人脸特征点定位及识别的研究的综述报告人脸识别技术的应用已经广泛地应用于各种领域，其中人脸特征点定位是人脸识别技术中的重要问题之一。本文将对人脸特征点定位及识别的研究进行综述，从传统的方法到深度学习方法进行了分析和总结。一、传统方法传统的人脸特征点定位方法可分为两类：基于图像的特征提取和基于形态特征的方法。1.1基于图像的特征提取基于图像的特征提取大多是通过计算图像中的局部特征来定位人脸的关键点。（1）基于局部纹理描述子的方法早期的基于图像特征提取的方法主要采用SIFT（Scale-invariantfeaturetransform）和SURF（SpeededUpRobustFeatures）算法来提取局部纹理特征作为特征点。这些算法对缩放、旋转和亮度变化有较好的不变性，能够在面对图像漂移、噪声等问题时取得不错的效果。但是，这些算法受光线变化和姿态变化影响较大，因此定位效果不理想。（2）基于人脸区域的方法另外一种基于图像的特征提取方法是利用人脸检测算法，提取出人脸区域，并进行人脸关键点的定位。Viola-Jones算法是其中比较经典的人脸检测算法。1.2基于形态特征的方法基于形态特征的方法主要是依据人脸的形态特征进行关键点定位。（1）基于主分量分析的方法基于主分量分析（PCA）是一种简单有效的人脸识别方法，依据人脸的形态特征进行关键点定位。该算法通过提取人脸特征形态，利用统计模型对不同人脸进行区分。（2）基于局部特征的方法局部特征定义了人脸上的一组局部区域，并提取局部区域的形态特征定位人脸关键点。其中比较经典的局部特征为ActiveShapeModel（ASM）和ConstrainedLocalModel（CLM）。二、深度学习方法近年来，由于深度学习方法在图像识别领域的突破，也带来了人脸识别领域新的思路与方法。2.1基于卷积神经网络的方法网络结构基于卷积神经网络（CNN）进行人脸特征点定位，通常采用回归模型进行训练。当前主流的卷积神经网络模型有LeNet、AlexNet、VGG、GoogLeNet和ResNet等。网络输入网络输入为原始图片，输出为人脸关键点坐标，其中需要注意的是回归输出的坐标需要进行归一化处理，使坐标值在0到1之间。2.2基于检测器的方法基于检测器的方法采用分类器进行训练，判断人脸上是否存在关键点。网络结构基于检测器的算法采用多个分类器共同完成对人脸关键点的检测。其中一种经典的检测器为面向对象的级联分类器（CascadeClassifier）。网络输入网络输入是对原始图片进行局部裁剪后的图像块，输出结果为该图像块是否具有人脸关键点。三、总结传统的人脸特征点定位方法主要是通过图像的特征提取和形态特征进行定位，存在对光照、姿态等因素强依赖的问题。深度学习方法则充分利用了卷积神经网络和检测器的优势，能够实现对大量数据的有效学习，根据实验结果表明深度学习方法对于人脸关键点定位效果优于传统方法。