[发明专利]一种鲁棒的人脸特征点定位方法

权利要求书

1.一种鲁棒的人脸特征点定位方法，其特征在于该方法包括以下步骤：

步骤1、建立人脸照片训练样本库；

步骤2、设定训练集中形状概率分布为均匀分布；

步骤3、根据概率分布选取N_l个形状作为初始化形状；

步骤4、在训练样本库中的每个样本随机选取N_l个初始化形状，提取形状在图像中的特征，利用级联回归方法学习回归模型；

步骤5、根据回归模型逐层来调整形状残差，从而得到N_l个回归形状；

步骤6、计算N_l个回归形状中各自的权重；

步骤7、由N_l个回归形状和对应的权重来估计子区域的中心；

步骤8、根据子区域的中心来估计子区域中形状的概率分布；

步骤9、对概率升序排列，选取前N_l个概率所对应的形状作为算法中初始化形状；跳转至步骤4开始迭代，直到收敛结束，从而完成人脸特征点定位；

其中步骤6具体是：

(1)计算回归形状两两之间的距离a_pq；p,q∈(1,2,...N_l)：

其中和分别表示第p、q个回归形状；

(2)由a_pq组成一个N_l*N_l的二维矩阵A，并初始化Wⁱ(0)，Wⁱ(0)为一个N_l维的列向量，值全部为1/N_l，迭代L次后得到N_l个回归形状的权重W^ij；

其中°表示矩阵中对应元素相乘。

2.根据权利要求1所述的一种鲁棒的人脸特征点定位方法，其特征在于：步骤4具体是：

(1)学习局部二值特征

使用基于回归的随机森林去归纳二值特征，其中树的节点利用两个像素的像素差特征来训练；

(2)学习全局线性回归W^t

利用训练好的随机森林能够学习到当前形状的局部二值特征，由局部二值特征组合成全局特征用线性回归方法得到全局线性回归模型W^t；t＝1,2,…,T；其中线性回归方法是指每次迭代的形状增量与特征向量成线性关系；这样通过回归模型一级一级估计形状增量进阶式地调整形状残差：

其中是第t次的形状增量，W^t是第t次的回归模型，是对形状在图像I中提取的特征，T是线性回归次数。

3.根据权利要求1所述的一种鲁棒的人脸特征点定位方法，其特征在于：步骤8具体是；

(1)在标定好的特征点Xⁱ中选取除轮廓外区域R中的m个特征点j∈R，提取每个特征点的sift特征作为特征点的局部纹理特征来训练m个局部特征分类器；

(2)利用最近邻域法，在样本库Xⁱ中为每个特征点x_j选出K个与中心点最近和最远的样本，取这些样本中x_j作为该特征点的代表点；其中为Xⁱ中第j个特征点x_j的坐标均值；

(3)选择对应的局部特征分类器来判定子区域的中心中m个特征点的分类情况，如果当前特征点为正样本：如果是负样本：分别判定的K个代表点的分类情况和置信度，归一化置信度作为权重重新得到中心中坐标，

其中Δ_x和Δ_y为中心中的横坐标和纵坐标与训练集中所有样本X^*中的差，γ为概率参数，p为概率形状；

(4)在子区域的中心中选取轮廓点上的n个特征点，分别计算每个特征点的概率：

(5)由上面m和n个特征点的概率相乘后归一化计算得到概率分布。