整體來看，其實 ，esr是基礎版本的形狀回歸，ert將回歸樹修改為gbdt，由原始的直接回歸形狀，改進為回歸形狀殘差，而lbf，是加速特徵提取，由原來的畫素差分特徵池，改為隨機選擇點。
**：基於lbf方法的人臉對齊，出自face alignment at3000 fps via regressing local binary features，由於該方法提取的是區域性二值特徵（lbf），所以特徵提取這個過程速度非常快，導致整個的演算法都速快相當快，**作者的lbf fast達到了3000fps的速度，網上熱心網友分享的程式也達到了近300fps的速度，絕對是人臉對齊方面速度最快的一種演算法。因此，好多網友也將該方法稱為，3000fps。
該方法主要體現在2個方面，
（1）lbf特徵的提取
作者通過在特徵點附近隨機選擇點做殘差來學習lbf特徵，每乙個特徵點都會學到由好多隨機樹組成的隨機森林，因此，乙個特徵點就得用乙個隨機森林生成的0,1特徵向量來表示，將所有的特徵點的隨機森林都連線到一起，生成乙個全域性特徵，後續過程就可以使用該全域性特徵做全域性線性回歸了。
（2）基於cascade的級聯的隨機森林做全域性線性回歸
如上公式所示，i為輸入影象，st-1為第t-1stage的形狀，fait為t stage的特徵匹配函式，wt為線性回歸矩陣。
訓練過程，就是學習fait和wt的乙個過程，測試過程就是用訓練好的fait和wt對提取的lbf特徵做回歸的過程。
對於每個stage，越往下，所選擇的隨機點的範圍就越小，特徵點定位精度就越好。
實際執行效果，速度絕對是人臉對齊中速度最快的乙個演算法了，精度的話，比起sdm來，還是遜色一點，儘管作者**中分析的資料來看比sdm好，但是不得不承認，還是比sdm的精度差點。
github上熱心網友的程式，
matab版本：
c++版本：
人臉對齊LBF 三
相似變換的目的是求解 兩個形狀之間的尺度和角度關係 和普氏分析的作用相同，不同點是不需要迭代求解，普氏分析理論上更準確，實際上在這裡沒什麼特殊效果。演算法步驟和思想 1 中心化兩個形狀 2 以質心為原點，計算其到沒乙個形狀點之間的距離，並求和 3 兩個形狀的尺度係數為2 中計算得到值的比值 4 以質...
人臉對齊LBF 四
隨機森林的訓練過程 1 隨機的選擇一部分樣本，按照一定的比例選擇樣本 2 訓練一棵樹的時候，隨機的選擇一部分特徵，訓練乙個節點，之後把樣本分為左右兩顆子樹 3 繼續在左子樹訓練樣本，隨機的選擇特徵 4 繼續在右子樹訓練樣本，隨機的選擇特徵 5 訓練出來乙個節點，繼續迴圈2 5步驟得到一棵樹 迴圈1 ...
人臉識別之人臉檢測
人臉識別分為人臉檢測 人臉預處理 蒐集和學習人臉以及人臉識別四個部分，此部分將人臉檢測。本文基於opencv進行的。在opencv中常用的人臉檢測器有基於lbp的特徵檢測 基於haar的特徵檢測，兩者的區別 前者比後者快好幾倍且不需要許可協議，但很多haar檢測器需要許可協議。基於haar的臉部檢測...