在對3000fps
演算法的實際操作過程中，遇到了很多問題，同樣也總結了一些經驗：
1、**中提及3000fps
演算法的實際對齊速度可以達到
3ms，可能是訓練庫很大吧；我開始使用
lfpw
訓練庫，其中包含
811張圖，最終的特徵點對齊速度平均為
100ms
，而使用
helen
訓練庫的
2000
張訓練出模型後，最終的特徵點對齊速度平均為
16ms
，最快可以達到
11ms(
已經達到了實時性
)；雖然並沒有達到**中提及的那麼快的速度，但是我認為，當我們的訓練庫中包含的越來越多時，人臉對齊的速度可以更快。
2、3000fps演算法在測試時，效果挺好的
(側臉的效果也很不錯)
已經算是不錯的了。
持續更新。。。。。。
人臉對齊（3000fps）
最近要做人臉表情識別，根本沒有過機器學習的經驗，只能硬著頭皮開始 首先，我在thinkface上找了一些資料，了解了一些有關人臉方面的文件，和目前發展的近況 因為之前有學習過 深入理解opencv 這本書，它裡面的第八章的人臉識別 的 我有執行過，所以對於人臉檢測有一定的了解 其次，接下來我就進行了...
人臉關鍵點定位3000fps的LBF方法
整體來看，其實 esr是基礎版本的形狀回歸，ert將回歸樹修改為gbdt，由原始的直接回歸形狀，改進為回歸形狀殘差，而lbf，是加速特徵提取，由原來的畫素差分特徵池，改為隨機選擇點。基於lbf方法的人臉對齊，出自face alignment at3000 fps via regressing loc...
EOS實際操作
ref sudo apt get install clang 4.0 lldb 4.0 libclang 4.0 dev cmake make libbz2 dev libssl dev libg dev autotools dev build essential libbz2 dev libicu...