[发明专利]一种多视角二维人脸特征点自动定位方法

说明书

技术领域

本发明涉及计算机应用技术和计算机视觉技术领域，具体涉及一种多视角二维人脸特征点自动定位方法。

背景技术

人脸特征点（如鼻尖、瞳孔中心、嘴角等）在与人脸相关的很多问题中都有着非常重要的作用，比如在人脸识别中人脸特征点广泛用于人脸的对齐、尺度归一化和特征模板抽取，在人脸表情分析中人脸特征点定义的面部形状是表情变化的一个重要依据。因此，在过去的十多年中，人脸特征点定位吸引了大批研究人员的注意，各种不同的方法被纷纷提出。

现有的人脸特征点定位方法可以大致分为两类：基于统计形状模型的方法和基于级联回归的方法。基于统计形状模型的方法在训练阶段根据训练数据生成特征点的统计模型，而在检测一张新图像上的特征点时，首先利用平均形状初始化特征点位置，然后通过调整统计模型中的参数来修正特征点的位置，并根据特征点周围的纹理特征进一步微调特征点的位置，重复此过程直至特征点位置相对稳定。不同于基于统计形状模型的方法的直接搜索策略，基于级联回归的方法在特征点位置的修正量和图像的纹理特征之间建立回归关系，训练过程中根据训练数据学习出每一级的回归函数，测试时从图像上特征点的初始位置出发，利用学习好的回归函数逐级计算特征点位置的修正量，最终得到正确的特征点位置。

近年来，基于级联回归的方法在特征点检测方面取得了非常显著的效果，比如Xavier P. Burgos-Artizzu等人在2013年国际机器视觉大会（ICCV2013）发表的“Robust Face Landmark Estimation Under Occlusion”和Yi Sun等人在2013年国际机器视觉和模式识别大会（CVPR2013）发表的“Deep Convolutional Network Cascade for Facial Point Detection”。但是这些方法在训练过程中并没有区分不同视角的人脸图像，结果导致它们尽管在正面和接近正面（左右偏转45度以内）的人脸图像上效果很好，而在姿态偏转角度较大的人脸图像上检测精度迅速下降。

发明内容

针对现有技术存在的问题，提供一种提升了每个视角下的特征点定位的鲁棒性的多视角二维人脸特征点自动定位方法。

本发明采用的技术方案为：

一种多视角二维人脸特征点自动定位方法，包括训练、测试两个阶段，所述训练阶段包括以下步骤：第一步，将包含多视角人脸图像的训练数据集根据角度范围划分为多个训练子集；第二步，单视角特征点定位引擎训练：即针对第一步中的每个训练子集，训练一个级联的回归特征点定位引擎；第三步，针对第一步中的每个训练子集，训练一个基于纹理特征的模板，选取每个训练子集中不同视角的训练图像的特征点进行训练，相应的正样本以特征点位置为中心块，相应的负样本以特征点位置偏移后的位置为中心块，从所述每个中心块中提取纹理特征，利用这些正负样本训练一个分类器，然后用所述分类器的输出分值和相应的类别标签，训练一个逻辑回归函数；

所述测试阶段包括以下步骤：第一步，初始化输入图像上的特征点位置；第二步，将所述输入图像及其初始特征点位置依次输入上述训练阶段第二步训练好的每个视角的特征点定位引擎，得到不同视角下的特征点定位结果；第三步，利用上述训练阶段第三步训练好的每个视角下的特征点纹理模板的逻辑回归函数计算对于所述输入图像属于相应视角的可能性；第四步，将具有最大可能性的视角下的特征点定位结果作为最终的特征点检测结果。

作为本发明的优选实施方式，所述训练阶段第二步中，所述级联的每一级由多个回归器构成，这些回归器在训练过程中共享一个特征空间，每一个回归器根据所述测试阶段的输入图像、当前的特征点位置、以及由输入图像和初始特征点位置计算的特征，通过一个回归函数计算出特征点位置的调整量。

作为本发明的优选实施方式，基于给定的训练数据子集，迭代优化每一个回归器的回归函数，由初始特征点位置出发，逐级回归修正，使得特征点位置逼近标定的特征点正确位置，当对于训练数据的特征点定位的误差低于指定的阈值时，训练过程结束，得到针对这一视角的回归特征点定位引擎。

作为本发明的优选实施方式，所述训练阶段第三步中，选取每个训练子集中不同视角的训练图像中区分度高的特征点进行训练。

作为本发明的优选实施方式，所述区分度高的特征点包括鼻尖、嘴角、眼角。

作为本发明的优选实施方式，所述训练阶段第三步中，基于纹理特征的模板将作为在不同视角特征点定位引擎的结果之间进行选择的依据。

综上所述，由于采用了上述技术方案，本发明的有益效果是：