面部特征點定位在人臉識別、表情識別、人臉動畫等人臉分析任務中至關重要的一環(huán)。人臉定位算法需要選取若干個面部特征點，點越多越精細，但同時計算量也越大。兼顧精確度和效率，我們選用雙眼中心點、鼻尖及嘴角五個特征點。經測試，它們在表情、姿態(tài)、膚色等差異上均表現出很好的魯棒性。

人臉定位接口程序如下所示，需要先加載預先訓練好的模型，再進行定位檢測：

人臉定位程序的效果如下所示：

本算法在AFLW數據集上的定位誤差及與其他算法的對比情況：

3.人臉校準

本步驟目的是擺正人臉，將人臉置于圖像中央，減小后續(xù)比對模型的計算壓力，提升比對的精度。主要利用人臉定位獲得的5個特征點（人臉的雙眼、鼻尖及嘴角）獲取仿射變換矩陣，通過仿射變換實現人臉的擺正。

目標圖形以（x,y）為軸心順時針旋轉Θ弧度，變換矩陣為：

人臉校準C++代碼可參考如下所示：

一般此步驟不建議使用外部庫做變換，所以這里提供仿射變換python源碼以供參考：

人臉校準的效果如圖所示：

4.人臉比對

人臉比對和人臉身份認證的前提是需要提取人臉獨有的特征點信息。在人臉校準之后可以利用深度神經網絡，將輸入的人臉進行特征提取。如將112×112×3的臉部圖像提取256個浮點數據特征信息，并將其作為人臉的唯一標識。在注冊階段把256個浮點數據輸入系統(tǒng)，而認證階段則提取系統(tǒng)存儲的數據與當前圖像新生成的256個浮點數據進行比對最終得到人臉比對結果。

人臉比對流程的示意圖如下所示：

通過神經網絡算法得到的特征點示意圖如下：

而人臉比對則是對256個浮點數據之間進行距離運算。計算方式常用的有兩種，一種是歐式距離，一種是余弦距離。x,y向量歐式距離定義如下：