一种用于人脸边缘特征点定位的方法及装置制造方法及图纸

本申请公开了一种用于人脸边缘特征点定位的方法，包括：根据人脸图像拟合出该人脸图像中人脸边缘的外形边缘曲线；以及，利用预设的人脸边缘特征点计算模型计算并获得该人脸图像中人脸边缘的特征点；利用预设的收敛算法计算并获得每个特征点对应的收敛特征点的特征信息；分别判断每个特征点到所述外形边缘曲线的距离是否大于各自对应收敛特征点到所述外形边缘曲线的距离；若是，则获取该特征点对应收敛特征点的特征信息；判断该人脸图像中人脸边缘的所有特征点在上述判断前后整体发生的位置变化的大小是否小于预设的阈值；若小于，则将该组特征点的位置信息定位为符合要求的人脸边缘特征点。该方法定位人脸特征点的准确性更高，并且应用范围更广。

【技术实现步骤摘要】

本申请涉及图像处理
，具体涉及一种用于人脸边缘特征点定位的方法。本申请同时涉及一种用于人脸边缘特征点定位的装置。
技术介绍
在人机交互
，人脸提供了如肤色、轮廓、表情等许多非常有价值的信息，尤其是在近年来，人脸特征点的定位技术得到了快速发展，在身份识别、人脸三维重建、人脸美颜、姿态估计、人脸跟踪等
中得到广泛应用。人脸特征点的定位技术，是指基于人脸的检测技术检测到人脸，并对检测到的人脸的特征点的位置信息和形状信息进行精确计算；而对于人脸边缘的特征点的精确定位，能够很好的确定人脸的形状。目前公开的人脸特征点的定位方法，主要是基于ASM(Active Shape Model)、AAM(Active Appearance Model)、SDM(Supervised Descent Method)算法的人脸特征点定位方法。其中，ASM算法是在形状统计模型的基础上进行人脸特征点定位的，例如人脸的轮廓等形状可以通过若干关键特征点的坐标依次串联形成一个形状向量来表示；AAM算法则是在ASM算法的基础上，进一步对纹理(将人脸图像变形到平均形状而得到的形状无关图像)进行统计建模，并将形状统计模型和纹理统计模型两个统计模型进一步融合为表观模型；SDM算法则是根据人脸的特征点的初始位置，提取每一个特征点为中心的非线性的SIFT(尺度不变特征转换，ScaleInvariantFeatureTransform)特征，然后解决特征点和对应SIFT特征之间的NLS(非线性最小二乘法，Non-linear Least Squares)问题，从而实现对人脸特征点的定位。上述现有技术提供的人脸特征点的定位方法存在明显的缺陷。现有技术提供的人脸特征点的定位方法的缺点在于：上基于SDM算法的人脸特征点定位方法，在进行人脸特征点的定位过程中，需要提取人脸的特征点进行收缩迭代，但是当人脸图像中的人脸在不同的背景下，提取人脸特征点的难度非常大，尤其是当人脸图像中的人脸处于复杂的背景下，很难确定人脸的特征点的准确位置，用此方法确定的人脸的特征点，准确度较低。
技术实现思路
本申请提供一种用于人脸边缘特征点定位的方法，以解决现有的人脸的特征点的定位方法存在的定位困难和特征点定位不准确的问题。本申请同时涉及一种用于人脸边缘特征点定位的装置。本申请提供一种用于人脸边缘特征点定位的方法，包括：根据人脸图像拟合出该人脸图像中人脸边缘的外形边缘曲线；以及，利用预设的人脸边缘特征点计算模型计算并获得该人脸图像中人脸边缘的特征点，并获取每个特征点的特征信息；其中，所述特征信息至少包括位置信息；根据每个特征点的特征信息，利用预设的收敛算法计算并获得每个特征点对应的收敛特征点的特征信息；根据每个特征点、收敛特征点的特征信息，分别判断每个特征点到所述外形边缘曲线的距离是否大于各自对应收敛特征点到所述外形边缘曲线的距离；若是，则获取该特征点对应收敛特征点的特征信息，作为该特征点的特征信息；若否，则保持该特征点的特征信息不变；判断该人脸图像中人脸边缘的所有特征点在上述判断前后整体发生的位置变化的大小是否小于预设的阈值；若小于，则将该组特征点的位置信息定位为符合要求的人脸边缘特征点；若不小于，则返回所述根据每个特征点的特征信息，利用预设的收敛算法计算并获得每个特征点对应的收敛特征点的特征信息的步骤。可选的，所述根据人脸图像拟合出该人脸图像中人脸边缘的外形边缘曲线的步骤之前，包括：获取人脸的人脸图像；利用预设的肤色模型对该人脸图像中的肤色区域和非肤色区域进行分离，并过滤掉该人脸图像中的非肤色区域。可选的，所述获取人脸的人脸图像的步骤之后，包括：将获取到的该人脸图像扩张或者裁剪为具有设定大小和/或格式的人脸图像。可选的，所述肤色模型，包括：混合高斯模型GMM。可选的，所述根据人脸图像拟合出该人脸图像中人脸边缘的外形边缘曲线
的步骤，包括：检测人脸图像中人脸的强边缘；根据检测到的人脸图像中人脸的强边缘，拟合出该人脸图像中人脸边缘的外形边缘曲线。可选的，所述人脸图像中人脸的强边缘，利用Canny边缘检测算子检测获得。可选的，所述拟合出该人脸图像中人脸边缘的外形边缘曲线的子步骤，包括：对检测到的人脸图像中人脸的强边缘进行过滤，获得该人脸图像中人脸的轮廓曲线；在所述人脸的轮廓曲线对应的人脸图像中，以该人脸图像中人脸的五官对应的至少一个特征点作为射线的端点，按照设定的角度作至少一条射线；在所述人脸的轮廓曲线对应的人脸图像中，获取上述射线与该人脸图像中人脸的轮廓曲线的交点，拟合三阶贝塞尔曲线，作为人脸图像中人脸边缘的外形边缘曲线。可选的，所述利用预设的人脸边缘特征点计算模型计算并获得该人脸图像中人脸边缘的特征点的步骤，包括：利用所述人脸边缘特征点计算模型，并结合预先训练好的参数，计算并获得该人脸图像中人脸边缘的每个特征点的位置信息；获取上述计算获得的各个特征点在以自身为中心的设定大小或者设定形状的区域内的梯度方向特征；分别将每个特征点的位置信息和梯度方向特征作为每个特征点各自的特征信息。可选的，所述收敛算法，包括：ΔX1＝R0*φ0+b0；Xk＝Xk-1+Rk-1*φk-1+bk-1；其中，Xk是第k次利用该收敛算法计算之后获得的收敛特征点连接而成的一个向量，Xk-1是第k-1次利用该收敛算法计算之后获得的收敛特征点连接而成的一个向量；ΔX1是第一次利用该收敛算法计算之后获得的收敛特征点连接而成的向量X1，与该人脸图像中人脸边缘的特征点连接而成的向量X0之间的位移值；φ0是第一次利用该收敛算法计算之前的特征点的梯度方向特征连接而成的一个向量；R0和b0是预先设定的系数；Rk-1和bk-1是第k-1次利用该收敛算法计算之后的系数，φk-1是第k-1次利用收敛算法计算之后得到的收敛特征点的梯度方向特征连接而成的一个向量。可选的，所述判断该人脸图像中人脸边缘的所有特征点在上述判断前后整体发生的位置变化的大小是否小于预设的阈值的步骤，包括：根据该人脸图像中人脸边缘的所有特征点在上述判断前后的特征信息，计算出该人脸图像中人脸边缘的所有特征点在上述判断前后整体发生的位置变化的大小；判断该位置变化的大小是否小于预设的阈值；若小于，则确定该人脸图像中人脸边缘的每个特征点的特征信息不变；若不小于，则返回所述根据每个特征点的特征信息，利用预设的收敛算法计算并获得每个特征点对应的收敛特征点的特征信息的步骤。可选的，所述计算出该人脸图像中人脸边缘的所有特征点在上述判断前后整体发生的位置变化的大小的子步骤，包括：获取该人脸图像中人脸边缘在上述判断之前的所有特征点连接而成的一个向量；获取该人脸图像中人脸边缘在上述判断之后的所有特征点连接而成的一个向量；计算出上述两个向量之间的欧氏距离，作为该人脸图像中人脸边缘的所有特征点在上述判断前后整体发生的位置变化的大小。本申请还提供一种用于人脸边缘特征点定位的装置，包括：外形边缘曲线拟合单元，用于根据人脸图像拟合出该人脸图像中人脸边缘的外形边缘曲线；特征信息计算单元，用于利用预设的人脸边缘特征点计算模型计算并获得该人脸图像中人脸边缘的特征点，并获取每个特征点的特征信息；其中，所述特征信息至少包括位置信息；收敛计算单元，用于根据每个特征点的本文档来自技高网...

【技术保护点】
一种用于人脸边缘特征点定位的方法，其特征在于，包括：根据人脸图像拟合出该人脸图像中人脸边缘的外形边缘曲线；以及，利用预设的人脸边缘特征点计算模型计算并获得该人脸图像中人脸边缘的特征点，并获取每个特征点的特征信息；其中，所述特征信息至少包括位置信息；根据每个特征点的特征信息，利用预设的收敛算法计算并获得每个特征点对应的收敛特征点的特征信息；根据每个特征点、收敛特征点的特征信息，分别判断每个特征点到所述外形边缘曲线的距离是否大于各自对应收敛特征点到所述外形边缘曲线的距离；若是，则获取该特征点对应收敛特征点的特征信息，作为该特征点的特征信息；若否，则保持该特征点的特征信息不变；判断该人脸图像中人脸边缘的所有特征点在上述判断前后整体发生的位置变化的大小是否小于预设的阈值；若小于，则将该组特征点的位置信息定位为符合要求的人脸边缘特征点；若不小于，则返回所述根据每个特征点的特征信息，利用预设的收敛算法计算并获得每个特征点对应的收敛特征点的特征信息的步骤。

【技术特征摘要】
1.一种用于人脸边缘特征点定位的方法，其特征在于，包括：根据人脸图像拟合出该人脸图像中人脸边缘的外形边缘曲线；以及，利用预设的人脸边缘特征点计算模型计算并获得该人脸图像中人脸边缘的特征点，并获取每个特征点的特征信息；其中，所述特征信息至少包括位置信息；根据每个特征点的特征信息，利用预设的收敛算法计算并获得每个特征点对应的收敛特征点的特征信息；根据每个特征点、收敛特征点的特征信息，分别判断每个特征点到所述外形边缘曲线的距离是否大于各自对应收敛特征点到所述外形边缘曲线的距离；若是，则获取该特征点对应收敛特征点的特征信息，作为该特征点的特征信息；若否，则保持该特征点的特征信息不变；判断该人脸图像中人脸边缘的所有特征点在上述判断前后整体发生的位置变化的大小是否小于预设的阈值；若小于，则将该组特征点的位置信息定位为符合要求的人脸边缘特征点；若不小于，则返回所述根据每个特征点的特征信息，利用预设的收敛算法计算并获得每个特征点对应的收敛特征点的特征信息的步骤。2.根据权利要求1所述的用于人脸边缘特征点定位的方法，其特征在于，所述根据人脸图像拟合出该人脸图像中人脸边缘的外形边缘曲线的步骤之前，包括：获取人脸的人脸图像；利用预设的肤色模型对该人脸图像中的肤色区域和非肤色区域进行分离，并过滤掉该人脸图像中的非肤色区域。3.根据权利要求2所述的用于人脸边缘特征点定位的方法，其特征在于，所述获取人脸的人脸图像的步骤之后，包括：将获取到的该人脸图像扩张或者裁剪为具有设定大小和/或格式的人脸图像。4.根据权利要求2所述的用于人脸边缘特征点定位的方法，其特征在于，所述肤色模型，包括：混合高斯模型GMM。5.根据权利要求1所述的用于人脸边缘特征点定位的方法，其特征在于，
\t所述根据人脸图像拟合出该人脸图像中人脸边缘的外形边缘曲线的步骤，包括：检测人脸图像中人脸的强边缘；根据检测到的人脸图像中人脸的强边缘，拟合出该人脸图像中人脸边缘的外形边缘曲线。6.根据权利要求5所述的用于人脸边缘特征点定位的方法，其特征在于，所述人脸图像中人脸的强边缘，利用Canny边缘检测算子检测获得。7.根据权利要求5所述的用于人脸边缘特征点定位的方法，其特征在于，所述拟合出该人脸图像中人脸边缘的外形边缘曲线的子步骤，包括：对检测到的人脸图像中人脸的强边缘进行过滤，获得该人脸图像中人脸的轮廓曲线；在所述人脸的轮廓曲线对应的人脸图像中，以该人脸图像中人脸的五官对应的至少一个特征点作为射线的端点，按照设定的角度作至少一条射线；在所述人脸的轮廓曲线对应的人脸图像中，获取上述射线与该人脸图像中人脸的轮廓曲线的交点，拟合三阶贝塞尔曲线，作为人脸图像中人脸边缘的外形边缘曲线。8.根据权利要求1所述的用于人脸边缘特征点定位的方法，其特征在于，所述利用预设的人脸边缘特征点计算模型计算并获得该人脸图像中人脸边缘的特征点的步骤，包括：利用所述人脸边缘特征点计算模型，并结合预先训练好的参数，计算并获得该人脸图像中人脸边缘的每个特征点的位置信息；获取上述计算获得的各个特征点在以自身为中心的设定大小或者设定形状的区域内的梯度方向特征；分别将每个特征点的位置信息和梯度方向特征作为每个特征点各自的特征信息。9.根据权利要求1所述的用于人脸边缘特征点定位的方法，其特征在于，所述收敛算法，包括：ΔX1＝R0*φ0+b0；Xk＝Xk-1+Rk-1*φk-1+bk-1；其中，Xk是第k次利用该收敛算法计算之后获得的收敛特征点连接而成的
\t一个向量，Xk-1是第k-1次利用该收敛算法计算之后获得的收敛特征点连接而成的一个向量；ΔX1是第一次利用该收敛算法计算之后获得的收敛特征点连接而成的向量X1，与该人脸图像中人脸边缘的特征点连接而成的向量X0之间的位移值；φ0是第一次利用该收敛算法计算之前的特征点的梯度方向特征连接而成的一个向量；R0和b0是预先设定的系数；Rk-1和bk-1是第k-1次利用该收敛算法计算之后的系数，φk-1是第k-1次利用收敛算法计算之后得到的收敛特征点的梯度方向特征连接而成的一个向量。10.根据权利要求1所述的用于人脸边缘特征点定位的方法，其特征在于，所述判断该人脸图像中人脸边缘的所有特征点在上述判断前后整体发生的位置变化的大小是否小于预设的阈值的步骤，包括：根据该人脸图像中人脸边缘的所有特征点在上述判断前后的特征信息，计算出该人脸图像中人脸边缘的所有特征点在上述判断前后整体发生的位置变化的大小；判断该位置变化的大小是否小于预设的阈值；若小于，则确定该人脸图像中人脸边缘的每个特征点的特征信息不变；若不小于，则返回所述根据每个特征点的特征信息，利用预设的收敛算法计...

【专利技术属性】
技术研发人员：邹建法，黄英，陈岩，
申请(专利权)人：阿里巴巴集团控股有限公司，
类型：发明
国别省市：开曼群岛;KY