LBF算法得到JDA算法的训练数据(杂谈)

1：搭建好人脸对齐的LBF算法的环境，采用数据集训练68个特征点的数据集：

2：用训练好的模型生成人脸框和5个点的文件，得到JDA的训练数据；

3：采用JDA算法进行训练：

4：JDA算法的核心思想就是采用了回归的策略，让人脸检测框定位更加的准确；

5：LBF算法主要就是人脸关键点的定位，关键点附近的提取特征，之后进行判断是否是人脸，这样更加的准确；

6：之前理解pico的人脸检测算法采用的整个人脸的特征进行分类，这样人脸的特征和背景的区分度不算太大！

7：LBP，harr，pico等等都没有对人脸的关键部位进行分类，故分类的精度不高，和JDA相比效果差一点！

8：BP神经网络的一些理解：

BP的思想就是：利用输出后的误差来估计输出层前一层的误差，再用这层误差来估计更前一层误差，如此获取所有各层误差估计。这里的误差估计可以理解为某种偏导数，我们就是根据这种偏导数来调整各层的连接权值，再用调整后的连接权值重新计算输出误差。直到输出的误差达到符合的要求或者迭代次数溢出设定值。BP的反向传播对象就是“误差”，传播目的就是得到所有层的估计误差。

它的学习规则是：使用最速下降法，通过反向传播（就是一层一层往前传）不断调整网络的权值和阈值，最后使全局误差系数最小。

训练的目的，就是送入数据，得到分类的预测标签，然后计算误差，之后开始反向的传播，根据误差，计算上一层的偏倒数，根据误差，更新权重，然后预估这一层的误差，然后继续方向，更新一遍网络，一个训练样本就结束了；然后下一个训练样本，不断的更新权重，直到满足结束的条件：