[发明专利]人脸检测方法、装置、计算机设备及存储介质

说明书

本发明涉及一种人脸检测方法、装置、计算机设备及存储介质。上述方法包括：获取待检测图像；获取预先构建的概率回归模型中本次回归树的初始形状；从待检测图像提取图像特征，并根据图像特征分别计算本次回归树各个叶子结点的概率；从本次回归树中提取所述各个叶子结点的误差；根据各个叶子结点的概率及误差确定本次回归树的形状误差；根据初始形状及形状误差计算得到本次回归树的估计形状；将估计形状作为相邻的下一回归树的初始形状进行迭代计算，直至概率回归模型中的最后一棵回归树，得到最后一棵回归树的估计形状，作为检测到的人脸形状。上述人脸检测方法、装置、计算机设备及存储介质，可以有效解决视频图像序列出现的人脸特征点抖动问题。

技术领域

本发明涉及计算机技术领域，特别是涉及一种人脸检测方法、装置、计算机设备及存储介质。

背景技术

伴随着机器视觉研究的兴起，以人脸检测、标记和分析等技术为基础的应用成为当下的热点，包括人脸身份识别，人脸特效，表情分析识别等。所有这些应用依赖的基础就是人脸检测和标记技术。人脸标记就是给定一张人脸图像，在人脸图像的人脸区域找出面部和五官边缘轮廓的位置，通过找到的位置就可以获得面部轮廓形状和五官的位置及形状，从而可以进一步进行特征分析、属性分析等。

进行人脸标记的算法可主要包括形状模型算法、级联回归算法及基于神经网络和深度神经网络的算法等。其中，形状模型算法对人脸特征点构成的形状进行建模，假设前提是任何一张人脸形状都可以由一个相对稳定的平均形状经过旋转，平移和尺度缩放来得到；级联回归算法是非参数的方法，对图像特征和形状建模，通过样本训练过程学习图像特征和形状之间的映射关系，并且学习这个过程是逐级迭代的过程，逐渐逼近真实形状，直到满足误差要求；基于神经网络和深度神经网络的算法，则是通过多层神经网络模型建立起图像特征和特征点形状的映射关系，在训练过程中通过学习得到输入图像特征和形状的确定函数关系。传统的人脸标记的算法都是基于单帧图像的，而对于视频图像序列而言，由于摄像头的和外部光照环境的影响，视频前后帧的图像即使没有运动也会有明显的差异，会导致特征点的抖动，位置不稳定，利用传统的人脸标记算法对视频图像序列进行人脸检测标记准确性较低。

发明内容

本发明实施例提供一种人脸检测方法、装置、计算机设备及存储介质，可以有效解决视频图像序列出现的人脸特征点抖动问题，使检测到的人脸形状更加稳定、准确。

本发明实施例还提供一种用于人脸检测的模型的构建方法、装置、计算机设备及存储介质，可以有效解决视频图像序列出现的人脸特征点抖动问题，使检测到的人脸形状更加稳定、准确。

一种人脸检测方法，包括：

获取待检测图像；

获取预先构建的概率回归模型中本次回归树的初始形状；

从所述待检测图像提取图像特征，并根据所述图像特征分别计算所述本次回归树各个叶子结点的概率；

从所述本次回归树中提取所述各个叶子结点的误差；

根据所述各个叶子结点的概率及误差确定所述本次回归树的形状误差；

根据所述初始形状及所述形状误差计算得到所述本次回归树的估计形状；

将所述估计形状作为相邻的下一回归树的初始形状进行迭代计算，直至所述概率回归模型中的最后一棵回归树，得到所述最后一棵回归树的估计形状，作为检测到的人脸形状。

一种用于人脸检测的模型的构建方法，包括：

根据样本图像集构建级联回归的概率回归模型，所述概率回归模型包括多级随机森林，每级随机森林包括多棵回归树；

所述根据样本图像集构建级联回归的概率回归模型，包括：

构建每级随机森林时，从所述样本图像集中随机选取第一像素对集合；