[发明专利]一种鲁棒的人脸特征点定位方法

说明书

本发明涉及一种鲁棒的人脸特征点定位方法。本发明首先建立人脸照片训练样本库，设定训练集中形状概率分布为均匀分布，根据概率分布选取多个形状作为初始化形状。其次在训练样本库中的每个样本随机选取多个初始化形状，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；根据回归模型逐层来调整形状残差，从而得到多个回归形状。然后计算多个回归形状中各自的权重，由多个回归形状和对应的权重来估计子区域的中心。最后根据子区域的中心来估计子区域中形状的概率分布。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。本发明减少了初始化对定位的影响，增强了特征点定位的鲁棒性。

技术领域

本发明属于计算机视觉技术领域，涉及一种鲁棒的人脸特征点定位方法。

背景技术

人脸特征点定位可以通过计算机在一副人脸图像中自动地定位出人脸轮廓和器官的准确位置信息，是人脸识别、表情识别和人脸属性分析等等领域中的技术基础，特征点定位的准确率会直接影响到后续工作的可靠性。

人脸特征点定位方法主要分为：基于统计形状模型方法和基于级联回归的方法。其中基于级联回归的方法(例如SDM，LBF等等)在近年来的特征点定位方面取得了非常显著的成果。SDM(supervised decent method)是采用平均脸初始化，然后提取非线性的SIFT特征，利用线性回归来解决非线性最小二乘优化问题。LBF(Local Binary Features)是在训练样本集中随机初始化，然后学习随机森林的局部二值特征，利用局部二值特征来学习线性回归模型。

专利号为201310189786.1的“一种人脸特征点定位方法及装置”和专利号为201410268298.4的“一种人脸特征点定位方法和装置”都是基于ASM算法的特征点定位，ASM算法首先针对若干人脸图像建立平均形状模型，然后建立形状模型中每个特征点附近的灰度模型，最后利用灰度模型在目标图像中搜索特征点的最佳位置，并根据搜索结果调整平均形状模型，使调整后的形状模型与目标图像中的人脸形状匹配。

专利号为201510641854.2的“一种人脸特征点定位方法和装置”是基于SDM的特征点行为。这些现有相关技术和方法有个共同的不足之处：定位准确率非常依赖初始化形状。如果初始化的形状靠近目标形状时，级联回归法能快速且准确地找到所有特征点；但是当初始化形状与目标形状相差较大时，在后续的级联迭代过程中不可能完全调整形状差异，最终导致陷入局部最优，影响到特征点定位的准确率。

发明内容

为了解决现有技术中传统的级联回归方法中人脸特征点定位的准确率受初始化位置影响这个问题，本发明提供了一种人脸特征点定位方法，该方法可以显著地提高人脸特征点定位的准确性。

本发明方法包括以下步骤：

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。