[发明专利]一种形状自适应分类的特征点检测方法

权利要求书

1.一种形状自适应分类的人脸特征点检测方法，其特征在于，包括如下步骤：

(a)从训练集中随机选取一定比例的图片，对这些图片进行镜像处理，接着对以上对图像再进行随机角度的左右旋转，最终获得扩展的人脸特征点库；

(b)使用PCA人脸姿态分类方法，将获得的训练集分为三类，其中使用训练人脸形状的标准差分为三个区间[-∞,-std]，[-std,std]，[std,+∞]，从而将人脸形状分为三类，接着使用级联回归模型的训练方法，得到多视角模型结构；

(c)重复(a)和(b)两个步骤三次，获得多视角集成模型结构；

(d)通过摄像头获取检测人员的人脸图像样本，并组成测试集；

(e)对人脸图像样本中人脸位置进行定位，并标注出人脸位置；

(f)使用初始预测模型，定位出人脸特征点的初步位置，其中初始预测模型在训练过程中预先训练获得；

(g)对初始的人脸特征点形状使用PCA人脸姿态分类方法进行分类，其中分类方法如下：将初始人脸形状进行标准化处理，再使用标准化后的标准差std组成三个区间[-∞,-std]，[-std,std]，[std,+∞]，从而将人脸形状分为三类；

(h)将分类后的人脸形状放入与之相对应多视角回归模型进行精准的人脸特征点预测；

(i)将步骤(g)分类后的人脸形状在第一个强回归器中获得新的人脸形状更新，对该新人脸形状进行再一次分类，即使用动态人脸姿态分类方法对人脸姿态形状进行新的形状分类，在每个强回归器完成预测后，使用PCA人脸姿态分类方法对新的人脸特征点形状进行分类，其中强回归器由多个弱回归器组成，弱回归器通过随机蕨获得；

(j)将上一步获得的人脸形状分类用于该步骤，将分类后的人脸姿态形状再放入与之对应的下一个强回归器进行进一步的预测计算，从而再次获得新的人脸形状更新；

(k)重复第(i)和(j)步，直到所有的强回归器完成预测，所有的强回归器完成预测之后得到的是人脸特征点的精确坐标；

(l)对多个测试结果求平均值，得到最终的预测结果，具体包含：

(l1)由于训练过程中获得三套多模型的级联结构，所以在测试过程中将使用多模型的预测方法，首先将不同的模型加载到设备中，对人脸图像循环使用多种不同的模型进行预测，获得多个特征点结果h_i；

(l2)将多个特征点定位的结果求均值，得到最终的检测结果为：

H＝(h₁+h₂+h₃)/3。

2.如权利要求1所述的形状自适应分类的人脸特征点检测方法，其特征在于，所述步骤(g)中，包括如下步骤：

(g1)假设通过步骤f获得的初始人脸形状(x_i,y_i)代表特征点在图像中的坐标，对初始人脸形状进行归一化处理，其中归一化方法如下：

(g2)将归一化后的人脸特征点形状表示为将归一化后的结果进行零均值化，使其形状分布更加接近于正态分布；

(g3)经过上述步骤处理之后，组成新的矩阵A＝[ΔS₁,ΔS₂,...,ΔS_N-1,ΔS_N]^T，其中A为所有图像归一化的特征点组成；

(g4)求出该矩阵A的标准差std，标准差组成三个区间[-∞,-std]，[-std,std]，[std,+∞]，从而将人脸形状分为三类。

3.如权利要求2所述的形状自适应分类的人脸特征点检测方法，其特征在于，所述步骤(i)中，包括如下步骤：

(i1)首先，在步骤f中获得初步的人脸特征点位置，使用PCA人脸姿态分类进行初步分类；

(i2)在接下来的步骤中使用的是级联回归结构，该结构由多个强回归器组成，强回归器的预测过程如公式：

其中在为t-1阶段的预测结果，R^t为t阶段的强回归器，I_i为第i张人脸图像。

4.如权利要求1所述的形状自适应分类的人脸特征点检测方法，其特征在于，所述步骤(f)中初始预测模型通过以下方法得到：在步骤(a)中随机抽取一部分图片，通过级联回归的训练方法，得到初始预测模型。