本文中的知识来自于Mastering opencv with practical computer vision project一书。
本文实施的脸部跟踪算法都是基于数据驱动的，主要包括两个部分，训练和测试。训练就是通过脸部标记点的采样数据，训练得到一个标准的脸部模型，而测试部分就是把检测到的脸部和标准脸部模型比较，求得眼睛，鼻子等脸部特征。具体来讲，脸部跟踪分为三个部分：shape model形状模型，就是训练数据表示为什么样的形状模型；feature detector特征检测，检测目标脸中的特征；fitting algorithm适应算法，就是匹配算法，匹配检测到的目标特征点和训练的形状模型结果。
一、训练数据准备
从http://www.milbo.org/muct/下载训练数据集，该数据集包括3755张人脸图像，以及人脸特征点标记文件。人脸特征点标记文件中，包括所有图像的特征点标记，每副图像76个特征点。解压下载的压缩文件后，图像文件都在jpg目录中，另外我们得到文件muct76-opencv.csv，该文件中保存的都是图像的特征点标记。
打开文件muct76-opencv.csv,我们得到下面数据，第一列为图像文件名，从第三列开始为76个特征点的x，y坐标。
name,tag,x00,y00,x01,y01,x02,y02,x03,y03,x04,y04,x05,y05,x06,y06,x07,y07,x08,y08,x09,y09,x10,y10,x11,y11,x12,y12,x13,y13,x14,y14,x15,y15,x16,y16,x17,y17,x18,y18,x19,y19,x20,y20,x21,y21,x22,y22,x23,y23,x24,y24,x25,y25,x26,y26,x27,y27,x28,y28,x29,y29,x30,y30,x31,y31,x32,y32,x33,y33,x34,y34,x35,y35,x36,y36,x37,y37,x38,y38,x39,y39,x40,y40,x41,y41,x42,y42,x43,y43,x44,y44,x45,y45,x46,y46,x47,y47,x48,y48,x49,y49,x50,y50,x51,y51,x52,y52,x53,y53,x54,y54,x55,y55,x56,y56,x57,y57,x58,y58,x59,y59,x60,y60,x61,y61,x62,y62,x63,y63,x64,y64,x65,y65,x66,y66,x67,y67,x68,y68,x69,y69,x70,y70,x71,y71,x72,y72,x73,y73,x74,y74,x75,y75
i000qa-fn,0000,201,348,201,381,202,408,209,435,224,461,241,483,264,498,292,501,319,493,338,470,353,448,363,423,367,395,366,371,357,344,355,316,340,311,325,318,309,328,327,324,342,317,217,328,231,323,250,327,269,333,251,334,233,331,229,345,240,337,262,349,242,352,241,344,346,337,330,330,318,341,334,344,330,336,280,344,278,381,264,399,273,406,293,409,316,399,321,392,304,376,296,342,279,402,310,399,251,431,268,427,284,425,293,425,302,423,316,425,329,426,320,442,309,451,295,454,278,452,263,442,277,440,293,442,313,437,313,429,293,432,277,431,293,436,295,395,234.5,341,251,343,252,350.5,235.5,348.5,338,333.5,324,335.5,326,342.5,340,340.5
...
比如第二行数据，即为图像i000qa-fn.jpg的特征点标记，标记显示出来即为下图的效果：
二、得到yaml格式的数据文件
训练脸部跟踪算法的数据有四部分：
1、图像
2、标记点
3、标记点的对称索引
4、连通性索引
imnames向量中存放的是图像文件的名字，imnames的size即为样本图像的数量。points中存放的是标记点，每副图像对应76个标记点，所以它采用二维vector的方式定义。symmetry中存放的是points中点的索引，它指定points中那些点需要镜像。
vector<int> symmetry; //对称点索引，标指出那些特征点需要镜像
vector<Vec2i> connections; //连通点索引，两个索引指定2个点的连通关系。
vector<string> imnames; //图像
vector<vector<Point2f> > points; //标记点
最后我们把训练数据保存在yaml文件中，shapes的每一列表示一副图像的76个特征点x、y坐标。
最后生成的数据文件为annotations.yaml内容为：
%YAML:1.0
ft object:
n_connections: 47
connections 0 0: 21
connections 0 1: 2
....
n_symmetry: 76
symmetry 0: 1
symmetry 1:
...
n_images: 2914
image 0: "..\\muct\\jpg\\i000qa-fn.jpg
...
shapes: !!opencv-matrix
rows: 152
cols: 2914
dt: f
data: [ 201., 157., 201., 187., 145., 182., 190., 152., 191., 162.,
110., 140., 118., 164., 166., 114., 135., 123., 168., 166.,
113., 143., 123., 168., 224., 183., 230., 221., 182., 226.
...
程序源代码：工程FirstOpenCV39
程序运行后，会从muct76-opencv.csv中把标记点读入到class ft_data中，之后会把它写入annotations.yaml。然后提示我们用鼠标选取连通性，选取完后，按q键，会把连通信息保存到annotations.yaml中，之后进入选取需要对称的标记点界面，我们可以用鼠标点击需要镜像的标记点，按q键后，保存到annotations.yaml文件中。
注意程序执行时带的两个参数为：-m ..\muct\jpg\ -d ..\muct\out\
其中-m指定输入图像的目录，-d 指定输出ymal文件的目录。
我们在solution文件同层目录建立muct目录，里面包括子目录jpg,存放图片文件，子目录muct-landmarks中包括文件muct76-opencv.csv，out子目录为输入yaml文件的目录。
