人脸特征点的相对坐标约束方法以及定位方法技术

本发明专利技术公开了一种人脸特征点的相对坐标约束的方法，在人脸定位的过程中，计算任意两个人脸特征点i和j的相对位置，使得任意两个预测人脸特征点i和j的相对位置尽可能接近于其对应的两个真实的人脸特征点之间的相对位置。本发明专利技术还公开了一种使用上述人脸特征点的相对坐标约束的方法的人脸特征点的定位方法。发明专利技术相比现有技术具有以下优点：通过强制约束每一个人脸特征点与其它所有特征点之间的相对坐标位置，在人脸特征点定位模型训练中使用相对坐标约束，可以提高任意姿态下人脸特征点定位精度的相对坐标约束方法，且本发明专利技术提出的约束方法只需在网络训练中进行相关操作，对于训练完成的网络进行实际使用时不增加任何计算量。

【技术实现步骤摘要】
人脸特征点的相对坐标约束方法以及定位方法
本专利技术涉及计算机视觉领域，更具体涉及一种人脸识别的方法。
技术介绍
人脸特征点自动定位可以分为模型训练和定位计算两大阶段，模型训练具体过程如下：1)收集一批训练用的人脸图像数据；2)人工标记每个人脸训练图像上各特征点位置；3)设计一个人脸特征点模型及其训练学习方法；4)从人工标记的训练人脸图像数据集中训练出模型的具体参数，用于定位识别阶段计算。定位计算阶段具体过程如下：1)输入一张人脸图像；2)检测人脸区域方框；3)把上步人脸区域内的图像输入上一阶段所学习的模型中计算得出特征点定位识别结果。目前主流的人脸特征点定位都是采用基于回归的方法。这些方法将人脸特征点定位当作一个多元变量回归问题，即将人脸图像当作输入变量、将人脸特征点坐标作为输出变量进行回归。这类方法又可以分为两小类：1)基于手工设计特征的方法；2)基于深度学习的方法。基于手工设计的方法首先提取图像的二值特征或小波等特征，然后通过随机森林或者决策树学习映射函数。基于深度学习的方法将特征提取与映射函数学习统一起来通过反向传播的方法学习到一个深层卷积神经网络(CNN)或递归神经网络(R本文档来自技高网...

【技术保护点】
一种用于训练过程的人脸特征点的相对坐标约束的方法，其特征在于，在人脸特征点定位的模型训练过程中，计算任意两个人脸特征点i和j的相对位置，使得任意两个预测人脸特征点i和j的相对位置尽可能接近于其对应的两个真实的人脸特征点之间的相对位置。

【技术特征摘要】
1.一种用于训练过程的人脸特征点的相对坐标约束的方法，其特征在于，在人脸特征点定位的模型训练过程中，计算任意两个人脸特征点i和j的相对位置，使得任意两个预测人脸特征点i和j的相对位置尽可能接近于其对应的两个真实的人脸特征点之间的相对位置。2.根据权利要求1所述的人脸特征点的相对坐标约束的方法，其特征在于，所述相对坐标约束的方法具体包括：假设现有训练数据集记为包含N张用于训练的人脸图像，其中In表示第n个图像，Pn表示第n个图像的人脸特征点，且每张图像标注了M个人脸特征点，即Pn＝[Pnx1,Pnx2,…PnxM,Pny1,Pny2,…PnyM]∈R2M，这里Pnx*,Pny*分别表示图像In的第*个特征点的横坐标与纵坐标，*∈(0，M)；首先定义两个符号，即Δnijx和Δnijy用来衡量图像In的两个特征点i和j之间的相对位置关系，计算方法如公式(2)和公式(3)所示：其中，Pnxi和Pnxj分别表示图像In的第i个和第j个特征点的真实的横坐标，Pnyi和Pnyj分别表示图像In的第i个和第j个特征点的真实的纵坐标，和分别表示算法预测的图像In的第i个和第j个特征点的横坐标，和分别表示算法预测的图像In的第i个和第j个特征点的纵坐标；因此，获得相对坐标约束误差函数LR的计算公式如下：3.一种采用权利要求1所述的人脸特征点的相对坐标约束的方法的人脸特征点定位方法，分为模型训练和定位计算两大阶段：模型训练流程如下：1)收集一批训练用的人脸图像数据；2)人工标记每个人脸训练图像上各特征点位置；3)在坐标约束方法的监督下学习深度映射函数模型，用于定位识别阶段计算；定位识别流程如下：1)输入一张人脸图像；2)检测人脸区域方框；3)把上步人脸区域方框内的图像输入模型训练阶段所学习的模型中计算对应的人脸特征点坐标；其特征在于，所述模型训练流程中的步骤3)中，采用了相对坐标约束的方法进行训练，并公开了一种轻量级高表示力的用于人脸特征点定位的深层卷积神经网络设计方法。4.根据权利要求3所述的人脸特征点定位方法，其特征在于，所述相对坐标约束的方法具体包括：假设现有训练数据集记为包含N张用于训练的人脸图像，其中In表示第n个图像，Pn表示...

【专利技术属性】
技术研发人员：王妍，李飞凤，年福东，李腾，
申请(专利权)人：安徽大学，淮南联合大学，
类型：发明
国别省市：安徽,34