[发明专利]基于特征匹配的人脸姿态估计方法、系统、装置及存储介质

说明书

本发明公开一种基于特征匹配的人脸姿态估计方法，包括以下步骤：获取含有待估计姿态的人脸图像，并对人脸图像进行人脸检测及裁剪预处理，得到预处理图像；将预处理图像输入至预设的特征提取网络模型得到轮廓特征信息；将轮廓特征信息与预设人脸模板进行匹配，得到最佳匹配度模板，所述最佳匹配度模板的姿态信息即为输入的人脸图像姿态信息，其中，所述人脸模板为多姿态人脸模板，每个人脸模板中包含三个旋转方向的信息。本发明使用预训练好的人脸特征点定位模型，只使用中间层的人脸轮廓特征，基于python实现了整套系统，包括调用人脸检测算法、轮廓特征提取、图像对齐、特征匹配，简单易行，上手速度快。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于特征匹配的人脸姿态估计方法、系统、装置及存储介质。

背景技术

在现有的面部模式识别技术领域中，人脸姿态估计是指通过连续视频或单张图片来确定人脸在三维空间之中不同维度的旋转角度，通常会使用二维图像来解决头部姿态分类问题，由于减少了一维信息，所以人脸姿态估计一直是一个具有挑战性的研究项目。随着智能算法的应用，越来越多的人研究人脸检测、人脸特征点定位、人脸识别、人脸属性分类、人脸姿态分类等，但无论对于哪种算法，高质量的人脸图像都将为算法的研发提供性能上的保障。但是，如果具有较大头部偏转角度的侧面人脸图像往往会对人脸识别等算法的结果产生负面影响，因此人脸姿态估计算法在面部建模分析领域一直扮演着非常重要的角色。而解决该问题不仅可以提高人脸相关算法的性能，同时人脸姿态估计本身也具有很高的应用价值。

而目前常用的方法是基于人脸关键点算法进行姿态估计，从技术实现角度来讲目前已经很成熟了，但是如果涉及到大姿态、光线不理想等因素会影响人脸关键点算法的定位精度，这一误差会在第二阶段计算人脸姿态过程中被放大，致使估计的不够精确；另外，如果是精度较高的人脸关键点定位算法都需要一定的耗时，消耗硬件算力。因此，亟需一种可以减少定位误差造成的影响，同时耗时也会减少的估计方法。

发明内容

本发明针对现有技术中的缺点，提供了一种基于特征匹配的人脸姿态估计方法、系统、装置及存储介质。

为了解决上述技术问题，本发明通过下述技术方案得以解决：

一种基于特征匹配的人脸姿态估计方法，包括以下步骤：

获取含有待估计姿态的人脸图像，并对人脸图像进行人脸检测及裁剪预处理，得到预处理图像；

将预处理图像输入至预设的特征提取网络模型得到轮廓特征信息；

将轮廓特征信息与预设人脸模板进行匹配，得到最佳匹配度模板，所述最佳匹配度模板的姿态信息即为输入的人脸图像姿态信息，其中，所述人脸模板为多姿态人脸模板，每个人脸模板中包含三个旋转方向的信息。

作为一种可实施方式，所述并对人脸图像进行人脸检测及裁剪预处理，具体为：对人脸图像进行人脸检测并裁剪成统一尺寸，裁剪后的尺寸统一调整为256*256。

作为一种可实施方式，所述每个人脸模板中包含三个旋转方向的信息，具体为：

获取不同人不同姿态的头部数据；

所述头部数据集作为头部姿态估计的基准，每张人脸图像包含三个旋转方向的信息，其中三个旋转方向的角度分别为俯仰角、偏航角及翻滚角，并转换为欧拉角。

作为一种可实施方式，获取轮廓特征信息，取第6、7、8、9四个通道的数据，将第6、7通道信息叠加为矩阵A，第8、9通道信息叠加为矩阵B，将矩阵A、B转为对应的可视化图像，并分别求可视化图像的重心点Pa、Pb，获取人脸模板图像的重心点Ma、Mb，通过相似变化，使得重心点Pa、Pb靠近重心点Ma、Mb，使可视化图像和人脸模板图像中的人脸对齐，得到变换矩阵M，并通过矩阵M对提取的13个通道的数据进行计算，得到特征图F₁、F₂、…、F₁₃；