چهره نقش مهمی در برقراری ارتباط بصری ایفا میکند. با نگاه به چهره، انسان میتواند به طور خودکار بسیاری از پیامهای غیرکلامی، مانند هویت، قصد و احساسات انسان را استخراج کند. در بینایی کامپیوتر، برای استخراج خودکار اطلاعات چهره، مکانیابی نقاط کلیدی چهره معمولأ یک مرحله کلیدی است و بسیاری از روشهای تحلیل چهره بر روی آشکارسازی دقیق این نقاط برجسته ساخته میشوند. مکانیابی و تنظیم نقاط راهنمای چهره در تصاویر با انسداد یک کار بسیار مهم و چالش برانگیز در بسیاری از کارهای بینایی و پردازش تصویر میباشد. در این تحقیق، روش جامع برای مقداردهی اولیه نقاط راهنمای چهره از طریق آموزش ویژگیهای باینری محلی(LBP) و هیستوگرام گرادیان جهتدار(HOG) و یک روش آشکارسازی نقاط راهنمای چهره با استفاده از رگرسیون حالت آبشاری قوی نقاط راهنما که به صورت ویژگیهای تفاوت پیکسل نقاط راهنما مشخص میشود، معرفی شده است. ابتدا از طریق آنالیز همبستگی هیستوگرام الگویهای باینری محلی(LBP) و سپس با استفاده از هیستوگرام گرادیان جهتدار، ویژگیهای چهرههای آموزشی بدست میآید. با استفاده از این ویژگیهای تصاویر آموزشی، نقاط راهنمای بهینه برای تصویر تست تخمین زده میشود. در مرحله تست با توجه به مقداردهی اولیه تصویر، از انتخاب ویژگی مناسب برای تصویر استفاده میگردد تا سرعت انجام فرآیند بیشتر شود. یعنی تعداد مراحل با توجه به انتخاب ویژگی بهتر برای هر تصویر کمتر شود. سپس برای تنظیم چهره، از رگرسیون حالت آبشاری قوی استفاده میشود و یک اصل محلی برای یادگیری ویژگیهای نقاط راهنما بهکار گرفته میشود. اصل محلی کمک میکند تا مجموعهای از ویژگیهای باینری بسیار متمایزکننده برای نقاط راهنمای چهره به صورت مستقل یاد گرفته شود. ویژگیهای باینری محلی بدست آمده برای یادگیری مشترک رگرسیون حالت آبشاری برای خروجی نهایی مورد استفاده قرار میگیرد. نتایج نشان میدهد که مقداردهی اولیه مورد استفاده در این کار دقت ارزیابی را در رگرسیون حالت آبشاری بیشتر کرده است و به نتایج بهتری نسبت به مقداردهی اولیه تصادفی دست یافته است.
