用于人脸对齐的自增强级联回归

级联回归因其准确性与鲁棒性在人脸对齐中占主导地位，但通常需要具有形状索引特征与形状更新之间低差异的手动标注样本。本文提出一种自增强策略，迭代地扩充训练样本数量并提升其质量，从而升级级联回归自身的性能。该增强项基于人脸局部表观与全局几何的一致性来评估样本质量，并依“适者生存”理念构成样本演化。我们训练一组判别分类器，每个关联一个关键点标签，以剪除具有不一致局部表观的样本，并进一步依据从射影不变量导出的公共全局几何来验证标注关键点组间的几何关系。我们将该通用策略嵌入典型级联回归中，在多个基准数据集上的对齐结果表明其能从一小子集出发预测优良样本的有效性。