人臉特征點(diǎn)定位方法和裝置的制造方法
【技術(shù)領(lǐng)域】
[0001]本公開涉及圖像處理領(lǐng)域，尤其涉及人臉特征點(diǎn)定位方法和裝置。
【背景技術(shù)】
[0002]SDM(supervised decent method監(jiān)督的梯度下降法)是計(jì)算機(jī)視覺領(lǐng)域最新發(fā)現(xiàn)的精確人臉特征點(diǎn)定位算法，SDM因定位快、魯棒性好、通用性及擴(kuò)展性強(qiáng)，其應(yīng)用越來越廣泛。通過SDM算法定位出人臉的特征點(diǎn)之后，可以非常方便的進(jìn)行后續(xù)的人臉的一系列其他處理，如人臉美顏、人臉識(shí)別等。然而，隨著相關(guān)應(yīng)用的越來越廣泛，用戶對(duì)于人臉特征點(diǎn)的定位準(zhǔn)確度的要求越來越高，因此如何提高SDM算法對(duì)于人臉特征點(diǎn)定位的精度，具有越來越重要的意義。

【發(fā)明內(nèi)容】

[0003]為克服相關(guān)技術(shù)中存在的問題，本公開提供一種人臉特征點(diǎn)定位方法和裝置。
[0004]根據(jù)本公開實(shí)施例的第一方面，提供一種人臉特征點(diǎn)定位方法，所述方法包括:
[0005]根據(jù)第一特征點(diǎn)修正模型對(duì)初始特征點(diǎn)坐標(biāo)進(jìn)行修正，得到初次修正特征點(diǎn)坐標(biāo)；
[0006]對(duì)多個(gè)所述初次修正特征點(diǎn)坐標(biāo)進(jìn)行中心特征點(diǎn)識(shí)別，得到至少一個(gè)中心特征點(diǎn)坐標(biāo)；
[0007]根據(jù)特征點(diǎn)映射函數(shù)對(duì)多個(gè)所述初次修正特征點(diǎn)坐標(biāo)進(jìn)行坐標(biāo)映射，得到多個(gè)二次修正特征點(diǎn)坐標(biāo)，其中，所述特征點(diǎn)映射函數(shù)為所述中心特征點(diǎn)到所述二次修正特征點(diǎn)坐標(biāo)的映射關(guān)系。
[0008]可選的，所述方法還包括:
[0009]根據(jù)第二特征點(diǎn)修正模型對(duì)多個(gè)所述二次修正特征點(diǎn)坐標(biāo)進(jìn)行修正，得到多個(gè)最終修正特征點(diǎn)坐標(biāo)。
[0010]可選的，所述方法還包括:
[0011]對(duì)目標(biāo)照片進(jìn)行人臉區(qū)域檢測(cè)，得到人臉區(qū)域；
[0012]根據(jù)多個(gè)所述初始特征點(diǎn)的坐標(biāo)占比，獲取所述人臉區(qū)域內(nèi)的多個(gè)所述初始特征點(diǎn)坐標(biāo)。
[0013]可選的，所述初始特征點(diǎn)的坐標(biāo)占比通過對(duì)多張照片樣本中的人臉區(qū)域進(jìn)行標(biāo)定測(cè)量得到。
[0014]可選的，所述中心特征點(diǎn)坐標(biāo)為眼球中心點(diǎn)坐標(biāo)。
[0015]可選的，所述根據(jù)第一特征點(diǎn)修正模型對(duì)初始特征點(diǎn)坐標(biāo)進(jìn)行修正，得到初次修正特征點(diǎn)坐標(biāo)，包括:
[0016]根據(jù)所述第一特征點(diǎn)修正模型對(duì)多個(gè)所述初始特征點(diǎn)坐標(biāo)進(jìn)行矩陣乘法計(jì)算，得到多個(gè)第一初始特征點(diǎn)坐標(biāo)；
[0017]根據(jù)所述第一特征點(diǎn)修正模型對(duì)多個(gè)所述第一初始特征點(diǎn)坐標(biāo)進(jìn)行矩陣乘法計(jì)算，得到多個(gè)第二初始特征點(diǎn)坐標(biāo)；
[0018]......
[0019]根據(jù)所述第N初始特征點(diǎn)坐標(biāo)對(duì)多個(gè)所述第N-1初始特征點(diǎn)坐標(biāo)進(jìn)行矩陣乘法計(jì)算，得到多個(gè)所述初次修正特征點(diǎn)坐標(biāo)，其中，N為大于或者等于2的整數(shù)。
[0020]可選的，所述根據(jù)第二特征點(diǎn)修正模型對(duì)多個(gè)所述二次修正特征點(diǎn)坐標(biāo)進(jìn)行修正，得到多個(gè)所述最終修正特征點(diǎn)坐標(biāo)，包括:
[0021]根據(jù)所述第二特征點(diǎn)修正模型對(duì)多個(gè)所述二次修正特征點(diǎn)坐標(biāo)進(jìn)行矩陣乘法計(jì)算，得到第一最終特征點(diǎn)坐標(biāo)；
[0022]根據(jù)所述第二特征點(diǎn)修正模型對(duì)所述第一最終特征點(diǎn)坐標(biāo)進(jìn)行矩陣乘法計(jì)算，得到第二最終特征點(diǎn)坐標(biāo)；
[0023]......
[0024]根據(jù)所述第M初始特征點(diǎn)坐標(biāo)對(duì)所述第M-1初始特征點(diǎn)坐標(biāo)進(jìn)行矩陣乘法計(jì)算，得到所述最終修正特征點(diǎn)坐標(biāo)，其中，M為大于或者等于2的整數(shù)。
[0025]可選的，所述第一特征點(diǎn)修正模型為多個(gè)初始特征點(diǎn)的特征、偏移量與多個(gè)初次修正特征點(diǎn)的特征、偏移量的映射關(guān)系，所述第一特征點(diǎn)修正模型為投影矩陣模型。
[0026]可選的，所述第二特征點(diǎn)修正模型為多個(gè)二次修正特征點(diǎn)的特征、偏移量與多個(gè)最終修正特征點(diǎn)的特征、偏移量的映射關(guān)系，所述第二特征點(diǎn)修正模型為投影矩陣模型。
[0027]可選的，所述初始特征點(diǎn)的數(shù)量為44個(gè)或者98個(gè)。
[0028]根據(jù)本公開實(shí)施例的第二方面，一種人臉特征點(diǎn)定位裝置，所述裝置包括:
[0029]第一修正模塊，被配置為根據(jù)第一特征點(diǎn)修正模型對(duì)初始特征點(diǎn)坐標(biāo)進(jìn)行修正，得到初次修正特征點(diǎn)坐標(biāo)；
[0030]識(shí)別模塊，被配置為對(duì)所述第一修正模塊修正得到的多個(gè)所述初次修正特征點(diǎn)坐標(biāo)進(jìn)行中心特征點(diǎn)識(shí)別，得到至少一個(gè)中心特征點(diǎn)坐標(biāo)；
[0031]映射模塊，被配置為根據(jù)特征點(diǎn)映射函數(shù)對(duì)所述第一修正模塊修正得到的多個(gè)所述初次修正特征點(diǎn)坐標(biāo)進(jìn)行坐標(biāo)映射，得到多個(gè)二次修正特征點(diǎn)坐標(biāo)，其中，所述特征點(diǎn)映射函數(shù)為所述識(shí)別模塊識(shí)別得到的所述中心特征點(diǎn)到所述二次修正特征點(diǎn)坐標(biāo)的映射關(guān)系O
[0032]可選的，所述裝置還包括:
[0033]第二修正模塊，根據(jù)第二特征點(diǎn)修正模型對(duì)所述映射模塊映射得到的多個(gè)所述二次修正特征點(diǎn)坐標(biāo)進(jìn)行修正，得到多個(gè)最終修正特征點(diǎn)坐標(biāo)。
[0034]可選的，所述裝置還包括:
[0035]檢測(cè)模塊，被配置為對(duì)目標(biāo)照片進(jìn)行人臉區(qū)域檢測(cè)，得到人臉區(qū)域；
[0036]獲取模塊，被配置為根據(jù)多個(gè)所述初始特征點(diǎn)的坐標(biāo)占比，獲取所述人臉區(qū)域內(nèi)的多個(gè)所述初始特征點(diǎn)坐標(biāo)。
[0037]可選的，所述初始特征點(diǎn)的坐標(biāo)占比通過對(duì)多張照片樣本中的人臉區(qū)域進(jìn)行標(biāo)定測(cè)量得到。
[0038]可選的，所述中心特征點(diǎn)坐標(biāo)為眼球中心點(diǎn)坐標(biāo)。
[0039]可選的，所述第一修正模塊包括:
[0040]第一計(jì)算子模塊，被配置為根據(jù)所述第一特征點(diǎn)修正模型對(duì)多個(gè)所述初始特征點(diǎn)坐標(biāo)進(jìn)行矩陣乘法計(jì)算，得到多個(gè)第一初始特征點(diǎn)坐標(biāo)；
[0041]根據(jù)所述第一特征點(diǎn)修正模型對(duì)多個(gè)所述第一初始特征點(diǎn)坐標(biāo)進(jìn)行矩陣乘法計(jì)算，得到多個(gè)第二初始特征點(diǎn)坐標(biāo)；
[0042]......
[0043]根據(jù)所述第N初始特征點(diǎn)坐標(biāo)對(duì)多個(gè)所述第N-1初始特征點(diǎn)坐標(biāo)進(jìn)行矩陣乘法計(jì)算，得到多個(gè)所述初次修正特征點(diǎn)坐標(biāo)，其中，N為大于或者等于2的整數(shù)。
[0044]可選的，所述第二修正模塊包括:
[0045]第二計(jì)算子模塊，被配置為根據(jù)所述第二特征點(diǎn)修正模型對(duì)多個(gè)所述二次修正特征點(diǎn)坐標(biāo)進(jìn)行矩陣乘法計(jì)算，得到第一最終特征點(diǎn)坐標(biāo)；
[0046]根據(jù)所述第二特征點(diǎn)修正模型對(duì)所述第二計(jì)算子模塊計(jì)算得到的所述第一最終特征點(diǎn)坐標(biāo)進(jìn)行矩陣乘法計(jì)算，得到第二最終特征點(diǎn)坐標(biāo)；
[0047]......
[0048]根據(jù)所述第M初始特征點(diǎn)坐標(biāo)對(duì)所述第M-1初始特征點(diǎn)坐標(biāo)進(jìn)行矩陣乘法計(jì)算，得到所述最終修正特征點(diǎn)坐標(biāo)，其中，M為大于或者等于2的整數(shù)。
[0049]可選的，所述第一特征點(diǎn)修正模型為多個(gè)初始特征點(diǎn)的特征、偏移量與多個(gè)初次修正特征點(diǎn)的特征、偏移量的映射關(guān)系，所述第一特征點(diǎn)修正模型為投影矩陣模型。
[0050]可選的，所述第二特征點(diǎn)修正模型為多個(gè)二次修正特征點(diǎn)的特征、偏移量與多個(gè)最終修正特征點(diǎn)的特征、偏移量的映射關(guān)系，所述第二特征點(diǎn)修正模型為投影矩陣模型。
[0051]可選的，所述初始特征點(diǎn)的數(shù)量為44個(gè)或者98個(gè)。
[0052]根據(jù)本公開實(shí)施例的第三方面，提供一種人臉特征點(diǎn)定位裝置，其特征在于，包括:
[0053]處理器；
[0054]用于存儲(chǔ)處理器可執(zhí)行指令的存儲(chǔ)器；
[0055]其中，所述處理器被配置為:
[0056]根據(jù)第一特征點(diǎn)修正模型對(duì)初始特征點(diǎn)坐標(biāo)進(jìn)行修正，得到初次修正特征點(diǎn)坐標(biāo)；
[0057]對(duì)多個(gè)所述初次修正特征點(diǎn)坐標(biāo)進(jìn)行中心特征點(diǎn)識(shí)別，得到至少一個(gè)中心特征點(diǎn)坐標(biāo)；
[0058]根據(jù)特征點(diǎn)映射函數(shù)對(duì)多個(gè)所述初次修正特征點(diǎn)坐標(biāo)進(jìn)行坐標(biāo)映射，得到多個(gè)二次修正特征點(diǎn)坐標(biāo)，其中，所述特征點(diǎn)映射函數(shù)為所述中心特征點(diǎn)到所述二次修正特征點(diǎn)坐標(biāo)的映射關(guān)系。
[0059]本公開的以上實(shí)施例中，通過第一特征點(diǎn)修正模型對(duì)初始特征點(diǎn)坐標(biāo)進(jìn)行修正，得到初次修正特征點(diǎn)坐標(biāo)，并對(duì)多個(gè)所述初次修正特征點(diǎn)坐標(biāo)進(jìn)行中心特征點(diǎn)識(shí)別，得到至少一個(gè)中心特征點(diǎn)坐標(biāo)，然后根據(jù)特征點(diǎn)映射函數(shù)對(duì)多個(gè)所述初次修正特征點(diǎn)坐標(biāo)進(jìn)行坐標(biāo)映射，得到多個(gè)二次修正特征點(diǎn)坐標(biāo)，其中，由于所述特征點(diǎn)映射函數(shù)為所述中心特征點(diǎn)到所述二次修正特征點(diǎn)坐標(biāo)的映射關(guān)系，而所述中心特征點(diǎn)是基于所述初次修正特征點(diǎn)坐標(biāo)進(jìn)行識(shí)別得到的更加精準(zhǔn)的特征點(diǎn)，因此可以提高人臉特征點(diǎn)的定位精準(zhǔn)度。
[0060]本公開的以上實(shí)施例中，通過第二特征點(diǎn)修正模型對(duì)多個(gè)所述二次修正特征點(diǎn)坐標(biāo)進(jìn)行修正，得到多個(gè)最終修正特征點(diǎn)坐標(biāo)，由于通過第二特征點(diǎn)修正模型對(duì)所述二次修正特征點(diǎn)再次進(jìn)行了修正，因此可以進(jìn)一步提高人臉特征點(diǎn)的定位精度。
[0061]本公開的以上實(shí)施例中，通過對(duì)目標(biāo)照片進(jìn)行人臉區(qū)域檢測(cè)，得到人臉區(qū)域，然后根據(jù)多個(gè)所述初始特征點(diǎn)的坐標(biāo)占比，獲取所述人臉區(qū)域內(nèi)的多個(gè)所述初始特征點(diǎn)坐標(biāo)，其中，由于所述初始特征的坐標(biāo)占比通過對(duì)多張照片中的人臉區(qū)域進(jìn)行標(biāo)定測(cè)量得到，因此可以快速精準(zhǔn)的為目標(biāo)照片設(shè)定初始特征點(diǎn)。
[0062]應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本公開。
【附圖說明】
[0063]此處的附圖被并入說明書中并構(gòu)成本說明書的一部分，示出了符合本公開的實(shí)施例，并與說明書一起用于解釋本公開的原理。
[0064]圖1是根據(jù)一示例性實(shí)施例示出的一種人臉特征點(diǎn)定位方法的流程示意圖；
[0065]圖2是根據(jù)一示例性實(shí)施例示出的另一種人臉特征點(diǎn)定位方法的流程示意圖；
[0066]圖3是根據(jù)一示例性實(shí)施例示出的一種人臉特征點(diǎn)定位裝置的示意框圖；
[0067]圖4是根據(jù)一示例性實(shí)施例示出的另一種人臉特征點(diǎn)定位裝置的示意框圖；
[0068]圖5是根據(jù)一示例性實(shí)施例示出的另一種人臉特征點(diǎn)定位裝置的示意框圖；
[0069]圖6是根據(jù)一示例性實(shí)施例示出的另一種人臉特征點(diǎn)定位裝置的示意框圖；
[0070]圖7是根據(jù)一示例性實(shí)施例示出的另一種人臉特征點(diǎn)定位裝置的示意框圖；
[0071]圖8是根據(jù)一示例性實(shí)施例示出的一種用于所述人臉特征點(diǎn)定位裝置的一結(jié)構(gòu)示意圖。
【具體實(shí)施方式】
[0072]這里將詳細(xì)地對(duì)示例性實(shí)施例進(jìn)行說明，其示例表示在附圖中。下面的描述涉及附圖時(shí)，除非另有表示，不同附圖中的相同數(shù)字表示相同或相似的要素。以下示例性實(shí)施例中所描述的實(shí)施方式并不代表與本公開相一致的所有實(shí)施方式。相反，它們僅是與如所附權(quán)利要求書中所詳述的、本公開的一些方面相一致的裝置和方法的例子。
[0073]在本公開使用的術(shù)語是僅僅出于描述特定實(shí)施例的目的，而非旨在限制本公開。在本公開和所附權(quán)利要求書中所使用的單數(shù)形式的“一種”、“所述”和“該”也旨在包括多數(shù)形式，除非上下文清楚地表示其他含義。還應(yīng)當(dāng)理解，本文中使用的術(shù)語“和/或”是指并包含一個(gè)或多個(gè)相關(guān)聯(lián)的列出項(xiàng)目的任何或所有可能組合。
[0074]應(yīng)當(dāng)理解，盡管在本公開可能采用術(shù)語第一、第二、第三等來描述各種信息，但這些信息不應(yīng)限于這些術(shù)語。這些術(shù)語僅用來將同一類型的信息彼此區(qū)分開。例如，在不脫離本公開范圍的情況下，第一信息也可以被稱為第二信息，類似地，第二信息也可以被稱為第一信息。取決于語境，如在此所使用的詞語“如果”可以被解釋成為“在……時(shí)”或“當(dāng)……時(shí)”或“響應(yīng)于確定”。
[0075]SDM(Supervised Descent Method，監(jiān)督的梯度下降法)算法屬于一種迭代算法，可以用于進(jìn)行人臉特征定定位，其算法原理是:
[0076]設(shè)定一組初始特征點(diǎn)，該算法針對(duì)這一組初始特征點(diǎn)提取圖像特征向量，得到一組圖像特征向量I，并用I預(yù)測(cè)從初始特征點(diǎn)當(dāng)前位置X c開始，到下一個(gè)目標(biāo)點(diǎn)的偏移量delta_X。，然后將偏移量與當(dāng)前位置X。相加，并開始下一次迭代，整個(gè)迭代過程可以用以下公式來表示:
[0077]Xn+1= X n+delta_Xn
[0078]delta_Xn= f n (Yn)
[0079]η = 0，1，2...
[0080]其中，上述delta_Xn為多維向量，上述delta_Xn的取值，即每次迭代的偏移量的計(jì)算方法是該迭代算法的關(guān)鍵。SDM算法在計(jì)算delta_Xn的取值時(shí)，通常采用線性預(yù)測(cè)的方法，即每次迭代的偏移量delta_Xn是圖像特征向量Y n的線性函數(shù)f n (Yn)，其中:
[0081]fn(Yn) = An*Yn
[0082]在上述線性函數(shù)fn(Yn)的表達(dá)式中，An是指定位預(yù)測(cè)矩陣，用于預(yù)測(cè)每次迭代的偏移量delta_Xn。在運(yùn)算的過程中，如果共有P個(gè)點(diǎn)特征點(diǎn)需要定位，那么1是1^ * P維的向量(每個(gè)特征點(diǎn)提取k維特征向量，k的具體取值根據(jù)實(shí)際需求進(jìn)行設(shè)定)，An是2p Xkp的矩陣，乂11是2 * P維向量(每個(gè)特征點(diǎn)有