一种人脸特征定位方法技术

本发明专利技术公开了一种人脸特征定位方法，其可以明显提高人脸特征定位的准确性。这种人脸特征定位方法，包括步骤：(1)建立可变形部位模型，并进行参数训练；(2)通过局部特征分类器和全局特征分类器获得特征点全局形变特征；(3)通过多分辨率级联方式，逐层丰富人脸特征点特征，使用DPM进行定位。

【技术实现步骤摘要】

本专利技术属于图像处理的
，具体地涉及。
技术介绍
人脸特征定位技术为人脸图像的处理与分析提供了重要的几何信息，可以通过计 算机在一幅人脸图像中自动地定位出人脸各个器官的准确位置，是人脸识别技术中不可缺 少的预处理环节，定位的准确与否直接关系到后续工作的可靠性。此外，人脸特征定位可以 为人脸识别、人脸验证、人脸跟踪、姿态表情分析等研宄工作提供相应的基础数据，而且这 些研宄在人脸识别、人脸姿态表情分析、人脸合成、人脸动画、及基于模型的人脸图像编码 中有着重要的应用。 近年来，国内外学者们已经提出了许多种检测人脸特征点和特征部位的方法，比 如可变形模板方法和基于点分布模型算法，都是基于几何形状的方法进行特征定位。这类 方法根据人脸部特征的形状特点构造一个带有可变参数的几何模型，该模型的可变参数反 映了对应特征形状的可变部分，如位置、大小、角度等，它们最终通过模型与图像的边缘、 峰、谷和灰度分布特性的动态地交互适应来得以修正。该几何模型还设定一个相应的评价 函数以度量被检测区域与模型的匹配程度。搜索时，不断调整参数使得能量函数最小化，使 模型逐渐收敛于待定位的脸部特征。 可变形模板方法把眼睛特征表示为两条抛物线（上下眼睑）和一个圆（虹膜）构 成的几何图形，通过优化的方法来调整其参数以达到最佳的匹配，同样，嘴巴、下巴等也可 以采用类似的几何图形建模。但是，固定的几何图形并不能很好的建模实际上会千差万别 的眼睛形状，而光照、姿态和表情的变化更使得采用这种固定的简单数学模型难以适应这 些复杂的变化，因此很难实现鲁棒的特征提取。优化速度慢、容易陷入局部极小也阻止了该 算法的进一步发展。 主动形状模型（active shape model, ASM)和主动外观模型（active appearance model, AAM)都是基于点分布模型的算法。在点分布模型算法中，外形相似的特定类别物体， 比如人脸、人手的形状都可以通过若干关键特征点坐标串接成的向量来表示形状特征。对 训练集中的所有形状向量进行对齐操作后，进行主成分分析建模，保留的主成分特征向量 形成最终的形状模型，形状模型的参数反映了形状的主要可变化模式，ASM搜索则首先通过 局部纹理模型匹配得到各个特征点的更佳的位置，经过相似变换对齐后，通过统计形状模 型对其进行约束，而后再进行局部纹理模型的匹配，形成一个迭代过程，以期形状模型最终 匹配到输入的形状模式上去。在ASM中，仅使用了特证点局部纹理特证作为启发式信息，没 有使用全局的纹理约束，实践中发现ASM很容易陷入局部极小。 而在AAM中，则采用了形状和纹理二者融合的统计约束，即所谓的统计表观模型。 AAM搜索借鉴了基于合成的分析技术的思想，通过模型参数的优化调整使得模型能够不断 逼近实际输入模式，模型参数的更新则放弃了 ASM中的局部纹理搜索过程，仅使用一个线 性预测模型根据当前模型和输入模式之间的差别来预测和更新模型参数。AAM尽管利用了 全局纹理，但却抛弃了局部纹理匹配过程，因此会在一定程度上降低关键特征点配准的精 度，而且其线性预测模型也有较大的局限性，在初始位置偏离目标位置过大时，则很难收敛 到正确位置。 目前常用的人脸特征定位算法，如可变形模板方法和基于点分布模型算法都用了 几何形状特征进行建模，通过改变模型参数不断迭代更新模型以期达到最终定位。所以不 可避免的会具有某些参数限制，并且优化速度慢、容易陷入局部极小。
技术实现思路
本专利技术的技术解决问题是：克服现有技术的不足，提供，其 可以明显提高人脸特征定位的准确性。 本专利技术的技术解决方案是：这种人脸特征定位方法，包括以下步骤： (1)建立可变形部位模型DPM，并进行参数训练； (2)通过局部特征分类器和全局特征分类器获得特征点全局形变特征； (3)通过多分辨率级联方式，逐层丰富人脸特征点特征，使用DPM进行定位。 本专利技术提出了一种多分辨率的可变形部位模型，然后结合局部特征和全局特征的 约束，提出了局部特征分类器和全局特征分类器，提高了模型的鲁棒性，从而可以明显提高 人脸特征定位的准确性。【附图说明】 图1是根据本专利技术的人脸特征定位方法的一个优选实施例的流程图。 图2是根据本专利技术的单一分辨率层DPM人脸特征定位方法的流程图。【具体实施方式】 如图1所示，这种人脸特征定位方法，包括以下步骤： (1)建立可变形部位模型DPM，并进行参数训练； (2)通过局部特征分类器和全局特征分类器获得特征点全局形变特征； (3)通过多分辨率级联方式，逐层丰富人脸特征点特征，使用DPM进行定位。 本专利技术提出了一种多分辨率的可变形部位模型，然后结合局部特征和全局特征的 约束，提出了局部特征分类器和全局特征分类器，提高了模型的鲁棒性，从而可以明显提高 人脸特征定位的准确性。 优选地，所述步骤（1)包括以下分步骤： (I. 1)对被测的人脸图像I进行预处理：使用Chow_Liu算法找出最大似然树结 构来表示特征点的分布关系，按照结构关系对特征点坐标L重排序，将图像和特征点坐标 (I，L)进行下采样，得到不同分辨率图像和对应的位置坐标； (1. 2)在不同分辨率图像中分别训练一组DPM的树结构模型：首先将分辨率为 m的图像IiQ = 1，2，...，D)的u个特征点坐标ΖΓ=(?，···，χ,Κ)写成向量形式作 为结构特征；然后使用普氏分析算法对形状特征进行归一化处理；然后采用主成分分析 (principle component analysis, PCA)算法进行降维，得到结构特征的均值<和η个主成 分特征向量Sf1; DPM的结构模型为公式（I) sm(p) = s'；； +Smp (1) 其中，Sm表示η个主成分特征向量S1111构成的向量，p表示结构模型参数，S m(P)表 示特征点位置坐标； (1.3) DPM的纹理模型为公式（2) Awn(c) = 4'，，，+(2) 其中c表示纹理模型参数，AtIc)表示图像分辨率为m时标号为t的特征点对应 的方向梯度直方图（histogram of oriented gradients, HOG)特征向量； (I. 4)通过公式⑶对DPM模型进行打分：【主权项】1. ，其特征在于：包括以下步骤： (1) 建立可变形部位模型，并进行参数训练； (2) 通过局部特征分类器和全局特征分类器获得特征点全局形变特征； (3) 通过多分辨率级联方式，逐层丰富人脸特征点特征，使用DPM进行定位。2. 根据权利要求1所述的人脸特征定位方法，其特征在于：所述步骤（1)包括以下分 步骤： (I. 1)对被测的人脸图像I进行预处理：使用Chow_Liu算法找出最大似然树结构来表 示特征点的分布关系，按照结构关系对特征点坐标L重排序，将图像和特征点坐标（I，L)进 行下采样，得到不同分辨率图像和对应的位置坐标； (1. 2)在不同分辨率图像中分别训练一组DPM的树结构模型：首先将分辨率为m的图 像IiQ = 1，2，...，D)的u个特征点坐标…,写成向量形式作为结构特 征；然后使用普氏分析算法对形状特征进行归一化处理；然后采用主成分分析算法进行降 维，得到结构特征的均值<和η个主成分特征向量Sj n本文档来自技高网...

【技术保护点】
一种人脸特征定位方法，其特征在于：包括以下步骤：(1)建立可变形部位模型，并进行参数训练；(2)通过局部特征分类器和全局特征分类器获得特征点全局形变特征；(3)通过多分辨率级联方式，逐层丰富人脸特征点特征，使用DPM进行定位。

【技术特征摘要】

【专利技术属性】
技术研发人员：王立春，孙杰，王少帆，孔德慧，尹宝才，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京;11