一种训练模型生成方法、人脸对齐处理方法及装置制造方法及图纸

本发明专利技术实施例公开了一种训练模型生成方法，包括：获取含有人脸特征点标注的训练样本；基于当前点位置信息从训练样本中提取方向梯度直方图HOG特征，生成特征矩阵；其中，初始的当前点位置信息为预设的初始人脸形状中人脸特征点的位置信息；根据人脸特征点标注的坐标与当前点位置信息的坐标的差值，以及特征矩阵，通过稀疏化回归计算得出更新的当前点位置信息；根据更新的当前点位置信息，迭代执行提取HOG特征至通过稀疏化回归计算得出更新的当前点位置信息的步骤M次；M为正整数；保存每次迭代得到而组成的当前点位置信息的回归矩阵，以生成用于人脸对齐处理的训练模型。能够很大程序地减少人脸对齐的训练模型。

【技术实现步骤摘要】

本专利技术涉及人脸对齐处理领域，尤其涉及训练模型生成方法、人脸对齐处理方法、训练模型生成装置及人脸对齐处理装置。
技术介绍
人脸对齐技术主要是在含有人脸的图像区域中准确定位人脸面部的关键点，包括人脸轮廓、眼睛、嘴巴、鼻子、眉毛部分。人脸对齐技术是人脸识别、自动美颜、面部情感分类、头部姿态识别等技术的基础。现有技术中有不少人脸对齐的实现方法，例如在《SupervisedDescentMethodanditsApplicationstoFaceAlignment》提出的人脸对齐方法，该方法使用有监督的学习方式去寻找回归函数全局最优的回归矩阵。然而，根据当前人脸对齐的实现方法，为了保证人脸定位的精度，训练出来的定位模型的大小往往较大，例如几十兆，甚至上百兆，并不能轻量的集成进现有的app程序中。
技术实现思路
本专利技术实施例所要解决的技术问题在于，提供一种训练模型生成方法、人脸对齐处理方法、训练模型生成装置及人脸对齐处理装置，解决现有技术中训练出来的定位模型的大小往往较大，不利于集成到现有的app程序中的技术问题。为了解决上述技术问题，本专利技术实施例第一方面公开了一种训练模型生成方法，包括：获取含有人脸特征点标注的训练样本；基于当前点位置信息从所述训练样本中提取方向梯度直方图HOG特征，生成特征矩阵；其中，初始的当前点位置信息为预设的初始人脸形状中人脸特征点的位置信息；根据所述人脸特征点标注的坐标与所述当前点位置信息的坐标的差值，以及所述特征矩阵，通过稀疏化回归计算得出更新的当前点位置信息；根据所述更新的当前点位置信息，迭代执行所述基于当前点位置信息从所述当前训练样本中提取方向梯度直方图(HistogramofOrientedGradient，HOG)特征至所述通过稀疏化回归计算得出更新的当前点位置信息的步骤M次；所述M为正整数；保存每次迭代得到而组成的当前点位置信息的回归矩阵，以生成用于人脸对齐处理的训练模型。结合第一方面，在第一种可能的实现方式中，所述基于当前点位置信息从所述训练样本中提取方向梯度直方图HOG特征，生成特征矩阵之前，还包括：设置平均shape作为所述初始人脸形状。结合第一方面、或者第一方面的第一种可能的实现方式，在第二种可能的实现方式中，所述通过稀疏化回归计算得出更新的当前点位置信息，包括：通过稀疏化回归求解Ax＝b中的x；其中A为所述特征矩阵，所述b为所述人脸特征点标注的坐标与所述当前点位置信息的坐标的差值；将所述x重新乘以所述A，得到b’，将所述b’作为更新的当前点位置信息的坐标；所述保存每次迭代得到而组成的当前点位置信息的回归矩阵，包括：保存每次迭代得到而组成的稀疏回归矩阵x。本专利技术实施例第二方面公开了一种人脸对齐处理方法，包括：读取用于人脸对齐处理的训练模型；其中所述训练模型为通过权利要求1-3任一项所述的训练模型生成方法生成的训练模型；基于当前点位置信息从目标图像中提取HOG特征，生成特征矩阵；其中，初始的当前点位置信息为预设的初始人脸形状中人脸特征点的位置信息；根据所述特征矩阵和所述训练模型中回归矩阵，计算人脸特征形状偏移值；根据所述偏移值更新所述当前点位置信息；根据更新后的当前点位置信息，迭代执行所述基于当前点位置信息从目标图像中提取HOG特征至所述根据所述偏移值更新所述当前点位置信息的步骤M次，得到最终更新的当前点位置信息；所述M为正整数。结合第二方面，在第一种可能的实现方式中，所述训练模型中的回归矩阵包括所述M层的稀疏回归矩阵x；所述根据所述特征矩阵和所述训练模型中回归矩阵，计算人脸特征形状偏移值，包括：进行第K次迭代时，根据第K次生成的特征矩阵和所述训练模型中的第K层的稀疏回归矩阵x来计算人脸特征形状偏移值；所述K为大于0，小于等于M的自然数。本专利技术实施例第三方面公开了一种训练模型生成装置，包括：获取模块，用于获取含有人脸特征点标注的训练样本；矩阵生成模块，用于基于当前点位置信息从所述训练样本中提取方向梯度直方图HOG特征，生成特征矩阵；其中，初始的当前点位置信息为预设的初始人脸形状中人脸特征点的位置信息；计算模块，用于根据所述人脸特征点标注的坐标与所述当前点位置信息的坐标的差值，以及所述特征矩阵，通过稀疏化回归计算得出更新的当前点位置信息；迭代模块，用于根据所述更新的当前点位置信息，迭代执行所述基于当前点位置信息从所述当前训练样本中提取方向梯度直方图HOG特征至所述通过稀疏化回归计算得出更新的当前点位置信息的步骤M次；所述M为正整数；保存模块，用于保存每次迭代得到而组成的当前点位置信息的回归矩阵，以生成用于人脸对齐处理的训练模型。结合第三方面，在第一种可能的实现方式中，还包括：设置模块，用于在所述矩阵生成模块基于当前点位置信息从所述训练样本中提取方向梯度直方图HOG特征，生成特征矩阵之前，设置平均shape作为所述初始人脸形状。结合第三方面，或者第二方面的第一种可能的实现方式，在第二种可能的实现方式中，所述计算模块包括：稀疏化求解单元，用于通过稀疏化回归求解Ax＝b中的x；其中A为所述特征矩阵，所述b为所述人脸特征点标注的坐标与所述当前点位置信息的坐标的差值；更新单元，用于将所述x重新乘以所述A，得到b’，将所述b’作为更新的当前点位置信息的坐标；所述保存模块具体用于，保存每次迭代得到而组成的稀疏回归矩阵x。本专利技术实施例第四方面公开了一种人脸对齐处理装置，包括：读取模块，用于读取用于人脸对齐处理的训练模型；其中所述训练模型为通过上述训练模型生成方法生成的训练模型；提取生成模块，用于基于当前点位置信息从目标图像中提取HOG特征，生成特征矩阵；其中，初始的当前点位置信息为预设的初始人脸形状中人脸特征点的位置信息；偏移值计算模块，用于根据所述特征矩阵和所述训练模型中回归矩阵，计算人脸特征形状偏移值；信息更新模块，用于根据所述偏移值更新所述当前点位置信息；迭代更新模块，用于根据更新后的当前点位置信息，迭代执行所述基于当前点位置信息从目标图像中提取HOG特征至所述根据所述偏移值更新所述当前点位置信息的步骤M次，得到最终更新的当前点位置信息；所述M为正整数。结合第四方面，在第一种可能的实现方式中，所述训练模型中的回归矩阵包括所述M层的稀疏回归矩阵x；所述偏移值计算模块具体用于，进行第K次迭代时，根据第K次生成的特征矩阵和所述训练模型中的第K层的稀疏回归矩阵x来计算人脸特征形状偏移值；所述K为大于0，小于等于M的自然数。本专利技术实施例第五方面公开了一种计算机存储介质，所述计算机存储介质存储有程序，所述程序执行时包括本专利技术实施例第一方面，或者第一方面的第一种可能的实现方式，或者第一方面的第二种可能的实现方式中训练模型生成方法的全部步骤。本专利技术实施例第六方面公开了一种计算机存储介质，所述计算机存储介质存储有程序，所述程序执行时包括本专利技术实施例第二方面，或者第二方面的第一种可能的实现方式中的人脸对齐处理方法的全部步骤。实施本专利技术实施例，通过获取含有人脸特征点标注的训练样本；基于当前点位置信息从训练样本中提取方向梯度直方图HOG特征，生成特征矩阵；其中，初始的当前点位置信息为预设的初始人脸形状中人脸特征点的位置信息；根据人脸特征点标注的坐标与当前点位置信息的坐标的差值，以及特征矩阵，通本文档来自技高网...

【技术保护点】
一种训练模型生成方法，其特征在于，包括：获取含有人脸特征点标注的训练样本；基于当前点位置信息从所述训练样本中提取方向梯度直方图HOG特征，生成特征矩阵；其中，初始的当前点位置信息为预设的初始人脸形状中人脸特征点的位置信息；根据所述人脸特征点标注的坐标与所述当前点位置信息的坐标的差值，以及所述特征矩阵，通过稀疏化回归计算得出更新的当前点位置信息；根据所述更新的当前点位置信息，迭代执行所述基于当前点位置信息从所述当前训练样本中提取方向梯度直方图HOG特征至所述通过稀疏化回归计算得出更新的当前点位置信息的步骤M次；所述M为正整数；保存每次迭代得到而组成的当前点位置信息的回归矩阵，以生成用于人脸对齐处理的训练模型。

【技术特征摘要】
1.一种训练模型生成方法，其特征在于，包括：获取含有人脸特征点标注的训练样本；基于当前点位置信息从所述训练样本中提取方向梯度直方图HOG特征，生成特征矩阵；其中，初始的当前点位置信息为预设的初始人脸形状中人脸特征点的位置信息；根据所述人脸特征点标注的坐标与所述当前点位置信息的坐标的差值，以及所述特征矩阵，通过稀疏化回归计算得出更新的当前点位置信息；根据所述更新的当前点位置信息，迭代执行所述基于当前点位置信息从所述当前训练样本中提取方向梯度直方图HOG特征至所述通过稀疏化回归计算得出更新的当前点位置信息的步骤M次；所述M为正整数；保存每次迭代得到而组成的当前点位置信息的回归矩阵，以生成用于人脸对齐处理的训练模型。2.如权利要求1所述的方法，其特征在于，所述基于当前点位置信息从所述训练样本中提取方向梯度直方图HOG特征，生成特征矩阵之前，还包括：设置平均shape作为所述初始人脸形状。3.如权利要求1或2所述的方法，其特征在于，所述通过稀疏化回归计算得出更新的当前点位置信息，包括：通过稀疏化回归求解Ax＝b中的x；其中A为所述特征矩阵，所述b为所述人脸特征点标注的坐标与所述当前点位置信息的坐标的差值；将所述x重新乘以所述A，得到b’，将所述b’作为更新的当前点位置信息的坐标；所述保存每次迭代得到而组成的当前点位置信息的回归矩阵，包括：保存每次迭代得到而组成的稀疏回归矩阵x。4.一种人脸对齐处理方法，其特征在于，包括：读取用于人脸对齐处理的训练模型；其中所述训练模型为通过权利要求1-3任一项所述的训练模型生成方法生成的训练模型；基于当前点位置信息从目标图像中提取HOG特征，生成特征矩阵；其中，初始的当前点位置信息为预设的初始人脸形状中人脸特征点的位置信息；根据所述特征矩阵和所述训练模型中回归矩阵，计算人脸特征形状偏移值；根据所述偏移值更新所述当前点位置信息；根据更新后的当前点位置信息，迭代执行所述基于当前点位置信息从目标图像中提取HOG特征至所述根据所述偏移值更新所述当前点位置信息的步骤M次，得到最终更新的当前点位置信息；所述M为正整数。5.如权利要求4所述的方法，其特征在于，所述训练模型中的回归矩阵包括所述M层的稀疏回归矩阵x；所述根据所述特征矩阵和所述训练模型中回归矩阵，计算人脸特征形状偏移值，包括：进行第K次迭代时，根据第K次生成的特征矩阵和所述训练模型中的第K层的稀疏回归矩阵x来计算人脸特征形状偏移值；所述K为大于0，小于等于M的自然数。6.一种训练模型生成装置，其特征在于，包括：获取模块...

【专利技术属性】
技术研发人员：覃威宁，刘运，
申请(专利权)人：广州市百果园网络科技有限公司，
类型：发明
国别省市：广东;44