[发明专利]一种基于实时人脸点跟踪的人脸置信度判别方法

权利要求书

1.一种基于实时人脸点跟踪的人脸置信度判别方法，所述方法适于在计算设备中执行，所述方法包括步骤：

对待跟踪图像进行人脸检测处理并生成相应的人脸图像；

根据所述人脸图像中的每个人脸特征点的坐标生成每个人脸特征点的图像；

将所述每个人脸特征点的图像输入该人脸特征点的预设卷积网络，分别计算出每个人脸特征点的置信度；

根据所述每个人脸特征点的置信度组成该人脸图像的新特征；

将所述人脸图像的新特征输入预设全局线性回归器，得到该人脸图像的置信度，其中，还包括训练预设全局线性回归器的步骤：根据预设卷积网络输出的人脸图像中所有人脸特征点的置信度组成人脸特征的全局向量；按预定规则分别对所述每个人脸特征点的置信度进行处理，得到多个人脸特征的干预向量，以制造出多个人脸特征点被遮挡的效果；以及将所述全局向量和多个干预向量输入预设全局线性回归器，通过梯度下降算法训练生成最终的预设全局线性回归器；以及

根据所述人脸图像的置信度判别人脸点跟踪的结果是否准确；

其中，所述根据人脸图像中的每个人脸特征点的坐标生成每个人脸特征点的图像的步骤包括：

以人脸图像中每个人脸特征点的坐标为中心，选取第二预定尺寸的图像作为每个人脸特征点的图像。

2.如权利要求1所述的方法，其中，所述根据人脸图像的置信度判别人脸点跟踪的结果是否准确的步骤包括：

若人脸图像的置信度大于0则判别人脸点跟踪的结果准确；否则判别人脸点跟踪的结果不准确。

3.如权利要求1所述的方法，其中，所述对待跟踪图像进行人脸检测处理并生成相应的人脸图像的步骤包括：

通过人脸检测算法检测出待跟踪图像中的人脸区域；

从待跟踪图像中裁剪出包含人脸区域的图像，作为初始人脸图像；以及

对所述初始人脸图像进行缩放处理生成第一预定尺寸的人脸图像。

4.如权利要求1-3中任一项所述的方法，还包括训练每个人脸特征点的预设卷积网络的步骤，其中所述预设卷积网络包括四个卷积层和一个由支持向量机构成的全连接层，所述四个卷积层的卷积核大小依次为3×3，3×3，2×2，2×2，且每层卷积核对应的数量为8，16，32，64。

5.如权利要求4所述的方法，其中，所述训练每个人脸特征点的预设卷积网络的步骤包括：

对正训练样本和负训练样本分别进行预处理生成包含人脸图像的第一训练图像和不包含人脸图像的第二训练图像；

以第一训练图像中每个人脸特征点的坐标为中心，生成每个人脸特征点的第一输入图像；

以所述第一训练图像中每个人脸特征点的坐标为基准，以所述第二训练图像的相应坐标为中心生成对应每个人脸特征点的第二输入图像；以及

针对每个人脸特征点，将其对应的第一输入图像和第二输入图像输入预设卷积网络，以训练所述支持向量机得到最终的预设卷积网络。

6.如权利要求5所述的方法，其中，所述正训练样本是包含人脸的图像，所述负训练样本是不包含人脸的图像。

7.如权利要求6所述的方法，其中，预处理步骤包括：

根据正训练样本中标注好的人脸区域裁剪出第一预定尺寸的第一训练图像；以及

以所述正训练样本中人脸区域为基准，在所述负训练样本中裁剪出相应的第一预定尺寸的第二训练图像。

8.如权利要求5-7中任一项所述的方法，其中所述第一输入图像和第二输入图像的尺寸均为第二预定尺寸。

9.如权利要求4所述的方法，其中，所述支持向量机的核函数为线性核函数。

10.如权利要求1-3中任一项所述的方法，还包括训练预设全局线性回归器的步骤，其中，所述预设全局线性回归器由全连接神经网络组成，所述全连接神经网络包括三层。