[发明专利]图像特征点定位方法及装置

说明书

本公开是关于一种图像特征点定位方法及装置，属于图像处理技术领域。该方法包括：获取人脸图像对应的初始特征矩阵，所述初始特征矩阵是所述人脸图像中的N个初始特征点的特征向量所组成的矩阵；通过预设的降维矩阵对所述初始特征矩阵进行降维处理，获得降维后的特征矩阵；根据预设的特征定位算法以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵；根据所述拟合后的特征矩阵确定所述人脸图像中的各个特征点。在进行特征点定位时，获取人脸图像对应的初始特征矩阵后，对初始特征矩阵进行降维处理，并根据降维后的初始特征矩阵进行特征点定位，降低了需要计算的维度，从而减少计算时间，提高特征点定位的速度，保证图像处理的时效性。

技术领域

本公开涉及图像处理技术领域，特别涉及一种图像特征点定位方法及装置。

背景技术

图像特征点定位是图像处理技术领域中的关键技术之一。图像特征点定位的准确性直接关系到图像处理结果的效果。

相关技术中，图像特征点定位通常基于SDM(supervised decent method)算法来实现。SDM算法是是计算机视觉领域最新发现的精确人脸特征点定位算法，其特点是定位快，鲁棒性好，通用性和扩展性强。SDM算法属于迭代算法，其基本思路为：从一组初始点位置开始，提取一组图像特征向量，并用提取到的特征向量预测从当前点到目标点的位移量，然后将位移量加入当前位置点，并开始下一次迭代，直至迭代次数到达预设值，获得最终定位的特征点。

发明内容

本公开实施例提供了一种图像特征点定位方法及装置，技术方案如下：

根据本公开实施例的第一方面，提供了一种图像特征点定位方法，包括：

获取人脸图像对应的初始特征矩阵，所述初始特征矩阵是所述人脸图像中的N个初始特征点的特征向量所组成的矩阵，N≥1，且N为整数；

通过预设的降维矩阵对所述初始特征矩阵进行降维处理，获得降维后的特征矩阵；

根据预设的特征定位算法以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵；

根据所述拟合后的特征矩阵确定所述人脸图像中的各个特征点。

可选的，所述方法还包括：

在通过预设的降维矩阵对所述初始特征矩阵进行降维处理，获得降维后的特征矩阵之前，获取训练样本图像，所述训练样本图像是已标注有N个特征点的人脸图像；

提取训练特征矩阵，所述训练特征矩阵是由所述N个特征点的特征向量所组成的矩阵；

根据所述训练特征矩阵进行机器训练，获得所述降维矩阵。

可选的，所述根据所述训练特征矩阵进行机器训练，获得所述降维矩阵，包括：

按照主分量分析PCA算法对所述训练特征矩阵进行机器训练，获得所述降维矩阵。

可选的，所述根据预设的特征定位算法以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵，包括：

获取预测定位矩阵，所述预测定位矩阵是通过SDM算法，根据训练样本图像进行机器训练获得的矩阵，所述训练样本图像是已标注有N个特征点的人脸图像；

根据所述预测定位矩阵以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵。

可选的，所述方法还包括：

在获取预测定位矩阵之前，提取训练特征矩阵，所述训练特征矩阵是由所述N个特征点的特征向量所组成的矩阵；

通过所述降维矩阵对所述训练特征矩阵进行降维处理，获得降维后的训练特征矩阵；

通过SDM算法，对所述降维后的训练特征矩阵进行机器训练，获得所述预测定位矩阵。