[发明专利]一种针对电商图像中度量2d图像中的头部姿态匹配方法

说明书

本发明公开了一种针对电商图像中度量2d图像中的头部姿态匹配方法，涉及图像匹配技术领域。包括以下步骤：选取不同的头部姿态图像构建姿态库；提取头部姿态图像的头部关键点并计算三个维度的旋转度；计算三个维度产生旋转的概率；提取待匹配图像的头部关键点并计算三个维度的旋转度；计算头部姿态图像和待匹配图像中头部在三个维度的旋转度绝对差，进行加权求和的第一度量指标；计算头部姿态图像与待匹配图像中对应的头部关键点的距离，每对头部关键点的距离之和作为第二度量指标；将第一度量指标、第二度量指标进行求和，最小值对应的头部姿态图像即为待匹配图像的匹配对象。本发明在匹配过程中，排除了饰品的影响，确保了头部姿态匹配的准确性。

技术领域

本发明涉及图像匹配技术领域，尤其涉及一种针对电商图像中度量2d图像中的头部姿态匹配方法。

背景技术

电商场景中，商家上传的图片一般是2D的静态图片。目前针对2D图像中头部姿态近似的度量方法分为外观模板法、探测器阵列法、非线性回归方法等，这些方法将图像与模板进行比较，通过关键点的匹配度来确定两张图中头部姿态是否近似。但是这些方法都只考虑到图像中头部的三个维度的相对旋转度的相似性，没有考虑到三个维度的旋转度的绝对性。而在电商场景中，因为模特头部会存在一定的饰品，如帽子、围巾和墨镜等，更需要考虑到头部关键点在三个维度的旋转度的绝对值。因此，以上方法在电商场景下准确率不足。

发明内容

本发明的目的在于提供一种针对电商图像中度量2d图像中的头部姿态匹配方法，排除饰品的影响，确保了头部姿态匹配的准确性。

为实现上述目的，本发明提供如下技术方案：

一种针对电商图像中度量2d图像中的头部姿态匹配方法，其特征在于，包括以下步骤：

S1，选取不同的头部姿态图像作为样本构建姿态库；

S2，针对姿态库中的每一幅头部姿态图像，提取头部关键点并计算每一幅头部姿态图像中头部在三个维度的旋转度；

S3，统计姿态库中的头部姿态图像，聚类得到三个维度产生旋转的概率；

S4，提取待匹配图像的头部关键点并计算头部在三个维度的旋转度；

S5，计算头部姿态图像和待匹配图像中头部在三个维度的旋转度绝对差，并以三个维度产生旋转的概率为权重进行加权求和的第一度量指标；

S6，计算头部姿态图像与待匹配图像中对应的头部关键点的距离，计算每对头部关键点的距离之和作为第二度量指标；

S7，将第一度量指标、第二度量指标进行求和，最小值对应的头部姿态图像即为待匹配图像的匹配对象。

进一步的，所述S2中，头部关键点的提取采用ASM算法，包括人工标定训练集、训练模型和搜索匹配三步。

进一步的，所述S2中，三个维度的旋转度的计算过程如下：

取头部关键点中的左嘴唇点、右嘴唇点、鼻尖点、左眼角点、右眼角点和下巴点；计算左嘴唇点、右嘴唇点到鼻尖点的相对距离之比为Yaw方向的旋转度；计算眼角点、下巴点到鼻尖点的相对距离之比为Roll方向的旋转度；计算左嘴角点、右嘴角点的水平距离和左眼角点、右眼角点的水平距离之比为Pitch方向的旋转度。

进一步的，所述S3中，聚类采用K-means聚类。

进一步的，所述S6中，所述距离为欧式距离。

进一步的，所述对应的头部关键点的确定方法如下：对于待匹配图像的任一头部关键点，计算它与头部姿态图像中每一个头部关键点的欧式距离，取欧式距离最小值的两个头部关键点即为对应的头部关键点。

进一步的，所述S6中，所述距离为汉明距离。