人脸对齐经典文章ESR，加中文注释版，关键点有三个：两级回归模型，形状索引特征和基于相关性的特征选择，弱回归器采用随机fern

Face Alignment by Explicit Shape Regression原文及译文

sdm matlab代码用于面部对齐的SDM 这是Xiong和De La Torre（）提出的我的监督下降方法（SDM）的MATLAB实现，用于面部对齐。 在300W数据集上使用49个点（没有下颌点）训练了包含的模型。 培训代码包含在lib目录中。 培训应该是一个相当简单的过程。 培训功能包括： SDMInitModel-分配新的SDM模型 SDMAddDataMemoryFrugal *-这些功能以有效的内存方式收集训练和验证数据，以进行训练和参数选择。 SDMSolve-解决回归问题 SDMLayerXval-通过黄金搜索执行参数选择（用于选择正则化器） SDMFinalizeLayer-将最终的回归变量添加到SDM模型中。 查看这些功能以获取有关模型结构以及如何提供形状模型（平均形状）的详细信息。 运行代码 没有外部依赖关系或mex函数。 运行“ runDemo.m”应产生适合的示例。 执照 此代码不得用于商业目的。 该代码可自由用于个人，学术和研究目的。 但是，我们要求任何文件在重新分发时均保留我们的版权声明。 该软件按``原样''提供，不提供任何担保或保证。 我们对由此造成的

This is the reference implementation for Sparse-Compositional Regression based face landmark alignment. This implementation is not designed to be fast, it is merely for training and basic testing. A fast implementation (for online fitting), written in C++ will be added soon. The included model is trained on the 300W dataset using 49 points (no jaw points).

One Millisecond Face Alignment with an Ensemble of Regression Trees.pdf

Robust Face Alignment Under Occlusion via Regional Predictive Power Estimation-附件资源

Face Alignment at 3000FPS（C++版）工程配置（非Cmake），这里是配置方法：http://blog.csdn.net/duan19920101/article/details/50582249

InsightFace：2D和3D人脸分析项目 和 执照 InsightFace的代码根据MIT许可证发布。 学术和商业用途均不受限制。 包含注释的训练数据（以及使用这些数据训练的模型）仅可用于非商业研究目的。 介绍 InsightFace是主要基于MXNet的开源2D＆3D深度面部分析工具箱。 主分支MXNet 1.2工程1.6，与Python 3.x的。 ArcFace视频演示 请点击图片观看YouTube视频。 对于Bilibili用户，请单击。 最近更新 2021-01-20 ： 根据实施ArcFace和部分FC的。 2020-10-13 ：DeepGlint发布一种新的训练方法和一个大型训练集（360K ID）。 2020-10-09 ：我们开放了大规模识别测试基准 2020-08-01 ：我们发布了具有快速坐标回归功能（106分）的轻型面部界标模型。 查看详细。 2

通过3D密集人脸重建实现稳定的头部姿势估计和地标回归 通过Tensorflow Lite框架，人脸网格，头部姿势，界标等，重新实现。 CPU实时人脸检测，对齐和重建管线。 轻量级渲染库，比工具快5倍（3对 。 通过单个网络的相机矩阵和密集/稀疏地标预测。 生成面部参数以实现可靠的头部姿势和表情估计。 设置 基本要求 Python 3.6+ pip3 install -r requirements.txt 渲染致密脸 GCC 6.0+ bash build_render.sh （谨慎）对于Windows用户，请参考以获取更多详细信息。 3D人脸地标 在这个项目中，我们通过3DMM参数回归进行密集人脸重建。 回归目标简化为相机矩阵（ C ，形状为3x4），外观参数（ S ，形状为1x40）和表达变量（ E ，形状为1x10），共有62个维度。 可以通过将这些参数应用于预定义的

G. Tzimiropoulos, and M. Pantic, "Optimization problems for fast AAM fitting in-the-wild," ICCV 2013 1. Download the Zhu and Ramanan detector from http://www.ics.uci.edu/~xzhu/face/ 2. Get it to work 3. Re-order the points returned by the detector according to the provided AAM configuration (i.e. the points in Zhu and Ramanan and the points in the provided AAM code are ordered differently) 4. Use the procrustes Matlab built-in function between the detected points (from Zhu and Ramanan) and the mean shape (from AAM).