[发明专利]一种基于卷积变分编码器的人脸跟踪方法

说明书

本发明公开了一种基于卷积变分编码器的人脸跟踪方法，具体涉及人脸跟踪识别领域，步骤一，通过在线图像采集系统获取实时脸部信息，作为跟踪器训练数据；步骤二，将获取的面部影像信息输入值计算机的CVAE(卷积变分自动编码器)系统中，基于CVAE和目标跟踪算法进行大范围人脸跟踪，其中，目标跟踪算法采用PF(粒子滤波器)框架，利用PF的非线性跟踪性获取头部在大范围运动时的姿态参数。本发明通过利用CVAE能够学习到目标的分布式表示，并具有很好的泛化能力，在人脸跟PF框架中引入卷积变分自动编码器，以增强目标的表示能力，降低误差累积，提高人脸跟踪的精度。

技术领域

本发明涉及人脸跟踪识别领域，更具体地说，本发明涉及一种基于卷积变分编码器的人脸跟踪方法。

背景技术

人脸跟踪是指在连续的视频图像序列中跟踪一个或多个人脸。人脸跟踪在许多场合下都具有非常重要的应用，如智能视频监控、人机交互、出入控制等等。

现有的人脸跟踪方法一般都是利用线性判别分析(LDA)来提取人脸特征，进而进行人脸跟踪。这种方式获取的人脸数据与实际的人脸误差较大，人脸跟踪的精度低。而选用基于CVAE方法来解决大范围人脸跟踪问题时，当头部大范围运动，过大的姿态参数变化会降低PF算法的鲁棒性，在长时间跟踪后会产生一定的误差累积。因此，亟需一种基于卷积变分编码器的人脸跟踪方法来解决现有人脸跟踪方法中的缺陷。

发明内容

为了克服现有技术的上述缺陷，本发明的实施例提供一种基于卷积变分编码器的人脸跟踪方法，通过比较目标的分布式表示的距离，在粒子滤波框架下获取目标最佳位置，CVAE可以通过无监督学习获得人脸的分布式表示，并具有很好的泛化能力，在人脸跟PF框架中引入卷积变分自动编码器，以增强目标的表示能力，降低误差累积，提高人脸跟踪的精度。

为实现上述目的，本发明提供如下技术方案：一种基于卷积变分编码器的人脸跟踪方法，具体包括以下步骤：

步骤一，通过在线图像采集系统获取实时脸部信息，作为人脸跟踪器的数据；

步骤二，将获取的面部影像信息输入CVAE系统中，基于CVAE和目标跟踪算法进行大范围人脸跟踪，其中，目标跟踪算法采用PF框架，利用粒子滤波PF的非线性跟踪性获取头部在大范围运动时的姿态参数，并入引入卷积变分自动编码器对参数进行调整；

步骤三，使用无标注数据的卷积变分自动编码器CVAE，将输入的人脸图像，转换成一个分布式表示，在编码网络上添加一个约束，使得它生成的隐变量遵循标准正态分布，并通过两个独立的损失项来优化网络，使学习得到的分布式表示结合PF模型对人脸进行跟踪；

步骤四，利用卷积分自动编码器生成紧凑的表示，将其输入人脸图像转换成紧凑的编码矢量，其所在的潜在空间为不连续和允许简单的插值两种状态，卷积分自动编码器为不同的类别生成非常不同的μ，将它们聚类在一起并使σ最小，使相同的样本编码本身的变化降低，然后利用卷积分自动编码器生成人脸跟踪模型，输出给PF模型以计算目标的相似度，并生成后验概率分布。

在一个优选地实施方式中，所述步骤三中两个独立的损失项具体为生成损失和KL散度。

在一个优选地实施方式中，所述生成损失具体为生成图片和目标图片之间的像素值均方差，用于网络重建图片的精度。

在一个优选地实施方式中，所述KL散度具体为隐变量和标准正态分布之间的匹配程度，用于优化KL散度，使编码网络生成均值向量和标准差向量。

在一个优选地实施方式中，所述步骤四中，卷积分自动编码器的潜在空间是连续的，允许随机采样和插值。

在一个优选地实施方式中，所述步骤四中，当卷积分自动编码器在产生模型时，具有在特定方向上改变和探索拥有的数据的变化。

本发明的技术效果和优点：