一種人臉特征定位方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理的技術(shù)領(lǐng)域，具體地涉及一種人臉特征定位方法。
【背景技術(shù)】
[0002] 人臉特征定位技術(shù)為人臉圖像的處理與分析提供了重要的幾何信息，可以通過計(jì) 算機(jī)在一幅人臉圖像中自動地定位出人臉各個(gè)器官的準(zhǔn)確位置，是人臉識別技術(shù)中不可缺 少的預(yù)處理環(huán)節(jié)，定位的準(zhǔn)確與否直接關(guān)系到后續(xù)工作的可靠性。此外，人臉特征定位可以 為人臉識別、人臉驗(yàn)證、人臉跟蹤、姿態(tài)表情分析等研宄工作提供相應(yīng)的基礎(chǔ)數(shù)據(jù)，而且這 些研宄在人臉識別、人臉姿態(tài)表情分析、人臉合成、人臉動畫、及基于模型的人臉圖像編碼 中有著重要的應(yīng)用。
[0003] 近年來，國內(nèi)外學(xué)者們已經(jīng)提出了許多種檢測人臉特征點(diǎn)和特征部位的方法，比 如可變形模板方法和基于點(diǎn)分布模型算法，都是基于幾何形狀的方法進(jìn)行特征定位。這類 方法根據(jù)人臉部特征的形狀特點(diǎn)構(gòu)造一個(gè)帶有可變參數(shù)的幾何模型，該模型的可變參數(shù)反 映了對應(yīng)特征形狀的可變部分，如位置、大小、角度等，它們最終通過模型與圖像的邊緣、 峰、谷和灰度分布特性的動態(tài)地交互適應(yīng)來得以修正。該幾何模型還設(shè)定一個(gè)相應(yīng)的評價(jià) 函數(shù)以度量被檢測區(qū)域與模型的匹配程度。搜索時(shí)，不斷調(diào)整參數(shù)使得能量函數(shù)最小化，使 模型逐漸收斂于待定位的臉部特征。
[0004] 可變形模板方法把眼睛特征表示為兩條拋物線（上下眼瞼）和一個(gè)圓（虹膜）構(gòu) 成的幾何圖形，通過優(yōu)化的方法來調(diào)整其參數(shù)以達(dá)到最佳的匹配，同樣，嘴巴、下巴等也可 以采用類似的幾何圖形建模。但是，固定的幾何圖形并不能很好的建模實(shí)際上會千差萬別 的眼睛形狀，而光照、姿態(tài)和表情的變化更使得采用這種固定的簡單數(shù)學(xué)模型難以適應(yīng)這 些復(fù)雜的變化，因此很難實(shí)現(xiàn)魯棒的特征提取。優(yōu)化速度慢、容易陷入局部極小也阻止了該 算法的進(jìn)一步發(fā)展。
[0005] 主動形狀模型（active shape model, ASM)和主動外觀模型（active appearance model, AAM)都是基于點(diǎn)分布模型的算法。在點(diǎn)分布模型算法中，外形相似的特定類別物體， 比如人臉、人手的形狀都可以通過若干關(guān)鍵特征點(diǎn)坐標(biāo)串接成的向量來表示形狀特征。對 訓(xùn)練集中的所有形狀向量進(jìn)行對齊操作后，進(jìn)行主成分分析建模，保留的主成分特征向量 形成最終的形狀模型，形狀模型的參數(shù)反映了形狀的主要可變化模式，ASM搜索則首先通過 局部紋理模型匹配得到各個(gè)特征點(diǎn)的更佳的位置，經(jīng)過相似變換對齊后，通過統(tǒng)計(jì)形狀模 型對其進(jìn)行約束，而后再進(jìn)行局部紋理模型的匹配，形成一個(gè)迭代過程，以期形狀模型最終 匹配到輸入的形狀模式上去。在ASM中，僅使用了特證點(diǎn)局部紋理特證作為啟發(fā)式信息，沒 有使用全局的紋理約束，實(shí)踐中發(fā)現(xiàn)ASM很容易陷入局部極小。
[0006] 而在AAM中，則采用了形狀和紋理二者融合的統(tǒng)計(jì)約束，即所謂的統(tǒng)計(jì)表觀模型。 AAM搜索借鑒了基于合成的分析技術(shù)的思想，通過模型參數(shù)的優(yōu)化調(diào)整使得模型能夠不斷 逼近實(shí)際輸入模式，模型參數(shù)的更新則放棄了 ASM中的局部紋理搜索過程，僅使用一個(gè)線 性預(yù)測模型根據(jù)當(dāng)前模型和輸入模式之間的差別來預(yù)測和更新模型參數(shù)。AAM盡管利用了 全局紋理，但卻拋棄了局部紋理匹配過程，因此會在一定程度上降低關(guān)鍵特征點(diǎn)配準(zhǔn)的精 度，而且其線性預(yù)測模型也有較大的局限性，在初始位置偏離目標(biāo)位置過大時(shí)，則很難收斂 到正確位置。
[0007] 目前常用的人臉特征定位算法，如可變形模板方法和基于點(diǎn)分布模型算法都用了 幾何形狀特征進(jìn)行建模，通過改變模型參數(shù)不斷迭代更新模型以期達(dá)到最終定位。所以不 可避免的會具有某些參數(shù)限制，并且優(yōu)化速度慢、容易陷入局部極小。

【發(fā)明內(nèi)容】

[0008] 本發(fā)明的技術(shù)解決問題是：克服現(xiàn)有技術(shù)的不足，提供一種人臉特征定位方法，其 可以明顯提高人臉特征定位的準(zhǔn)確性。
[0009] 本發(fā)明的技術(shù)解決方案是：這種人臉特征定位方法，包括以下步驟：
[0010] (1)建立可變形部位模型DPM，并進(jìn)行參數(shù)訓(xùn)練；
[0011] (2)通過局部特征分類器和全局特征分類器獲得特征點(diǎn)全局形變特征；
[0012] (3)通過多分辨率級聯(lián)方式，逐層豐富人臉特征點(diǎn)特征，使用DPM進(jìn)行定位。
[0013] 本發(fā)明提出了一種多分辨率的可變形部位模型，然后結(jié)合局部特征和全局特征的 約束，提出了局部特征分類器和全局特征分類器，提高了模型的魯棒性，從而可以明顯提高 人臉特征定位的準(zhǔn)確性。
【附圖說明】
[0014] 圖1是根據(jù)本發(fā)明的人臉特征定位方法的一個(gè)優(yōu)選實(shí)施例的流程圖。
[0015] 圖2是根據(jù)本發(fā)明的單一分辨率層DPM人臉特征定位方法的流程圖。
【具體實(shí)施方式】
[0016] 如圖1所示，這種人臉特征定位方法，包括以下步驟：
[0017] (1)建立可變形部位模型DPM，并進(jìn)行參數(shù)訓(xùn)練；
[0018] (2)通過局部特征分類器和全局特征分類器獲得特征點(diǎn)全局形變特征；
[0019] (3)通過多分辨率級聯(lián)方式，逐層豐富人臉特征點(diǎn)特征，使用DPM進(jìn)行定位。
[0020] 本發(fā)明提出了一種多分辨率的可變形部位模型，然后結(jié)合局部特征和全局特征的 約束，提出了局部特征分類器和全局特征分類器，提高了模型的魯棒性，從而可以明顯提高 人臉特征定位的準(zhǔn)確性。
[0021] 優(yōu)選地，所述步驟（1)包括以下分步驟：
[0022] (I. 1)對被測的人臉圖像I進(jìn)行預(yù)處理：使用Chow_Liu算法找出最大似然樹結(jié) 構(gòu)來表示特征點(diǎn)的分布關(guān)系，按照結(jié)構(gòu)關(guān)系對特征點(diǎn)坐標(biāo)L重排序，將圖像和特征點(diǎn)坐標(biāo) (I，L)進(jìn)行下采樣，得到不同分辨率圖像和對應(yīng)的位置坐標(biāo)；
[0023] (1. 2)在不同分辨率圖像中分別訓(xùn)練一組DPM的樹結(jié)構(gòu)模型：首先將分辨率為 m的圖像IiQ = 1，2，...，D)的u個(gè)特征點(diǎn)坐標(biāo)ΖΓ=(?，···，χ,Κ)寫成向量形式作 為結(jié)構(gòu)特征；然后使用普氏分析算法對形狀特征進(jìn)行歸一化處理；然后采用主成分分析 (principle component analysis, PCA)算法進(jìn)行降維，得到結(jié)構(gòu)特征的均值<和η個(gè)主成 分特征向量Sf1; DPM的結(jié)構(gòu)模型為公式（I)
[0024] sm(p) = s'；； +Smp (1)
[0025] 其中，Sm表示η個(gè)主成分特征向量S1111構(gòu)成的向量，p表示結(jié)構(gòu)模型參數(shù)，S m(P)表 示特征點(diǎn)位置坐標(biāo)；
[0026] (1.3) DPM的紋理模型為公式（2)
[0027] Awn(c) = 4'，，，+(2)
[0028] 其中c表示紋理模型參數(shù)，AtIc)表示圖像分辨率為m時(shí)標(biāo)號為t的特征點(diǎn)對應(yīng) 的方向梯度直方圖（histogram of oriented gradients, HOG)特征向量；
[0029] (I. 4)通過公式⑶對DPM模型進(jìn)行打分：
[0030]
【主權(quán)項(xiàng)】
1. 一種人臉特征定位方法，其特征在于：包括以下步驟： (1) 建立可變形部位模型，并進(jìn)行參數(shù)訓(xùn)練； (2) 通過局部特征分類器和全局特征分類器獲得特征點(diǎn)全局形變特征； (3) 通過多分辨率級聯(lián)方式，逐層豐富人臉特征點(diǎn)特征，使用DPM進(jìn)行定位。
2. 根據(jù)權(quán)利要求1所述的人臉特征定位方法，其特征在于：所述步驟（1)包括以下分 步驟： (I. 1)對被測的人臉圖像I進(jìn)行預(yù)處理：使用Chow_Liu算法找出最大似然樹結(jié)構(gòu)來表 示特征點(diǎn)的分布關(guān)系，按照結(jié)構(gòu)關(guān)系對特征點(diǎn)坐標(biāo)L重排序，將圖像和特征點(diǎn)坐標(biāo)（I，L)進(jìn) 行下采樣，得到不同分辨率圖像和對應(yīng)的位置坐標(biāo)； (1. 2)在不同分辨率圖像中分別訓(xùn)練一組DPM的樹結(jié)構(gòu)模型：首先將分辨率為m的圖 像IiQ = 1，2，...，D)的u個(gè)特征點(diǎn)坐標(biāo)…,寫成向量形式作為結(jié)構(gòu)特 征；然后使用普氏分析算法對形狀特征進(jìn)行歸一化處理；然后采用主成分分析算法進(jìn)行降 維，得到結(jié)構(gòu)特征的均值<和η個(gè)主成分特征向量Sj n; DPM的結(jié)構(gòu)模型為公式（1) s'" (p) = S；1+Sm p (1) 其中，Sm表示η個(gè)主成分特征向量（構(gòu)成的向量，p表示結(jié)構(gòu)模型參數(shù)，sm(p)表示特 征點(diǎn)位置坐標(biāo)； (I. 3) DPM的紋理模型為公式（2) Aum(C) = Jo'1" +A1tnC (2) 其中c表示紋理模型參數(shù)，At^(C)表示圖像分辨率為m時(shí)標(biāo)號為t的特征點(diǎn)對應(yīng)的方 向梯度直方圖特征向量； (1. 4)通過公式（3)對DPM模型進(jìn)行打分：
其中，<(P)表示分辨率為m時(shí)特征點(diǎn)t的坐標(biāo)，由結(jié)構(gòu)模型Sni(P)的變形得到的； HOG(.v,m (化))表示結(jié)構(gòu)特征到紋理特征的映射函數(shù)。
3. 根據(jù)權(quán)利要求2所述的人臉特征定位方法，其特征在于：所述步驟（2)中： 為每類特征點(diǎn)訓(xùn)練一個(gè)局部特征分類器：采用每類特征點(diǎn)的HOG特征作為特征點(diǎn)的局 部紋理特征，使用Adaboost算法訓(xùn)練得到η個(gè)弱分類器根據(jù)每個(gè)弱分類器的分類錯(cuò)誤 率，計(jì)算得到分類器的權(quán)重《廣，從而得到局部特征分類器，表示為公式（4):
I^epos Η(ΗΟ?0- )) = +1; l：u G neg H(HOG(/;") = _1; ⑷ 其中，pos表示真實(shí)特征點(diǎn)位置標(biāo)注的人臉圖像；neg表示非真實(shí)特征點(diǎn)位置標(biāo)注的人 臉圖像，即隨機(jī)標(biāo)定真實(shí)標(biāo)注的特征點(diǎn)位置的四鄰域區(qū)域的特征點(diǎn)位置人臉圖像。
4. 根據(jù)權(quán)利要求3所述的人臉特征定位方法，其特征在于：所述步驟（2)中： 全局特征分類器采用Adaboost算法，使用樹結(jié)構(gòu)中相鄰特征點(diǎn)的相對位置dLm作為全 局特征，通過訓(xùn)練得到η個(gè)弱分類器，將弱分類器按照訓(xùn)練權(quán)重αΓ級聯(lián)，得到全局特征分類 器，表不為公式（5):
5. 根據(jù)權(quán)利要求4所述的人臉特征定位方法，其特征在于：所述步驟（3)包括以下分 步驟： (3.1)將人臉位置坐標(biāo)I (box)下采樣到最低分辨率圖像對應(yīng)的的坐標(biāo)Im(b〇Xm)，在最 低分辨率層，將訓(xùn)練得到的平均形狀模型通過公式（6)映射到圖像中，從而得到模型的初 始化位置： P,,、,=M(r(/WA-'"))[.y;r] (6) 其中，Pfi"t表示模型的初始化位置，I m(b〇xn)表示最低分辨率圖像中人臉位置坐標(biāo)，Sf 表示訓(xùn)練得到的分辨率為m時(shí)圖像的平均結(jié)構(gòu)模型參數(shù)，M表示坐標(biāo)到紋理特征映射函數(shù)； (3. 2)在備選區(qū)域Dm't確定特征點(diǎn)t的位置/廣(/廣通過局部特征分類器，每個(gè) 特征點(diǎn)的備選位置/f得到一個(gè)固定的值c e (-1，+1)，刪除H(HOG(〇) = -1的備選位置； (3. 3)將所有面部特征點(diǎn)看做一個(gè)整體，按照樹結(jié)構(gòu)中特征點(diǎn)的連接關(guān)系，將不同特 征點(diǎn)的備選位置進(jìn)行組合，從而得到β組面部特征點(diǎn)坐標(biāo)計(jì)算β組面部 特征點(diǎn)的相對位置叫"，采用了全局特征分類器，對e灼進(jìn)行刪減：當(dāng) //?) =+1時(shí)，保留特征點(diǎn)組合if ;否則，冊IJ除； (3.4)將保留的特征點(diǎn)組合g帶入公式（7)，求最小值，實(shí)現(xiàn)面部特征定位：
【專利摘要】本發(fā)明公開了一種人臉特征定位方法，其可以明顯提高人臉特征定位的準(zhǔn)確性。這種人臉特征定位方法，包括步驟：(1)建立可變形部位模型，并進(jìn)行參數(shù)訓(xùn)練；(2)通過局部特征分類器和全局特征分類器獲得特征點(diǎn)全局形變特征；(3)通過多分辨率級聯(lián)方式，逐層豐富人臉特征點(diǎn)特征，使用DPM進(jìn)行定位。
【IPC分類】G06K9-66
【公開號】CN104732247
【申請?zhí)枴緾N201510102500
【發(fā)明人】王立春, 孫杰, 王少帆, 孔德慧, 尹寶才
【申請人】北京工業(yè)大學(xué)
【公開日】2015年6月24日
【申請日】2015年3月9日