[发明专利]一种用于人脸关键点检测的主动形状模型参数化方法

说明书

本发明提供一种用于人脸关键点检测的主动形状模型参数化方法，该方法使用主动形状模型参数对人脸关键点位置进行编码，使得可在新的空间中预测人脸关键点的位置，对人脸关键点位置的求解从而变得紧凑；以级联回归方法、并利用局部特征来更新主动形状模型参数，不仅提高了运算效率和检测精度，还增强了模型的稳健性。本发明具备检测速度快、匹配精度高、稳健性强等优点，同时有效解决了主动形状模型等参数化方法存在的运算效率低下问题和级联回归等非参数化方法存在的过拟合问题，具备具有较高的实际应用价值。

技术领域

本发明涉及计算机视觉领域，更具体地，涉及一种用于人脸关键点检测的主动形状模型参数化方法。

背景技术

人脸关键点是指具有区别作用的或可充当脸部锚点的突出特征，如眼角、嘴角和鼻尖等。人脸关键点检测在人脸识别、三维人脸重建、表情分析、视线估计等人脸相关问题中起到重要作用，是这一系列研究的前提和关键步骤。人脸关键点检测方法可以分为整体方法，局部约束方法和基于回归的方法这三种。以主动外观模型为例的整体方法主要通过整体面部外观和全局面部形状来检测人脸关键点。局部约束方法则根据全局面部形状模式和各关键点周围独立的局部外观信息来估计人脸关键点的位置。而基于回归的方法则没有显式地建立人脸模型、而是直接学习从图像外观到人脸关键点位置的映射。基于回归的方法可分为直接回归法、级联回归法和基于深度学习的回归方法。直接回归法无需初始化，只在一次迭代中就推断出人脸关键点位置；级联回归法则需要初始化人脸关键点的位置，然后在每一次的迭代中学习回归模型，以将关键点周围的局部判别特征迭代映射到关键点的真值位置上；基于深度学习的回归方法主要是在遵循直接回归法或级联回归法的框架上使用了深度学习方法。若按照参数化与否来划分，则人脸关键点检测方法可分为参数化方法和非参数化方法。如主动形状模型、主动外观模型、局部约束方法等为参数化方法，级联回归、深度学习等方法属于非参数化方法。

主动形状模型属于人脸关键点检测方法中的参数化方法，该法将人脸关键点参数化为人脸模型，并使用主成分分析法对模型进行降维和约束形状变化；然后根据检测到的局部特征来调整参数以匹配给定的人脸图像的关键点位置。主动形状模型简单易懂、框架清晰明了，便于应用。已有的一些研究为提高主动形状模型的泛化能力，对其特征表示进行了改进，如改用局部二值模式(Local Binary Pattern，LBP)特征、增强的小波特征或互信息特征等。但主动形状模型中近似于穷举搜索的关键点定位方式在一定程度上限制了其运算效率。为此，一些研究工作使用回归方法来学习局部邻域外观与实际关键点位置之间的关系，以代替原先的局部特征检测方法，如Seise等人在“Learning active shape modelsfor bifurcating contours”中使用相关向量机(Relevance Vector Machines,RVM)回归模型来更新人脸关键点位置。Wimmer等人在“Learning robust objective functions formodel fitting in image understanding applications”训练模型树，以使其从局部的harr小波特征回归到可于真实关键点位置达到峰值的目标函数。