面部特征点检测技术,就是在人脸图像中检测出预先定义的某些点的位置,主要是指面部五官特征的位置。由于面部特征点检测可以为人脸分析问题提供一些重要的基础数据,因此成为人脸分析领域中一个热门的研究方向。目前,国内外学者在面部特征点检测方面已经提出了大量的方法,其中对于约束条件下的人脸图像的特征点检测精度已经超过人工标注的精度。但是,对于非约束条件下的面部特征点检测仍然存在着巨大的困难,其主要原因在于一些影响人脸图像的变化因素使得面部特征点检测的精度下降很多。这些变化因素包括复杂的背景、人脸朝向的变化、面部表情的变化、人脸被局部遮挡以及光照条件的变化等。针对非约束条件下,人脸朝向变化以及人脸被局部遮挡对面部特征点检测的影响,本文在经典的随机森林算法上进行改进,提出建立分层的随机森林模型进行面部特征点检测。分层的随机森林模型分为两层:第一层是用于估计人脸朝向的随机森林,第二层是用于检测面部特征点的条件回归森林。在训练过程中,首先,在完整的训练集上通过学习每个图像块的纹理特征和人脸朝向之间的关系,生成第一层随机森林。然后,在依据人脸朝向分类的训练子集上,通过学习每个图像块和面部特征点之间的空间关系,生成条件回归森林。由于是在有条件的训练子集上生成回归森林,因此决策树在生长时不需要处理表现在外观和形状方面的所有面部变化。在测试过程中,应用第一层的随机森林估计测试图像的人脸朝向。依据计算得到的人脸朝向类的概率分布建立第二层的条件回归森林。统计测试图像在第二层条件回归森林中到达的所有叶子节点,组成一个投票集合。为了处理由于局部遮挡和特征点被完全遮挡造成的影响,采用基于面部中心点位置和每个特征点位置的几何约束条件通过调整投票阈值来过滤掉投票集合中与面部特征点位置相关性较小的投票。最后采用mean-shift算法融合所有投票元素计算得到面部特征点的位置。实验结果表明,本文提出的方法针对非约束条件下的面部特征点检测精度已经接近人工标注的精度。