整理出包含1 540人的中國名人列表，并相應(yīng)地搜索得到186985張人臉圖像.數(shù)據(jù)庫整理時(shí)的人臉檢測方法來自文獻(xiàn)［19］，大約10%左右漏檢的人臉圖像采用手工方式標(biāo)注人臉框，人臉配準(zhǔn)采用稀疏級聯(lián)回歸，姿態(tài)估計(jì)方法來自文獻(xiàn)［16］.相似臉檢索庫的規(guī)模大約是75萬，每個(gè)人的人臉圖像集大約包括3%～5%的其他人臉.對庫中的人臉按性別(男/女)、種族(黑人/白人/黃種人)、姿態(tài)(側(cè)角)進(jìn)行分組，按樹的形式重新整理了數(shù)據(jù)庫.

為了比較基于分層匹配的相似臉檢索方法和基于哈希的相似臉檢索方法，從每個(gè)名人庫中抽出5張人臉圖像，一共36445(7289×5)張人臉圖像.對這些人臉圖像進(jìn)行配準(zhǔn)規(guī)范化，提取LBP，HoG和 Gabor聯(lián)合特征，通過 k-means聚成1000類.然后，通過人工篩選的方式，將每一類中視覺上不相似的人臉圖像刪除，最終形成相似臉檢索測試庫.

3.2 高維特征的稀疏投影

在原始的LFW數(shù)據(jù)庫上確定最佳的特征提取方式、關(guān)鍵點(diǎn)數(shù)目、圖像金字塔層數(shù)、特征投影的稀疏度.原始高維人臉特征通過PCA降維到500維，稀疏投影擬合該降維過程，低維特征用來進(jìn)行基于最近鄰的人臉識別.如圖8所示，通過控制變量法逐一調(diào)節(jié)參數(shù)，最終權(quán)衡速度與精度，選取LBP特征，關(guān)鍵點(diǎn)的數(shù)目為13(不包括人臉外輪廓和眉毛上的關(guān)鍵點(diǎn))，圖像金字塔層數(shù)為5層，特征投影的稀疏度為99%，在LFW數(shù)據(jù)庫上的識別精度為81.42%.

圖8 關(guān)鍵點(diǎn)數(shù)目、金字塔層數(shù)、投影矩陣稀疏度對識別精度的影響Fig.8 Effects of number of landmarks，layer of pyramids and sparsity of projection matrixes on recognition accuracy

3.3 相似臉檢索

首先，在相似臉檢索測試庫上比較基于分層匹配的相似臉檢索和基于哈希的相似臉檢索.基于哈希的相似臉檢索在原始高維人臉特征上進(jìn)行，哈希編碼的方式參考了文獻(xiàn)［20］.實(shí)驗(yàn)結(jié)果如表4所示，基于哈希的相似臉檢索方式在速度上有一定的優(yōu)勢，然而，基于分層匹配的方式能夠在保證實(shí)時(shí)的情況下，準(zhǔn)確率高出很多.

表4 速度和準(zhǔn)確率的比較Table4 Comparison of speed and accuracy

然后，在擴(kuò)展的LFW數(shù)據(jù)庫上進(jìn)行大規(guī)模相似臉檢索測試.對于用戶輸入的人臉圖像，首先進(jìn)行快速人臉配準(zhǔn)，給出性別、種族信息.當(dāng)服務(wù)器端接收到這些信息的時(shí)候，在相應(yīng)的子庫中進(jìn)行基于稀疏形狀重構(gòu)的相似臉型檢索，稀疏重構(gòu)的正則參數(shù)設(shè)為0.01.當(dāng)服務(wù)器端完成相似臉型的檢索，客戶端的人臉低維紋理特征也發(fā)送到服務(wù)器端，于是服務(wù)器端繼續(xù)完成基于稀疏紋理重構(gòu)的相似臉檢索，稀疏重構(gòu)的正則參數(shù)設(shè)為0.1，最后稀疏系數(shù)最大的5個(gè)人臉圖像作為相似度最高的圖像返回給客戶端.圖9分析了整個(gè)算法的效率，通常在1.3～1.5s之間即可返回與輸入人臉圖像最相似的5個(gè)相似臉，圖10展示了檢索返回的相似臉.

圖9 基于移動平臺的相似臉檢索耗時(shí)分析Fig.9 Time consuming analysis of similar face retrieval based on mobile platform

圖10 級聯(lián)形狀和紋理的相似臉檢索結(jié)果Fig.10 Results of similar face retrieval based on cascade shape and appearance

4 結(jié)論

主要研究了基于移動平臺的快速相似臉檢索問題，基于精確的人臉配準(zhǔn)，建立了級聯(lián)形狀和紋理的相似臉檢索模型.

1)在人臉檢測的基礎(chǔ)上進(jìn)行基于稀疏約束的級聯(lián)回歸配準(zhǔn)，回歸器的訓(xùn)練通過引入稀疏約束，增強(qiáng)了模型的魯棒性，同時(shí)可以將模型的大小壓縮到原來的5%左右.提出的配準(zhǔn)模型在LFPW和Helen等自然場景的人臉數(shù)據(jù)庫上取得了很好的配準(zhǔn)結(jié)果，具有速度快、精度高、模型小的特點(diǎn).

2)在人臉配準(zhǔn)的基礎(chǔ)上，級聯(lián)人臉形狀和局部紋理特征進(jìn)行基于稀疏重構(gòu)的高效的相似臉檢索，其中局部紋理特征采用稀疏投影的方式壓縮高維特征.提出的相似臉檢索方法在接近百萬級的數(shù)據(jù)庫上能夠?qū)崟r(shí)檢索相似臉，且臉型結(jié)合五官紋理的相似度衡量標(biāo)準(zhǔn)符合人們的視覺感受.

3)目前的配準(zhǔn)算法對于夸張表情、嚴(yán)重遮擋等情況的配準(zhǔn)精度還有待提高，服務(wù)器端的相似臉檢索效率也可以繼續(xù)提升.在今后的工作中，將進(jìn)一步提高配準(zhǔn)精度，融合圖像哈希等方法進(jìn)一步加速檢索.

References)

［1］ Hua G，F(xiàn)u Y，Turk M，et al.Introduction to the special issue on mobile vision［J］.International Journal of Computer Vision，2012，96(3):277-279.

［2］ 山世光，高文，唱軼鉦，等.人臉識別中的“誤配準(zhǔn)災(zāi)難”問題研究［J］.計(jì)算機(jī)學(xué)報(bào)，2005，28(5):783-791.Shan S G，Gao W，Chang Y Z，et al.“Curse of Mis-alignment”problem in face recognition［J］.Chinese Journal of Computers，2005，28(5):783-791(in Chinese).

［3］ Cootes T F，Taylor C J，Cooper D H，et al.Active shape modelstheir training and application［J］.Computer Vision and Image Understanding，1995，61(1):38-59.

［4］ Cootes T F，Edwards G J，Taylor C J.Active appearance models［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2001，23(6):681-685.

［5］ Cristinacce D，Cootes T.Automatic feature localisation with constrained local models［J］.Pattern Recognition，2008，41(10):3054-3067.

［6］ Zhu X X，Ramanan D.Face detection，pose estimation，and landmark localization in the wild［C］//Proceeding of the Computer Vision and Pattern Recognition.Washington:IEEE Computer Society，2012:2879-2886.

［7］ Zhou F，Brandt J，Lin Z.Exemplar-based graph matching for robust facial landmark localization［C］//Proceedings of the IEEE International Conference on Computer Vision.Piscataway，NJ:IEEE，2013:1025-1032.

［8］ Sun Y，Wang X G，Tang X O.Deep convolutional network cascade for facial point detection［C］//Proceeding of the Computer Vision and Pattern Recognition.Washington:IEEE Computer Society，2013:3476-3483.

［9］ Cao X D，Wei Y C，Wen F，et al.Face alignment by explicit shape regression［C］//Proceeding of the Computer Vision and Pattern Recognition.Washington:IEEE Computer Society，2012:2887-2894.

［10］ Xiong X H，De la Torre F.Supervised descent method and its applications to face alignment［C］//Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition.Washington:IEEE Computer Society，2013:532-539.

［11］ Ren S Q，Cao X D，Wei Y C，et al.Face alignment at 3000 FPS via regressing local binary features［C］//Proceeding of the Computer Vision and Pattern Recognition.Piscataway，NJ:IEEE，2014:1232-1240.

［12］ Burgos-Artizzu X P，Perona P，Dollar P.Robust face landmark estimation under occlusion［C］//Proceeding of the International Conference on Computer Vision.Piscataway，NJ:IEEE，2013:1513-1520.

［13］ Chen D，Cao X，Wen F，et al.Blessing of dimensionality:highdimensional feature and its efficient compression for face verification［C］//Proceeding of the Computer Vision and Pattern Recognition.Piscataway，NJ:IEEE，2013:3025-3032.

［14］ Gionis A，Indyk P，Motwani R.Similarity search in high dimensions via hashing［J］.VLDB，1999，99(6):518-529.

［15］ Huang G B，Mattar M，Berg T，et al.Labeled faces in the wild:a database for studying face recognition in unconstrained environments［J］.International Journal of Computer Vision，2007，96(3):277-279.

［16］ Asthana A，Zafeiriou S，Cheng S，et al.Robust discriminative response map fitting with constrained local models［C］//Proceeding of the Computer Vision and Pattern Recognition.Piscataway，NJ:IEEE，2013:3444-3451.

［17］ Tibshirani R.Regression shrinkage and selection via the lasso［J］.Journal of the Royal Statistical Society，1996，24(3):267-288.

［18］ Sagonas C，Tzimiropoulos G，Zafeiriou S，et al.300 faces in-thewild challenge:the first facial landmark localization challenge［C］//Proceedings of the IEEE International Conference on Computer Vision.Piscataway，NJ:IEEE，2013:397-403.

［19］ Yan J J，Zhang X C，Lei Z，et al.Structural models for face detection［C］//Proceeding of the Automatic Face and Gesture Recognition.Washington:IEEE Computer Society，2013:1-6.

［20］ Cheng J，Leng C，Wu J X，et al.Fast and accurate image matching with cascade hashing for 3D reconstruction［C］//Proceeding of the Computer Vision and Pattern Recognition.Piscataway，NJ:IEEE，2014:1-8.