[发明专利]人脸特征点定位的方法、装置及计算机可读存储介质

说明书

技术领域

本公开涉及图像处理领域，尤其涉及一种人脸特征点定位的方法、装置及计算机可读存储介质。

背景技术

随着计算机视觉、模式识别、神经网络和人工智能等技术的快速发展，人脸识别应景而生。由于人脸识别具有方便、准确和经济等优点，且可用于公安系统、监控系统、安全系统和门禁系统等各个方面，因此，人脸识别有着广阔的应用前景，成为了各个领域学者争先研究的识别技术。在人脸识别的过程中，人脸特征点定位是至关重要的一步。

目前，通常采用SDM(Supervised Descent Method，监督下降法)或者CNN(Convolutional Neural Network，卷积神经网络)的方法进行人脸特征点定位，即先给定一张人脸图像，然后通过SDM或者CNN的方法定位出人脸图像上的人脸特征点。

发明内容

为克服相关技术中存在的问题，本公开提供一种人脸特征点定位的方法、装置及计算机可读存储介质。

第一方面，提供一种人脸特征点定位的方法，包括：

对当前帧图像中的人脸特征点的位置进行特征点检测，得到第一位置；

根据前一帧图像中所述人脸特征点的实际位置，对所述当前帧图像中所述人脸特征点的位置进行特征点跟踪，得到第二位置；

对所述第一位置和所述第二位置进行位置融合，得到所述当前帧图像中所述人脸特征点的实际位置。

可选地，所述对所述第一位置和所述第二位置进行位置融合，得到所述当前帧图像中的人脸特征点的实际位置，包括：

确定融合权重；

按照所述融合权重，对所述第一位置和所述第二位置进行加权融合，得到所述当前帧图像中的人脸特征点的实际位置。

可选地，所述确定融合权重，包括：

确定所述第二位置的置信度；

根据所述第二位置的置信度确定所述融合权重。

可选地，所述确定所述第二位置的置信度，包括：

获取第一特征向量和第二特征向量；

其中，所述第一特征向量是由所述前一帧图像中所述人脸特征点的实际位置的邻域内的像素点的特征组成，所述第二特征向量是由所述当前帧图像中所述第二位置的邻域内的像素点的特征组成，所述邻域的大小为预设大小；

确定所述第一特征向量和所述第二特征向量之间的相似度；

将所述相似度确定为所述第二位置的置信度。

可选地，所述按照所述融合权重，对所述第一位置和所述第二位置进行加权融合，得到所述当前帧图像中的人脸特征点的实际位置，包括：

按照所述融合权重，对所述第一位置和所述第二位置进行加权融合，通过如下公式，确定所述当前帧图像中的人脸特征点的实际位置：

A＝α*A1+(1-α)*A2

其中，在上述公式中，A1为所述第一位置，A2为所述第二位置，A为所述当前帧图像中的人脸特征点的实际位置，α为所述融合权重。

第二方面，提供一种人脸特征点定位的装置，所述装置包括：

检测模块，用于对当前帧图像中的人脸特征点的位置进行特征点检测，得到第一位置；

跟踪模块，用于根据前一帧图像中所述人脸特征点的实际位置，对所述当前帧图像中所述人脸特征点的位置进行特征点跟踪，得到第二位置；

融合模块，用于对所述第一位置和所述第二位置进行位置融合，得到所述当前帧图像中所述人脸特征点的实际位置。

可选地，所述融合模块包括：

确定子模块，用于确定融合权重；

加权子模块，用于按照所述融合权重，对所述第一位置和所述第二位置进行加权融合，得到所述当前帧图像中的人脸特征点的实际位置。

可选地，所述确定子模块包括：

第一确定单元，用于确定所述第二位置的置信度；

第二确定单元，用于根据所述第二位置的置信度确定所述融合权重。

可选地，所述第一确定单元包括：

获取子单元，用于获取第一特征向量和第二特征向量；

其中，所述第一特征向量是由所述前一帧图像中所述人脸特征点的实际位置的邻域内的像素点的特征组成，所述第二特征向量是由所述当前帧图像中所述第二位置的邻域内的像素点的特征组成，所述邻域的大小为预设大小；

第一确定子单元，用于确定所述第一特征向量和所述第二特征向量之间的相似度；

第二确定子单元，用于将所述相似度确定为所述第二位置的置信度。

可选地，所述加权子模块主要用于：