[发明专利]人脸关键点定位的方法及装置

权利要求书

1.一种人脸关键点定位的方法，其特征在于，包括：

采用第一卷积神经网络确定三维图像的第一投影矩阵T和第一人脸形状分量系数集α，所述三维图像为待识别二维人脸图像拟合的三维可形变人脸图像；其中，第一卷积神经网络是经过输入大量的二维人脸图像样本进行学习训练后，建立的输入是二维人脸图像，输出是该二维人脸图像与对应的三维人脸图像的投影矩阵T，以及对应的三维人脸图像的人脸形状分量系数集α的卷积神经网络；

根据第一T和第一α，确定所述待识别二维人脸图像的第一人脸关键点P；

所述根据所述第一T和所述第一α，确定所述待识别二维人脸图像的第一人脸关键点P包括：

根据所述第一T和所述第一α，利用公式获得所述二维人脸图像的第一P，T为三维图像到二维人脸图像的投影矩阵，m^index为所述三维图像中平均人脸关键点P的形状向量，为所述三维图像中人脸关键点中第i个人脸形状分量，α_i为第一α的第i个形状分量系数，n为三维图像中人脸关键点的像素数量；

在根据所述第一T和所述第一α，确定所述待识别二维人脸图像的第一人脸关键点P之后，所述方法还包括：

根据所述第一P的相邻区域的图像，采用第二卷积神经网络确定第二T；其中，第二卷积神经网络是对输入大量的二维人脸图像的人脸关键点的每个像素点周围预设范围的图像样本进行学习训练后，建立的输入是二维人脸图像的人脸关键点的每个像素点周围预设范围的图像，输出是三维人脸图像到二维人脸图像的投影矩阵T的卷积神经网络；

根据所述第二T和所述第一α，确定所述待识别二维人脸图像的第二P。

2.根据权利要求1所述的方法，其特征在于，在根据所述第一T和所述第一α，确定所述待识别二维人脸图像的第一人脸关键点P之后，所述方法还包括：

根据所述第二P的相邻区域的图像，采用第三卷积神经网络确定第二α；

根据第二T和所述第二α，确定所述待识别二维人脸图像的第三P。

3.根据权利要求1所述的方法，其特征在于，在根据所述第一T和所述第一α，确定所述待识别二维人脸图像的第一人脸关键点P之后，所述方法还包括：

根据所述第一P的相邻区域的图像，采用第三卷积神经网络确定第三α；

根据所述第一T和所述第三α，确定所述待识别二维人脸图像的第四P。

4.根据权利要求1所述的方法，其特征在于，所述采用第一卷积神经网络确定三维图像的第一投影矩阵T和第一人脸形状分量系数α包括：

采用第一卷积神经网络对所述三维图像进行回归计算，得到所述三维图像的所述第一T和所述第一α。

5.一种人脸关键点定位的装置，其特征在于，包括：

第一确定模块，用于采用第一卷积神经网络确定三维图像的第一投影矩阵T和第一人脸形状分量系数集α，所述三维图像为待识别二维人脸图像拟合的三维可形变人脸图像；其中，第一卷积神经网络是经过输入大量的二维人脸图像样本进行学习训练后，建立的输入是二维人脸图像，输出是该二维人脸图像与对应的三维人脸图像的投影矩阵T，以及对应的三维人脸图像的人脸形状分量系数集α的卷积神经网络；

第一识别模块，用于根据所述第一T和所述第一α，确定所述待识别二维人脸图像的第一人脸关键点P；

所述第一识别模块包括：第一识别子模块，用于根据第一T和第一α，利用公式获得所述二维人脸图像的第一P，T为三维图像到二维人脸图像的投影矩阵，m^index为所述三维图像中平均人脸关键点P的形状向量，为所述三维图像中人脸关键点中第i个人脸形状分量，α_i为第一α的第i个形状分量系数，n为三维图像中人脸关键点P的像素数量；

所述装置还包括：

第二确定模块，用于根据所述第一P的相邻区域的图像，采用第二卷积神经网络确定第二T；其中，第二卷积神经网络是对输入大量的二维人脸图像的人脸关键点的每个像素点周围预设范围的图像样本进行学习训练后，建立的输入是二维人脸图像的人脸关键点的每个像素点周围预设范围的图像，输出是三维人脸图像到二维人脸图像的投影矩阵T的卷积神经网络；

第二识别模块，用于根据所述第二T和所述第一α，确定所述待识别二维人脸图像的第二P。