[发明专利]基于深度学习的人脸关键点对齐算法

权利要求书

1.一种基于深度学习的人脸关键点对齐算法，设人脸图像x有p个人脸标记点，S_g(x)为以该人脸图像x为输入、以p个人脸标记点标准坐标为输出的函数，包括以下步骤：

建立卷积神经网络，该卷积神经网络学习非线性函数F(x)，F(x)为输入是人脸图像x，输出p个人脸标记点的坐标估计值的函数，利用样本集训练该卷积神经网络，使得F(x)与S_g(x)两个函数输出间的欧式距离最小，其特征在于：

所述卷积神经网络包括全局卷积神经网络和局部卷积神经网络，人脸图像输入全局卷积神经网络后得到含有p个人脸标记点的坐标中间估计值S₁，以人脸标记点坐标中间估计值S₁上的p个人脸标记点的坐标中间估计值周围的局部图像为输入，输入局部卷积神经网络后，得到p个人脸标记点的坐标准确值与坐标中间估计值之间的差值ΔS₂，然后计算人脸关键点最终估计值S₂＝S₁+ΔS₂，所述卷积神经网络经样本集训练后得到的人脸关键点最终估计值S₂即为算法最终结果。

2.如权利要求1所述的一种基于深度学习的人脸关键点对齐算法，其特征在于，所述全局卷积神经网络包括四个进行相同卷积和最大池化操作的卷积神经子网络一，对同一人脸图像采样得到四种不同分辨率的采样人脸图像，将四幅采样人脸图像输入四个卷积神经子网络一后，经过卷积和最大池化操作后，形成四个特征表示，学习由这些特征表示到p个人脸标记点坐标的回归函数，得到含有p个人脸关键点中间估计值S₁。

3.如权利要求2所述的一种基于深度学习的人脸关键点对齐算法，其特征在于，所述卷积神经子网络一有10层。

4.如权利要求1所述的一种基于深度学习的人脸关键点对齐算法，其特征在于，所述局部卷积神经网络包括四个进行相同卷积和最大池化操作的卷积神经子网络二，对同一人脸关键点中间估计值S₁采样得到四种不同分辨率的采样图像，对每个采样图像分别取采样图像上p个人脸标记点的坐标中间估计值周围的区域图像作为一个卷积神经子网络二的输入，即每个卷积神经子网络二的输入为p幅区域图像，分别经过四个卷积神经子网络二的计算后得到四个特征表示，学习由这些特征表示到p个人脸标记点的回归函数，得到所述人脸关键点坐标差值ΔS₂。

5.如权利要求4所述的一种基于深度学习的人脸关键点对齐算法，其特征在于，所述卷积神经子网络二有6层。