一种级联的二维图像人脸姿态估计方法技术

本发明专利技术公开了一种级联的二维图像人脸姿态估计方法，包括：步骤一、将输入的二维人脸图像上的人脸区域检测并分割出来，归一化到预定尺寸，提取其纹理特征，以特征向量表示该纹理特征；步骤二、根据步骤一中得到的二维人脸图像的特征向量计算其在不同姿态角的可能性；步骤三、选择具有最大可能性的姿态角作为该输入的二维人脸图像的姿态初始估计结果，根据所述具有最大可能性的姿态角度选择相应姿态的人脸特征点定位模型，检测该人脸图像上的特征点位置；步骤四、根据步骤三中检测得到的特征点，采用基于特征点的方法进一步精确估计输入人脸图像中的人脸姿态角度。本发明专利技术克服基于表观特征和基于特征点的姿态估计方法各自的缺点，通过级联的方式由粗到细地估计姿态角度，提高了姿态估计的精度。

【技术实现步骤摘要】

本专利技术涉及计算机应用技术和计算机视觉领域，特别涉及一种级联的二维图像人脸姿态估计方法。
技术介绍
人脸的姿态是指人头在三维空间中相对于自身的内在坐标轴的旋转角度，包括绕X轴旋转的俯仰角度(α)、绕Y轴旋转的偏转角度(β)和绕Z轴的倾斜角度(γ)。人脸姿态信息在人机交互、人脸识别、注视点检测等应用中起着非常重要的作用。目前，从单张二维人脸图像估计其中人脸的三维姿态角度的方法主要包括：基于特征点的方法和基于表观特征的方法。基于特征点的方法首先从输入的人脸图像上检测出关键特征点(如双眼瞳孔中心、鼻尖和左右嘴角)的位置，然后根据这些特征点的相对位置关系估算人脸的姿态角度。这一过程往往借助于一个三维人脸平均模型来实现。基于特征点的方法的主要缺点在于特征点检测的精度随着人脸姿态角度变化范围的增加会下降，进而影响人脸姿态估计的精度。基于表观特征的方法直接从人脸图像上提取特征，然后在提取出的特征和人脸姿态角度之间建立分类或者回归方法，从而实现对输入人脸图像姿态的估计。基于表观特征的方法无需定位人脸特征点，容易实施，但是受训练数据的影响对姿态角度的区分度可能较低(比如以5度或者10度为间隔)。总的说来，现有的人脸姿态估计方法存在各自的优缺点，比如在姿态角度变大时估计误差也变大，或者姿态估计的区分能力受训练数据限制较大，从而影响了人脸姿态估计的精度。
技术实现思路
本专利技术的目的在于克服现有技术中所存在的上述不足，提供一种提高人脸姿态估计精度的级联的二维图像人脸姿态估计方法。为了实现上述专利技术目的，本专利技术采用的技术方案是：一种级联的二维图像人脸姿态估计方法，本专利技术中，根据指定角度间隔，预存各个姿态角度的人脸特征点定位模型；还包括如下步骤：步骤一、将输入的二维人脸图像上的人脸区域检测并分割出来，归一化到预定尺寸，提取其纹理特征，以特征向量F∈RN表示该纹理特征；步骤二、根据步骤一中得到的二维人脸图像的特征向量计算其在不同姿态角的可能性；步骤三、选择具有最大可能性的姿态角作为该输入的二维人脸图像的姿态初始估计结果，根据所述具有最大可能性的姿态角度选择相应姿态的人脸特征点定位模型，检测该二维人脸图像上的特征点位置；步骤四、根据步骤三中检测得到的特征点，采用基于特征点的方法进一步精确估计输入人脸图像中的人脸姿态角度。所述步骤二具体为：首先根据下式计算每个特征维度下的姿态回归系数，Θn(α,β,γ)=Σi=1pΣj=1qΣk=1rμijknφiX(α)φjY(β)φkZ(γ),]]>其中，φX(α)、φY(β)和φZ(γ)分别表示关于俯仰角的p阶、关于偏转角的q阶和关于倾斜角的r阶多项式，为第n维特征的姿态回归参数；然后根据所述姿态回归系数计算输入人脸图像属于不同姿态角的可能性，计算公式如下：p(α,β,γ)=Σn=1NΘn(α,β,γ)·Fn.]]>步骤二中的参数使用梯度下降算法根据训练数据学习得到。所述步骤三中检测人脸图像上的特征点位置具体为：采取由相应姿态角度的数据训练得到的活动形状模型(ASM)或者基于级联回归的人脸特征点检测器进行检测。所述步骤四具体为：采用拟合一个平均三维人脸模型上的特征点到输入二维图像的方法，通过调整姿态角度来优化三维人脸模型上的特征点投影到二维图像上后与输入二维人脸图像上特征点之间的重合度。与现有技术相比，本专利技术的有益效果：本专利技术综合了基于表观特征和基于特征点的姿态估计方法，能够克服这两类方法各自的缺点，通过级联的方式由粗到细地估计姿态角度，有效提高了姿态估计的精度。附图说明：图1是本专利技术实施例中的方法流程图。具体实施方式下面结合具体实施方式对本专利技术作进一步的详细描述。但不应将此理解为本专利技术上述主题的范围仅限于以下的实施例，凡基于本
技术实现思路
所实现的技术均属于本专利技术的范围。本专利技术提出一种级联的二维人脸图像姿态估计方法。该方法结合了基于表观的和基于特征点的方法，从而有效克服了单纯使用基于表观的方法受限于训练数据的角度范围的缺点，以及单纯使用基于特征点的方法在角度变化范围较大时姿态估计精度下降的缺点，提高了姿态估计的精度。图1为本专利技术实施例示出的级联的二维图像人脸姿态估计方法流程图，具体包括以下步骤：为了解决基于特征点的方法中，当使用单一三维人脸平均模型时，存在的特征点检测的精度随着人脸姿态角度变化范围的增加会下降，进而影响人脸姿态估计的精度的问题，预先设置各个姿态角的人脸特征定位模型；进而采用如下步骤进行人脸姿态估算；首先根据指定角度间隔(本实施例中指定角度间隔为5度，实际应用中，可根据需要在1度至15度间选择该指定角度间隔，实际上2度、3度、4度、6度、7度、10度均可很好的实现本专利技术目的)，预存各个姿态角度的人脸特征点定位模型；进而包括如下步骤步骤一、将输入的二维人脸图像上的人脸区域检测并分割出来，归一化到预定尺寸，提取其纹理特征，以特征向量F∈RN表示该纹理特征；步骤二、根据步骤一中得到的二维人脸图像的特征向量计算其在不同姿态角的可能性；步骤三、选择具有最大可能性的姿态角作为该输入的二维人脸图像的姿态初始估计结果，假设该姿态角度为该二维人脸图像的最大可能姿态角度，从而进一步的选择相应姿态角度的人脸特征点定位模型，结合选定的人脸特征点定位模型检测该二维人脸图像上的特征点位置；步骤四、根据步骤三中检测得到的特征点，采用基于特征点的方法进一步精确估计输入人脸图像中的人脸姿态角度。具体的，所述步骤二具体为：首先根据下式计算每个特征维度下的姿态回归系数，Θn(α,β,γ)=Σi=1pΣj=1qΣk=1rμijknφiX(α)φjY(β)φkZ(γ),]]>其中，φX(α)、φY(β)和φZ(γ)分别表示关于俯仰角的p阶、关于偏转角的q阶和关于倾斜角的r阶多项式，为第n维特征的姿态回归参数；然后根据所述姿态回归系数计算输入人脸图像属于不同姿态角的可能性，计算公式如下：p(α,β,γ)=&S本文档来自技高网...

【技术保护点】
一种级联的二维图像人脸姿态估计方法，其特征在于，包括：步骤一、将输入的二维人脸图像上的人脸区域检测并分割出来，归一化到预定尺寸，提取其纹理特征，以特征向量F∈RN表示该纹理特征；步骤二、根据步骤一中得到的二维人脸图像的特征向量计算其在不同姿态角的可能性；步骤三、选择具有最大可能性的姿态角作为该输入的二维人脸图像的姿态初始估计结果，根据所述具有最大可能性的姿态角度选择相应姿态的人脸图像特征点定位模型，检测该二维人脸图像上的特征点位置；步骤四、根据步骤三中检测得到的特征点，采用基于特征点的方法进一步精确估计输入人脸图像中的人脸姿态角度。

【技术特征摘要】
1.一种级联的二维图像人脸姿态估计方法，其特征在于，包括：
步骤一、将输入的二维人脸图像上的人脸区域检测并分割出来，归一化到预定尺寸，提
取其纹理特征，以特征向量F∈RN表示该纹理特征；
步骤二、根据步骤一中得到的二维人脸图像的特征向量计算其在不同姿态角的可能
性；
步骤三、选择具有最大可能性的姿态角作为该输入的二维人脸图像的姿态初始估计结
果，根据所述具有最大可能性的姿态角度选择相应姿态的人脸图像特征点定位模型，检测
该二维人脸图像上的特征点位置；
步骤四、根据步骤三中检测得到的特征点，采用基于特征点的方法进一步精确估计输
入人脸图像中的人脸姿态角度。
2.根据权利要求1所述的级联的二维图像人脸姿态估计方法，其特征在于，所述步骤二
具体为：
首先根据下式计算每个特征维度下的姿态回归系数，
其中，φX(α)、φY(β)和φZ(γ)分别表示关于俯仰角的p阶、关于偏转角的q阶和关于倾

【专利技术属性】
技术研发人员：赵启军，李科，石正权，
申请(专利权)人：四川川大智胜软件股份有限公司，
类型：发明
国别省市：四川;51