[发明专利]人脸图像虚拟样本生成方法

摘要

本发明公开了一种人脸图像虚拟样本生成方法，对源姿态人脸图像训练样本和目标姿态人脸图像训练样本进行控制点标定，然后将源姿态控制点训练样本集合和目标姿态控制点训练样本集合作为RBF神经网络的输入和输出，训练得到RBF神经网络拟合模型；根据源姿态人脸图像生成源坐标矩阵，将源坐标矩阵输入RBF神经网络拟合模型得到坐标变换矩阵，根据源坐标矩阵和坐标变换矩阵进行纹理特征映射，再对纹理特征缺失点进行插值得到目标姿态人脸图像虚拟样本，最后对其进行归一化操作后保存。本发明采用RBF神经网络拟合模型，使生成的人脸图像虚拟样本更加接近真实样本，进而提高人脸识别率。

主权项

一种人脸图像虚拟样本生成方法，其特征在于，包括以下步骤：S1：预先选取A组源姿态人脸图像训练样本和目标姿态人脸图像训练样本，其中A≥1，按相同的位置顺序分别对每组训练样本进行控制点标定，控制点数量记为n；将A组源姿态人脸图像训练样本的对应序号的控制点坐标平均，得到源姿态控制点训练样本集合X＝{x1,x2,…,xp,…,xn}，同样方法得到目标姿态控制点训练样本集合Y＝{y1,y2,…,yp,…,yn}，其中xp表示第p个源姿态控制点坐标，yp表示第p个源姿态控制点对应的目标姿态控制点坐标，p的取值范围为p＝1,2,…,n；S2：将步骤S1得到的源姿态控制点训练样本集合X和目标姿态控制点训练样本集合Y作为RBF神经网络的输入和输出，训练得到RBF神经网络拟合模型，具体步骤包括：S2.1：令隐含层神经元节点个数h＝1；S2.2：将步骤S1得到的源姿态控制点训练样本集合X作为训练样本，学习得到对应的RBF神经网络拟合模型；S2.3：将步骤S1得到的源姿态控制点训练样本集合X中的n个源姿态控制点xp作为输入，经过学习得到的RBF神经网络拟合模型得到n个输出坐标y′p；S2.4：求得n个输出坐标y′p与目标姿态控制点训练样本集合Y的对应目标姿态控制点坐标yp的均方误差MSE，如果均方误差MSE小于预设阈值，训练结束，得到RBF神经网络拟合模型，否则进入步骤S2.5；S2.5：如果h＝n，训练结束，得到RBF神经网络拟合模型，否则令h＝h+1，返回步骤S2.2；S3：对于需要生成目标姿态人脸虚拟样本的源姿态人脸图像，记源姿态人脸图像的尺寸k×l，将源姿态人脸图像的像素点坐标列向量化得到大小为(k×l)×2的源坐标矩阵，源坐标矩阵每一行为一个像素点坐标；将源坐标矩阵输入至步骤S2得到的RBF神经网络拟合模型得到大小为(k×l)×2的坐标变换矩阵，坐标变换矩阵的第j行表示源坐标矩阵中第j行对应的源姿态人脸图像像素点变换到目标姿态人脸图像当中后的坐标；S4：根据步骤S3得到的源坐标矩阵和坐标变换矩阵，将源姿态人脸图像的纹理映射到坐标变换矩阵指向的目标姿态人脸图像的坐标，如果目标姿态人脸图像像素点的坐标超出图像尺寸限制，将该像素点删除，从而获得目标姿态人脸图像虚拟初始样本；S5：对目标姿态人脸图像虚拟初始样本中的纹理特征缺失点进行插值，获得完整的目标姿态人脸图像虚拟样本；S6：对步骤S5得到的目标姿态人脸图像虚拟样本进行归一化操作并保存。