[发明专利]用于使用ADABOOST学习算法来检测面部特征点的位点的方法、设备和计算机可读记录介质

说明书

技术领域

本公开涉及用于通过使用Adaboost学习算法来检测面部特征点的位置的方法、设备和计算机可读记录介质。更具体地，本公开涉及用于通过使用多层Adaboost分类器来更准确地检测具有不寻常状态的面部图像中的面部特征点的位置的方法、设备和计算机可读记录介质。

背景技术

生物计量是用于识别例如指纹、面部、虹膜、静脉及类似物等因人而异的物理特征的技术。这样的物理特征无法像密钥或密码一样被其他人窃取或复制并且因为它们没有被改变或丢失的风险而可在安全领域或类似中被利用。面部识别是一类生物计量技术，其包括在视频或图片图像中检测面部区并且识别包括在检测的面部区中的面部的身份的技术。这样的面部识别技术不仅可以在安全领域而且还在与智能电话时代的进程一致的多种应用中被利用。

具体地，面部识别是用于通过使用特征点的位置来识别检测的面部图像中的面部的技术。这些特征点可包括眼的中心点、每个眼的两个端点、眉毛的两个端点和中心点、嘴唇的两个端点或类似物。

例如直方图、主成份分析（PCA）和Adaboost学习算法等技术用于检测这样的面部特征点的位置，并且这些方法大体上在它们应用于普通面部图像（即，正常面部图像）时一定程度上提供良好的结果。

然而，当这些方法应用于不寻常的面部图像（例如，佩戴眼镜的人的面部图像、面部的一部分隐藏在头发后面的面部图像、面部表情夸张的人的面部图像、非正面面部图像、部分黑暗的面部图像、闭眼的图像，或类似物）时存在在检测特征点的位置中观察到相当大的性能降级的问题。

因此，有必要开发在检测不寻常面部图像以及普通面部图像的特征点的位置中保证一致性能的技术。

发明内容

技术问题

因此，本公开的目的是解决上文描述的问题。

另外，本公开的另一个目的是在使用Adaboost学习算法来检测面部特征点的位置时通过准确检测不寻常面部图像的候选特征点的位置以及普通面部图像中的候选特征点的位置而保证在检测面部特征点的位置方面的性能。

技术解决方案

用于实现上文的目的的本公开的代表性配置如下：

根据本公开的方面，提供有通过使用Adaboost学习算法来检测面部特征点的位置的方法。该方法包括：（a）使用通过Adaboost学习算法而选择的第一特征模式将子窗口图像归类为第一特征点候选推荐图像和第一特征点非推荐图像，并且生成第一特征点候选推荐图像的第一特征点候选位置信息；以及（b）使用通过Adaboost学习算法而选择的第二特征模式将归类为第一特征点候选非推荐图像的子窗口图像重新归类为第二特征点候选推荐图像和第二特征点候选非推荐图像，并且生成第二特征点候选推荐图像的第二特征点候选位置信息。

根据本公开的另一个方面，提供有用于使用Adaboost学习算法来检测面部特征点的位置的设备。该设备包括：分类器，用于使用通过Adaboost学习算法而选择的第一特征模式将子窗口图像归类为第一特征点候选推荐图像和第一特征点候选非推荐图像，并且生成第一特征点候选推荐图像的第一特征点候选位置信息；和至少一个重新分类器，用于使用通过Adaboost学习算法而选择的第二特征模式将归类为第一特征点候选非推荐图像的子窗口图像重新归类为第二特征点候选推荐图像和第二特征点候选非推荐图像，并且生成第二特征点候选推荐图像的第二特征点候选位置信息。

本公开的方面的特征在于第一特征模式基于普通面部图像的特征，第二特征模式基于不寻常面部图像的特征，并且第一特征模式和第二特征模式中的每个指定一个或多个黑暗区和一个或多个明亮区。

根据本公开的再另一个方面，进一步提供有特征点候选位置生成单元，用于对于面部图像的子窗口图像生成并且存储第一特征点候选位置信息和第二特征点候选位置信息；和特征点候选位置聚类单元，用于通过对第一特征点候选位置信息和第二特征点候选位置信息的片段（piece）执行聚类而形成集群，并且生成形成集群之中最大的集群的第一特征点候选位置信息和第二特征点候选位置信息的中心点位置的位置信息作为特征点位置信息。

另外，进一步提供有计算机可读记录介质，用于记录计算机程序用于执行上文描述的用于实现本公开的方法。

有利效果

根据本公开，获得有通过检测不寻常面部图像的候选特征点的位置以及普通面部图像的候选特征点的位置而提高检测特征点的位置方面的性能的效果。

附图说明

图1是示出根据本公开的实施例用于检测面部特征点的位置的设备的配置的框图。