[发明专利]一种基于局部主成分分析的人脸关键点检测方法及系统

说明书

本发明公开了一种基于局部主成分分析的人脸关键点检测方法及系统，该方法包括步骤：S1、采集大量人脸图像样本数据，标记人脸关键点；S2、将人脸关键点划分成多个局部关键点，采用主成分分析分别对各局部关键点进行处理，获得各局部关键点的主成分特征；S3、计算每幅人脸图像各关键点在所述主成分特征下的组合系数；S4、构建回归模型，通过所述组合系数对模型进行训练，生成组合系数回归模型；S5、将待检测人脸图像输入组合系数回归模型，预测得到所述其组合系数；S6、基于预测得到的组合系数及所述主成分特征，还原人脸关键点。本发明对关键点进行局部主成分分析，预测局部主成分系数，降低了直接进行所有关键点主成分分析的复杂度，提高了回归建模精度。

技术领域

本发明涉及图像处理领域，具体涉及一种基于局部主成分分析的人脸关键点检测方法及系统

背景技术

近年来，针对人脸分析的研究越来越多，所谓人脸分析，是指在人脸的基础上，通过计算机视觉和模式识别理论，对人的表情、位置、身份等进行识别。人脸关键点检测是人脸识别任务中重要的基础环节，人脸关键点的精确检测对许多现实应用和科研课题有关键作用，例如，人脸姿态识别与矫正、表情识别、嘴型识别等。因此，如何获取高精度人脸关键点，一直以来都是计算机视觉、图像处理等领域的热门研究问题。受到人脸姿态和遮挡等因素的影响，人脸关键点检测的研究也同样富有挑战。人脸关键点检测是指给定人脸图像，定位出人脸面部的关键区域位置，包括眉毛、眼睛、鼻子、嘴巴、脸部轮廓等。

公开号为CN 107967456 A公开了一种基于人脸关键点的多神经网络级联识别人脸方法，先通过MTCNN算法检测出人脸图像，然后利用仿射变换对人脸进行旋转、平移、缩放，以便后续处理。接下来利用卷积神经网络分别对人脸轮廓关键点和人脸内部关键点进行检测，然后用主成分分析(Principal Components Analysis，PCA)算法进行特征阵维。在进行阵维的时候，可以根据不同的类别，采用基于类别模式的方法，可以克服传统PCA算法不能有效利用类别问类别信息，在有光照和表情变化的情况下鲁棒性差的问题。

然而，上述方法直接对所有人脸关键点进行PCA，会导致精度不高的问题，这是因为人脸各个局部的变化多种多样，因此排列组合后的维度就更高了。因此，如何实现复杂度低、处理效率高、精度高的人脸关键点检测是本领域亟待解决的问题。

发明内容

本发明的目的是针对现有技术的缺陷，提供了一种基于局部主成分分析的人脸关键点检测方法及系统。本发明对关键点进行局部主成分分析，特征提取并降维，以此对人脸关键点进行高精度的建模，通过预测局部主成分系数，降低了模型直接预测人脸关键点的难度，同时可以缩减模型的规模，大幅提升预测速度。

为了实现以上目的，本发明采用以下技术方案：

一种基于局部主成分分析的人脸关键点检测方法，包括步骤：

S1、采集大量人脸图像样本数据，标记人脸关键点；

S2、将人脸关键点划分成多个局部关键点，采用主成分分析分别对各局部关键点进行处理，获得各局部关键点的主成分特征；

S3、计算每幅人脸图像各关键点在所述主成分特征下的组合系数；

S4、构建回归模型，通过所述组合系数对模型进行训练，生成组合系数回归模型；

S5、将待检测人脸图像输入组合系数回归模型，预测得到所述其组合系数；

S6、基于预测得到的组合系数及所述主成分特征，还原人脸关键点。

进一步地，所述步骤S2包括：

将人脸图像样本数据灰度图各个局部关键点按行或列向量分别组合成一维向量，第m幅人脸图像样本、第n个局部关键点集合数据记为X_mn，人脸图像样本数据总数为M，则人脸图像样本数据集矩阵N为将人脸关键点划分成局部关键点的个数；