[发明专利]基于多任务学习的人脸关键特征点的定位方法

权利要求书

1.一种基于多任务学习的人脸关键特征点的定位方法，其特征在于，包括：

根据训练好的级联分类器对目标图像进行人脸区域检测，在识别出人脸区域后，利用人眼检测器定位所述人脸区域中的人眼的位置，计算出所述人脸区域中的两眼间的距离；

将所述人脸区域中的两眼间的距离与所述人脸平均模型中的两眼间的距离进行对比，根据比较结果确定所述人脸平均模型的缩放比例，利用所述缩放比例对所述人脸平均模型中的人脸区域进行位置调整，通过多任务学习方法定位所述目标图像对应的人脸区域中的人脸特征点；

所述的通过多任务学习方法定位所述目标图像对应的人脸区域中的人脸特征点，包括：

步骤1、通过进行了位置调整后的人脸平均模型初始化训练集的图片，得到N幅初始化后的初始形状，都记为y₀；

步骤2：对于每一幅目标图像对应的人脸区域中的每一个特征点，计算其特征点周围的特征值，若有i种特征值，计算得到的特征值为

步骤3：假设一共有T个任务，样本中有N幅图片需要进行学习，用来表示第t个任务所需的输入，其中t＝{1，…，T}，i＝{1，…，N}，为第i幅图像的第t种特征向量，为表示这一特征向量的标签；

通过SDM计算第一个回归阶段的下降梯度R₀和偏移量b₀，计算不同特征的下降梯度和偏移量，分别表示为和通过该回归阶段所求出的梯度和偏移量计算该次回归的每一个特征，得出的更新值Δx＝x₁-x₀，通过偏移量Δx将特征点进行移动；在训练阶段，通过梯度下降法SDM的训练方法，通过提取多种特征，将每个特征作为一个任务，引用多任务学习计算不同特征在SDM的各个回归阶段的权值进行训练，其中，基于多任务学习的目标函数：

其中是由权重向量w^t确定的特征获取函数，为损失函数，Φ(w^t)为由权重产生的惩罚函数，假设不同的特征在级联回归的不同阶段能得到不同的效果，该目标函数的意义就是找到每种特征在各个阶段对于该阶段的标定效果有多少贡献，即w^t；

步骤4：根据步骤3计算得到的下降梯度以及偏移量重新计算这一步回归的更新值，根据每一个特征点的更新值计算该特征点的权值，即

步骤5：根据特征点的权值以及相应的特征的下降梯度和偏移量计算这一步回归的更新位置x₁：

x₁＝x₀+H(x₀，f，w)

x_n＝x_n-1+H(x_n-1，f，w)

其中，

步骤6：重复执行上述步骤3、步骤4、和步骤5的处理过程，直到特征点达到收敛。

2.根据权利要求1所述的方法，其特征在于，所述的将所述人脸区域中的两眼间的距离与所述人脸平均模型中的两眼间的距离进行对比，根据比较结果确定所述人脸平均模型的缩放比例，利用所述缩放比例对所述人脸平均模型中的人脸区域进行位置调整，包括：

将所述人脸区域中的两眼间的距离d与所述人脸平均模型中的两眼间的距离d’相除，得到所述人脸平均模型的缩放比例w，将所述人脸平均模型的坐标轴与所述人脸区域的左上角对齐，根据w对所述人脸平均模型的所有初始点(x′，y′)的坐标进行放大，即(x_n，y_n)＝(x′_n*w，y′_n*w)。

3.根据权利要求2所述的方法，其特征在于，所述特征点的收敛条件为特征点的偏移值Δx小于设定阈值范围。