基于随机森林的级联位置回归用于人脸对齐的方法技术

本发明专利技术公开了一种基于随机森林的级联位置回归用于人脸对齐的方法，其特征在于，包括如下步骤：1）得到归一化人脸图片； 2）计算人脸的平均形状； 3）生成人脸对齐框架的候选特征点；4）生成人脸形状索引灰度值；5）生成人脸形状索引特征X；6）构建人脸对齐框架；7）初始化人脸形状，不断迭代后，输出最终的估计人脸形状。这种方法在光照、表情变化、遮挡等情况下能够保持很好的鲁棒性，并且能提高精度、减少失败率。

【技术实现步骤摘要】

本专利技术属于数字图像处理
，具体是一种基于随机森林的级联位置回归用于人脸对齐的方法。
技术介绍
人脸对齐在人脸识别，人脸追踪和三维人脸重建中有着十分重要的地位，吸引了越来越多的研究者，但是由于人面部表情的多样性，不同光照条件以及遮挡等情况也给研究带来了困难和挑战。人脸对齐算法大致分成两类，一类是基于最优的人脸对齐算法，一类是基于回归的人脸对齐算法。基于最优的对齐人脸算法通过优化误差以达到人脸对齐的目的，其性能依靠于误差方程本身设计的优劣程度及其最优化的效果，难以得到保证。例如，T.Cootes等在“Activeappearancemodels”中提出的人脸对齐算法，利用外观模型重构整张人脸，然后以最少化残留纹理的方式设计误差方程，对人脸进行修正，从而使得最终的对齐结果取决于误差方程的设计和优化情况。基于回归的人脸对齐算法以估计样本S与真实的样本接近，对训练样本的机器学习，得到一个回归方程，该方程能够直接将人脸图像映射成人脸形状。其中，由姿态、表情、光照等引起的复杂的人脸变化可通过学习大量的训练数据样本得到有效的抑制。先前部分基于回归的人脸对齐是依靠参数模型，将最小化对齐误差转化成参数误差。该转换存在严重的缺陷。因为参数误差最小并不等同于对齐误差最小，不能保证人脸对齐最优。例如，P.Dollar等的“Cascadedposeregression”算法。另一部分基于回归的人脸对齐研究工作针对单个基准点进行回归学习，并有效地利用了对齐误差作为损失函数。然后这类方法只利用了局部图像块进行学习，没有探索基准点之间的外观联系。因此，该方法得到的回归器的鲁棒性较差，不能应对存在人脸姿势变化大和人脸局部遮挡的情况。同时基于模型的人脸对齐方法对人脸初始化形状较为敏感。
技术实现思路
本专利技术的目的在于针对现有技术的不足,而提供一种基于随机森林的级联位置回归用于人脸对齐的方法。这种方法在光照、表情变化、遮挡等情况下能够保持很好的鲁棒性，并且能提高精度、减少失败率。实现本专利技术目的的技术方案是：基于随机森林的级联位置回归用于人脸对齐的方法，包括如下步骤：1)得到归一化人脸图片：读入训练集图像库中的图片及对应的人脸属性，并对图片进行归一化，人脸属性包含人脸位置矩形区域信息即x1轴、y1轴、w宽、h高信息和已知标定的关键点坐标信息即x2轴、y2轴信息；2)计算人脸的平均形状：给每一个人脸训练样本确定M个初始化形状，除自身的形状外，即组成N×M个训练样本，对训练样本的关键点坐标信息进行旋转、缩放相似变换，计算出人脸的平均形状：MS=1N(ΣS^i)]]>N表示训练样本数，表示已知标定的关键点人脸形状信息；3)生成人脸对齐框架的候选特征点：用随机函数生成二个关键点V1和V2的坐标标号，则这二个关键点中点坐标值为将中点坐标作为候选特征点μα，循环步骤3)，产生P个候选特征点；4)生成人脸形状索引灰度值ρ：利用步骤3)得到的P个候选特征点，提取候选特征点的图片灰度值I(μα)，灰度值I(μα)作为人脸形状索引灰度值ρ，其大小为N行P列的矩阵；5)生成人脸形状索引特征X：利用步骤4)得到的ρ，令ρii表示ρ中第i行、第j列的一个元素值，第一层循环让i从1到N，计算ρia和ρib的差值，其中a和b的范围是1～P，循环步骤5)，可得到大小为N行P×P列的人脸形状索引特征X；6)构建人脸对齐框架：所述人脸对齐框架是基于随机森林级联回归方法构建，人脸对齐框架第一层弱回归器的级联、即弱回归器的个数为T，每一个弱回归器由一个随机森林组成，随机森林将很多弱分类器集成为一个强分类器，实现并行结构，弱分类器即为决策树，一个随机森林由L个决策树(rtk|k＝1,2,...,L；t＝1,2,...,T)并行组成，其中，k和t均表示下标号,r表示决策树，每一个决策树的构建过程一样，过程如下：(1)选择决策树的训练样本：从N个训练样本中随机抽取Ωk个样本作为该决策树的训练样本，Ωk的范围是N/8～N/2；(2)生成节点特征：根据步骤5)中得到的人脸形状索引特征X中的值与回归目标ΔS的相关性corr(ΔS,Xij)，其中Xij表示X矩阵中的第i行、第j列的元素，选择F个最相关的人脸形状索引特征，作为节点特征,F为决策树的深度,其范围5～10；(3)生成节点阈值：阈值直接从-0.2C～0.2C范围中随机得到一个值作为阈值，其中C表示步骤(2)过程选择的节点特征值；(4)得到人脸形状增量即叶子节点的输出：利用上述步骤(1)中选择的Ωk个训练样本送入由步骤(2)、(3)构建的决策树，得到的叶子节点的输出即为人脸形状增量该决策树的输出δSk，即为叶子节点的加权组合，如公式所示：δSk=Σj=1M|Ωcj||Ωk|·δScj]]>其中M为该决策树的叶子节点个数M＝2F-1经过上述步骤后，即可得到决策树，重复步骤(1)、(2)、(3)、(4)得到随机森林，随机森林的输出δSt为L个决策树的加权组合，如公式所示：δSt=Σi=1L|Ωi|N·δSi]]>最后对人脸形状进行更新St＝St-1+δSt，其中St-1表示第t-1个循环过程的人脸形状信息，同理St表示第t个循环中人脸形状信息；7)初始化人脸形状：采用直方图统计的方法进行人脸形状初始化，初始化过程如下：①对输入的M个初始化形状送入人脸对齐框架模型中，执行级联回归过程的10％；②得到人脸关键点的初始化坐标信息：关键点g点的坐标为统计的分布，以x坐标值为横坐标，以频数M为纵坐标，划分各小区间及其对应的频数高度，输出频数最大的区间对应的横坐标值对执行相同的过程，得到③重复步骤②，得到q个人脸关键点的初始化坐标信息；④将步骤②中的q个人脸关键点的初始化坐标信息构成的形状作为级联回归剩下90％的过程的初始化形状；⑤结合步骤①-步骤④，得到一个初始化人脸形状，其中初始化人脸形状为S0m={(x00m,y00m),(x10m,y10m),...,(xq0m,yq0m)本文档来自技高网...

【技术保护点】
基于随机森林的级联位置回归用于人脸对齐的方法，其特征在于，包括如下步骤：1)得到归一化人脸图片：读入训练集图像库中的图片及对应的人脸属性，并对图片进行归一化，人脸属性包含人脸位置矩形区域信息即x1轴、y1轴、w宽、h高信息和已知标定的关键点坐标信息即x2轴、y2轴信息；2)计算人脸的平均形状：给每一个人脸训练样本确定M个初始化形状，除自身的形状外，即组成N×M个训练样本，对训练样本的关键点坐标信息进行旋转、缩放相似变换，计算出人脸的平均形状：MS=1N(ΣS^i)]]>N表示训练样本数，表示已知标定的关键点人脸形状信息；3)生成人脸对齐框架的候选特征点：用随机函数生成二个关键点V1和V2的坐标标号，则这二个关键点中点坐标值为将中点坐标作为候选特征点μα，循环步骤3)，产生P个候选特征点；4)生成人脸形状索引灰度值ρ：利用步骤3)得到的P个候选特征点，提取候选特征点的图片灰度值I(μα)，灰度值I(μα)作为人脸形状索引灰度值ρ，其大小为N行P列的矩阵；5)生成人脸形状索引特征X：利用步骤4)得到的ρ，令ρij表示ρ中第i行、第j列的一个元素值，第一层循环让i从1到N，计算ρia和ρib的差值，其中a和b的范围是1到P，循环步骤5)，可得到大小为N行P×P列的人脸形状索引特征X；6)构建人脸对齐框架：所述人脸对齐框架是基于随机森林级联回归方法构建，人脸对齐框架第一层弱回归器的级联、即弱回归器的个数为T，每一个弱回归器由一个随机森林组成，随机森林将很多弱分类器集成为一个强分类器，实现并行结构，弱分类器即为决策树，一个随机森林由L个决策树并行组成，其中，k和t均表示下标号,r表示决策树，每一个决策树的构建过程一样，过程如下：(1)选择决策树的训练样本：从N个训练样本中随机抽取Ωk个样本作为该决策树的训练样本，Ωk的范围是N/8到N/2；(2)生成节点特征：根据步骤5)中得到的人脸形状索引特征X中的值与回归目标ΔS的相关性corr(ΔS,Xij)，其中Xij表示X矩阵中的第i行、第j列的元素，选择F个最相关的人脸形状索引特征，作为节点特征,F为决策树的深度,其范围5‑10；(3)生成节点阈值：阈值直接从‑0.2C到0.2C范围中随机得到一个值作为阈值，其中C表示步骤(2)过程选择的节点特征值；(4)得到人脸形状增量即叶子节点的输出：利用上述步骤(1)中选择的Ωk个训练样本送入由步骤(2)、(3)构建的决策树，得到的叶子节点的输出即为人脸形状增量该决策树的输出δSk，即为叶子节点的加权组合，如公式所示：δSk=Σj=1M|Ωcj||Ωk|·δScj]]>其中M为该决策树的叶子节点个数M＝2F‑1经过上述步骤后，即可得到决策树，重复步骤(1)、(2)、(3)、(4)得到随机森林，随机森林的输出δSt为L个决策树的加权组合，如公式所示：δSt=Σi=1L|Ωi|N·δSi]]>最后对人脸形状进行更新St＝St‑1+δSt，其中St‑1表示第t‑1个循环过程的人脸形状信息，同理St表示第t个循环中人脸形状信息；7)初始化人脸形状：采用直方图统计的方法进行人脸形状初始化，初始化过程如下：①对输入的M个初始化形状送入人脸对齐框架模型中，执行级联回归过程的10％；②得到人脸关键点的初始化坐标信息：关键点g点的坐标为统计的分布，以x坐标值为横坐标，以频数M为纵坐标，划分各小区间及其对应的频数高度，输出频数最大的区间对应的横坐标值对执行相同的过程，得到③重复步骤②，得到q个人脸关键点的初始化坐标信息；④将步骤②中的q个人脸关键点的初始化坐标信息构成的形状作为级联回归剩下90％的过程的初始化形状；⑤结合步骤①‑步骤④，得到一个初始化人脸形状，其中初始化人脸形状为S0m={(x00m,y00m),(x10m,y10m),...,(xq0m,yq0m)},]]>q为关键点个数，初始化形状个数记为M，M个初始化形状记为S01，S02，…，S0m，把S0m送入步骤6)构建人脸对齐框架中，不断迭代后，输出最终的估计人脸形状。...

【技术特征摘要】
1.基于随机森林的级联位置回归用于人脸对齐的方法，其特征在于，包括如下步骤：
1)得到归一化人脸图片：读入训练集图像库中的图片及对应的人脸属性，并对图片进
行归一化，人脸属性包含人脸位置矩形区域信息即x1轴、y1轴、w宽、h高信息和已知标定的关
键点坐标信息即x2轴、y2轴信息；
2)计算人脸的平均形状：给每一个人脸训练样本确定M个初始化形状，除自身的形状
外，即组成N×M个训练样本，对训练样本的关键点坐标信息进行旋转、缩放相似变换，计算
出人脸的平均形状：
MS=1N(ΣS^i)]]>N表示训练样本数，表示已知标定的关键点人脸形状信息；
3)生成人脸对齐框架的候选特征点：用随机函数生成二个关键点V1和V2的坐标标号，则
这二个关键点中点坐标值为将中点坐标作为候选特征点μα，循环步骤3)，产生P个候
选特征点；
4)生成人脸形状索引灰度值ρ：利用步骤3)得到的P个候选特征点，提取候选特征点的
图片灰度值I(μα)，灰度值I(μα)作为人脸形状索引灰度值ρ，其大小为N行P列的矩阵；
5)生成人脸形状索引特征X：利用步骤4)得到的ρ，令ρij表示ρ中第i行、第j列的一个元
素值，第一层循环让i从1到N，计算ρia和ρib的差值，其中a和b的范围是1到P，循环步骤5)，可
得到大小为N行P×P列的人脸形状索引特征X；
6)构建人脸对齐框架：所述人脸对齐框架是基于随机森林级联回归方法构建，人脸对
齐框架第一层弱回归器的级联、即弱回归器的个数为T，每一个弱回归器由一个随机森林组
成，随机森林将很多弱分类器集成为一个强分类器，实现并行结构，弱分类器即为决策树，
一个随机森林由L个决策树并行组成，其中，k和t均表示下标号,
r表示决策树，每一个决策树的构建过程一样，过程如下：
(1)选择决策树的训练样本：从N个训练样本中随机抽取Ωk个样本作为该决策树的训练
样本，Ωk的范围是N/8到N/2；
(2)生成节点特征：根据步骤5)中得到的人脸形状索引特征X中的值与回归目标ΔS的...

【专利技术属性】
技术研发人员：莫建文，彭倜，张彤，袁华，陈利霞，首照宇，欧阳宁，高宇，匡勇建，
申请(专利权)人：桂林电子科技大学，
类型：发明
国别省市：广西;45