---

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.