[发明专利]一种人脸标记的方法在审
申请号: | 202010825775.8 | 申请日: | 2020-08-17 |
公开(公告)号: | CN112668385A | 公开(公告)日: | 2021-04-16 |
发明(设计)人: | 张旭 | 申请(专利权)人: | 紫光云技术有限公司 |
主分类号: | G06K9/00 | 分类号: | G06K9/00;G06K9/40;G06K9/62 |
代理公司: | 天津滨海科纬知识产权代理有限公司 12211 | 代理人: | 刘莹 |
地址: | 300459 天津市滨海新区*** | 国省代码: | 天津;12 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 一种 标记 方法 | ||
1.一种人脸标记的方法,其特征在于:包括训练过程和预测过程,所述训练过程包括以下步骤:A1、输入训练样本,对训练样本进行预处理;A2、进行级联回归训练;A3、训练完毕后生成模型文件并保存;
所述预测过程包括以下步骤:B1、对输入的人脸图像进行去噪滤波;B2、待检测人脸图像;B2、对处理好的人脸图像模型预测计算;B3、通过训练好的模型文件,分析计算得到特征点的位置,从而得到人脸的形状。
2.根据权利要求1所述的一种人脸标记的方法,其特征在于:步骤A1中输入的训练样本是对人脸区域和关键点进行标记过的图像,记为Li(i=N),N表示训练集合的总数目,特征点形状是所有这些特征点位置构成的一个整体轮廓;
特征点的真实形状记为Si,表示所有特征点的坐标信息。
3.根据权利要求1所述的一种人脸标记的方法,其特征在于:步骤A1中对训练样本进行预处理包括归一化处理,归一化处理的方法为:通过将各个样本图像的特征点进行同构尺度的缩放、平移操作,将各个样本图像的人脸形状都映射到统一的标准矩阵内,并得到各个样本图像在标准矩阵内对应的形状信息,包括对应各个特征点的坐标信息。
4.根据权利要求3所述的一种人脸标记的方法,其特征在于:对样本图像集中各个样本图像进行归一化处理,用于保证各个样本图像上的特征点所在的矩阵是一致的,方便进行训练,构建得到级联回归学习模型。
5.根据权利要求1所述的一种人脸标记的方法,其特征在于:在步骤A2中,通过随机森林进行级联回归训练。
6.根据权利要求1所述的一种人脸标记的方法,其特征在于:步骤A3中生成的模型文件包括随机森林的级数、每级森林中回归树的数量、每棵回归树的深度和回归树种每个节点的节点信息。
7.根据权利要求6所述的一种人脸标记的方法,其特征在于:所述回归树种每个节点的节点信息包括每个节点的像素对位置和阈值、左右分支的概率信息、叶子节点的误差估计值。
8.根据权利要求1所述的一种人脸标记的方法,其特征在于:在步骤B1中,通过非线性中值滤波的方式对输入的人脸图像进行去噪滤波,通过对图像中每个像素为中心的N*N(其中N为奇数)窗,统计计算出中值,该位置处的像素值用中值代替。
9.根据权利要求1所述的一种人脸标记的方法,其特征在于:在步骤B2中,对处理好的人脸图像模型预测计算的方法为:解析训练生成的模型文件,重构训练过程生成的随机森林模型,针对随机森林回归模型中的每一级随机森林,每级随机森林下的每棵回归树进行迭代计算,最后得到检测到的人脸形状。
10.根据权利要求9所述的一种人脸标记的方法,其特征在于,对处理好的人脸图像模型预测计算的方法包括:
C1、解析模型文件得到平均形状ˉS,节点的像素对位置和阈值(u,v,th),每个叶子节点的误差估计值;
C2、进入第一级森林的第一棵回归树,从根节点开始,根据根节点的(u,v,th),判断图像在位置(u,v)处的像素强度差值,计算左分支概率和右分支概率;
C3、进行树的下一级深度节点的处理,分别计算左右分支的概率;
C4、直到计算完所有叶子节点分支的概率,最后计算所有叶子节点所在路径分支概率的乘积,得到叶子节点的概率,所有叶子节点误差估计与概率乘积的累加和,即为这棵树对形状误差的估计值,更新形状估计;
将其他树重复上述步骤C2—C4,得到一级森林的形状估计;
将得到的形状估计作为相邻的下一回归树的初始形状进行迭代计算,对每级回归重复上述步骤C2—C4,直到随机森林模型中的最后一棵回归树,得到最后一棵归回归树的估计形状,作为检测到的人脸形状。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于紫光云技术有限公司,未经紫光云技术有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/202010825775.8/1.html,转载请声明来源钻瓜专利网。