文献综述(或调研报告)：
在计算机视觉中，从单张照片中的人脸视图中产生一个新的视图一直是一个具有挑战性的问题。很大程度上是由于在面部处理和识别系统中这些方法都有潜在的应用，所以对这些方法有了更高的要求。
以前的合成新的面部视图的方法通常是通过估算出现在照片上脸部的3D表面的变化，强调重建的精确性。基于形变模型的方法尝试使用许多已经对齐的3D人脸模型来构建面部几何空间。然而，这些方法通常需要清晰的、无遮挡的近正面视图，并不适合我们的目的。
从阴影中得到形状的方法可以产生完美的面部细节(例如，[2])。但是它们对遮挡和镜面反射(例如眼镜)具有很强的敏感性，并且要求从背景中完整地分割出人脸，所以这种方法不太适合人脸识别系统的大规模的应用。
面部对称的方法被用于估算3D几何体，在本文的方法中，对称性被用于替换面部的不可见区域的细节[3]。由于这些方法对于精确的面部分割的依赖性，这些方法仅仅被应用到有约束性的图片中。
与此算法相关的工作是[3]，及其在人脸识别中的扩展应用[11]。这些方法都尝试产生一个与待对齐面部相匹配的三维参考人脸，以保持这些人脸的自然的外观。然而这个3D估算过程，不能保证对于同一张人脸的不同图像产生相同的三维面部形状。这种方法依赖于人脸特征的精确定位，而这种精确地定位在实际应用中是很困难的。而且这种方法的计算繁重、复杂，带来的问题就是人脸对齐的速度不能满足要求，不适用于批量处理[4]。
最后，[12]中描述了一种基于深度学习的估算典型面部视图的方法。这种方法的独特性在于在产生正面视图的过程中不需要估计或使用3D信息。但是这种方法需要大量的训练，产生的典型视图不一定能将人脸正面化，而且不保证产生的结果和待对齐图片中的人脸相似。
最近，为了解决以上算法中在人脸对齐领域存在的各种问题，[1]中提出了一种新的人脸对齐算法。该算法通过用单一的三维人脸面部图像近似所有的人脸图像，将非约束图像中的人脸正面化得到近似约束图像来实现人脸对齐。
参考文献:
[1] T. Hassner, S. Harel, E.Paz, et al. Effective face frontalization in unconstrained images[C]. Proc. IEEE CVPR, 2014, 1:1-10.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
