[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

说明书

本发明公开了一种基于实时人脸点跟踪的人脸置信度判别方法，该方法适于在计算设备中执行，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；根据每个人脸特征点的置信度组成该人脸图像的新特征；将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；以及根据人脸图像的置信度判别人脸点跟踪的结果是否准确。本发明一并公开了用于执行上述方法的计算设备。

技术领域

本发明涉及图像处理技术领域，尤其是一种基于实时人脸点跟踪的人脸置信度判别方法及计算设备。

背景技术

随着人脸跟踪算法的广泛应用，我们常需要一些手段来判别人脸点跟踪算法的准确性。例如，在基于视频流的实时人脸点跟踪系统中，由于环境复杂，常常会出现误跟踪、误识别的现象。在这种情况下，我们希望人脸点跟踪系统能够快速准确地判别出跟踪或识别到的人脸是否准确，如果判别出跟踪系统跟踪的人脸准确就继续跟踪，否则初始化跟踪系统，下一帧重新开始人脸检测。常见的一种判别人脸跟踪准确性的方法是，计算跟踪出的人脸的置信度，置信度很低，则说明人脸跟踪准确性低。在上述场景中，如果人脸置信度判别算法不能快速准确地判别跟踪结果是否准确，可能会导致人脸点跟踪效果不佳甚至导致系统跟踪失效。

现有的人脸置信度判别算法通常使用人脸点跟踪系统的人脸点结果，将当前包含人脸点的图像区域输入卷积神经网络模型，以获得该图像区域的特征，再依据该特征来判断当前帧人脸点跟踪系统的结果是否准确。然而，一般情况下输入图像会比较大，这就导致卷积神经网络计算量较大，从而使得算法速度慢，尤其是当跟踪系统中出现多个人脸的时候，系统会明显卡顿，无法满足实时需求。另一方面，在人脸图像中面部器官被遮挡的情况下，上述方法并不能准确判别人脸跟踪的置信度。

鉴于上述弊端，需要一种置信度判别方法，在提升计算效率的同时具有很好的鲁棒性，以便于优化基于置信度判别的人脸点跟踪方法。

发明内容

为此，本发明提供了一种基于实时人脸点跟踪的人脸置信度判别方法，该方法适于在计算设备中执行，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；根据每个人脸特征点的置信度组成该人脸图像的新特征；将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；以及根据人脸图像的置信度判别人脸点跟踪结果是否准确。

可选地，在根据本发明的基于实时人脸点跟踪的人脸置信度判别方法中，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则判别人脸点跟踪结果准确；否则判别人脸点跟踪结果不准确。

可选地，在根据本发明的基于实时人脸点跟踪的人脸置信度判别方法中，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。

可选地，在根据本发明的基于实时人脸点跟踪的人脸置信度判别方法中，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。

可选地，在根据本发明的基于实时人脸点跟踪的人脸置信度判别方法中，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。