[发明专利]人脸特征点的获取方法和装置

说明书

本发明公开了一种人脸特征点的获取方法和装置。其中，该方法包括：获取经过归一化处理的人脸图像；将人脸图像输入到卷积神经网络进行处理，其中，卷积神经网络包括：至少一个卷积层、至少一个池化层、至少一个局部响应归一化层、至少一个全连接层；卷积层用于根据卷积核进行卷积处理，池化层用于对卷积层的数据进行简化；卷积神经网络的配置与预期得到的人脸的特征点的数量相关，并且是使用预定训练集经过训练得到的；获取卷积神经网络处理后输出的人脸图像中的人脸的多个特征点。本发明解决了现有技术的基于卷积神经网络的人脸特征点的获取方法计算量大、训练时间较长的技术问题。

技术领域

本发明涉及图像领域，具体而言，涉及一种人脸特征点的获取方法和装置。

背景技术

人脸特征点获取是根据输入的人脸图像，自动定位出人脸关键特征点。根据应用要求的不同，关键特征点的数目也不同：最少的是5个特征点，包括眼睛、鼻尖和嘴角，可用于人脸识别；在人脸美妆中，还会考虑眉毛和人脸各个部分的轮廓点，包括下巴的轮廓点，即68点定位。在人脸分析任务中，获取人脸特征点必不可少，例如，人脸认证和识别、表情识别、头部姿势估计、人脸3D建模和人脸美妆等。

人脸特征点获取方法可大致分为三类：基于优化的方法、基于回归的方法和基于卷积神经网络的方法。

(1)基于优化的方法

基于优化的人脸特征点获取方法是最早使用的方法，它先从一些图像中学习形状模型，选定一个形状模型来重构整张人脸，再通过最小化重构出的人脸与待定位人脸的纹理特征之间的差异来估计关键特征点的位置。

基于优化的方法学习到的形状模型有限，对于那些有大的偏转姿态、光照和遮挡的复杂图像，尤其是从未见过的图像，定位效果不好。除此之外，梯度下降等优化策略使得这种方法先天地对初始化十分敏感。

(2)基于回归的方法

基于回归的方法是目前用于特征点获取的一个主流方法，这种方法将定位问题看作学习回归器的过程。根据输入的人脸图像，采用随机、平均或者依某种概率分布的方式选出一个初始形状，输入到回归器(例如，随机森林)中，回归器利用当前形状的形状索引特征(例如，SIFT和HOG等特征)对形状进行调整。比较有效的是级联回归器，即多个回归函数，后一个的输入依赖于前一个的输出，每一个回归器的目标都是逼近特征点的真实位置。

基于回归的方法主要有两个缺点：人脸特征点获取的效果依赖于初始形状，如果初始形状离目标形状很远，通过级联的后续迭代也无法纠正差异，回归出的形状会陷入局部极小值；回归过程中用到的形状索引特征是人工设计或者从浅层模型中学习到的特征，对于有特殊偏转姿态的人脸图像很难定位准确。

(3)基于卷积神经网络的方法

深度学习的兴起和卷积神经网络在机器视觉领域的广泛使用，使得卷积神经网络在人脸特征点定位中发挥作用。这种方法是将人脸图像输入到有监督的卷积神经网络中，不用设定初始形状，在训练时给出特征点的真实位置，即可自动地学习有益于定位的特征，是目前最受欢迎的方法之一。

然而，发明人发现，现有技术中基于卷积神经网络的人脸特征点的获取方法在获取人脸特征点的同时加入了多个任务(例如判断眼镜、性别、微笑和三维姿态等)，卷积神经网络的层数多，参数也多，有的方法融合多个网络，还有的方法将人脸划分多个子区域、对每个区域单独地训练出一个网络之后加以融合，使得计算量大大增加，占用了很多的计算资源，训练时间也大大增加。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本发明实施例提供了一种人脸特征点的获取方法和装置，以至少解决现有技术的基于卷积神经网络的人脸特征点的获取方法计算量大、训练时间较长的技术问题。