4.3　SIR-LAN 人脸关键点定位算法

基于深度学习的级联回归器在人脸定位方面超越了传统方法，但存在执行效率不高的问题，为了提高其计算效率，文献［6]提出了SIR-LAN人脸关键点定位算法，它包括自迭代回归（Self-Iterative Regression，SIR）和人脸关键点注意力神经网络（Landmarks-Attention Network，LAN）两部分，如图4-4所示为该算法的处理框架和流程。LAN 使用了3个卷积层，之所以称为注意力网络，是因为它只关注每个人脸关键点周围的脸部特征，对每个人脸关键点区域分别进行特征提取，然后将这些特征拼接，如图4-4（b）所示。

图4-4　SIR-LAN 人脸关键点定位算法的主要处理框架和流程［6]

SIR-LAN 人脸关键点定位算法旨在迭代训练一个回归器（而非多个级联回归器），用于预测人脸关键点的位置。该回归器的输入数据是通过随机高斯采样方法构造的数据，该采样方法是SIR-LAN 人脸关键点定位算法成功的关键。LAN 神经网络以回归器预测的人脸关键点结果为基础，对人脸的不同区域分别进行卷积特征提取（如左眼、右眼、鼻部、嘴部），然后将这些特征拼接，得到全连接向层fc1，fc1后接另一个全连接层fc2。LAN 的预测结果与真实结果的差异（误差），作为SIR 通过不断迭代训练人脸关键点回归器的依据。更新后的人脸回归器的预测数据又作为LAN 的输入，对脸部不同区域进行特征提取、预测，并计算误差，如此循环往复。

SIR-LAN 人脸关键点定位算法，本质上仍然是通过卷积神经网络回归学习人脸关键点的位置，但作者通过精密的采样方法，保证了输入数据的多样性和回归器的准确率。该方法的人脸关键点定位效果与级联回归器方法相当，但是计算效率得到了显著提升。