A feature point detection method for shape adaptive classification is proposed in this invention. Firstly, the multi view model is applied to deal with different face poses. In the process of training and testing of multi view models based on cascaded regression, gesture classification algorithm is applied to classify different face samples. Secondly, in the process of testing, according to the characteristics of cascade regression algorithm, the dynamic face gesture classification method is adopted to improve the accuracy of classification gradually, so as to improve the accuracy of facial feature location algorithm. At the same time, in order to further reduce the error of feature point location, the present method uses multiple multi view model integration strategies, and in the process of testing, multiple view models are used to predict the location of feature points simultaneously. Compared with the traditional method, the experiment shows that the invention has better robustness to face apparent changes in the non restricted environment.
【技术实现步骤摘要】
一种形状自适应分类的特征点检测方法
本专利技术涉及形状自适应分类的人脸特征点检测方法,属于人脸识别领域。
技术介绍
人脸特征点定位技术是人类视觉系统的一个基础功能,它在人脸算法中扮演了重要的角色。不仅仅是因为他可以帮助我们加深对人类视觉系统的认知,同时它还具有巨大的商业潜力。在过去的十几年里,对于数字图像和视频中的人脸特征点定位方法有了极大的发展,尤其是在受控制的环境中。许多公开的和商业的人脸特征点定位算法已经获得很好的研究成果,并且广泛的使用在实际的应用方案中。例如视频监控,来访监控,信息取证,基于网络的社会关系网,人机交互,动画和3D建模。最近几年中,随着便携式摄像和视频设备的发展,人脸特征点定位算法的发展趋势开始转向非受控的环境中。为了能够使人脸特征点定位算法适应现有的图像拍摄环境,急需一种能够对非限制环境下人脸图片鲁棒的特征点定位算法。然而人脸特征点算法的发展面临极大的挑战。由于人脸表情的丰富变化,尤其是在非受控制的环境下,会出现大量不同的人脸姿势,表情,明暗度,和局部遮挡。以上这些情况对人脸特征点算法的精度都有着极大的影响。所以需要一种能够适用于多种环境,多表情,多姿态的人脸特征点算法,来提高现有算法的鲁棒性和效率。假设一个人脸形状包括Nfp个人脸特征点。当给出一个新的人脸图片后,算法非主要目标是预测出形状S,使得预测形状尽可能的接近真实形状等价于最小化以下公式:该算法误差公式通常被用于指导训练过程和评估最终的实验结果。但是在测试阶段,我们不能直接最小化该公式。因为在测试的时候真实形状是未知的。根据预测形状S所使用的方法,大多数的算法可以分为以下 ...
【技术保护点】
一种形状自适应分类的人脸特征点检测方法,其特征在于,包括如下步骤:(a)从训练集中随机选取一定比例的图片,对这些图片进行镜像处理,接着对以上对图像再进行随机角度的左右旋转,最终获得扩展的人脸特征点库;(b)使用PCA人脸姿态分类方法,将获得的训练集分为三类,其中使用训练人脸形状的标准差分为三个区间[‑∞,std],[‑std,std],[std,∞],从而将人脸形状分为三类,接着使用级联回归模型的训练方法,得到多视角模型结构;(c)重复(a)和(b)两个步骤三次,获得多视角集成模型结构;(d)通过摄像头获取检测人员的人脸图像样本,并组成测试集;(e)对人脸图像样本中人脸位置进行定位,并标注出人脸位置;(f)使用初始预测模型,定位出人脸特征点的初步位置,其中初始预测模型在训练过程中预先训练获得;(g)对初始的人脸特征点形状使用PCA人脸姿态分类方法进行分类,其中分类方法如下:将初始人脸形状进行标准化处理,再使用标准化后的标准差std组成三个区间[‑∞,std],[‑std,std],[std,∞],从而将人脸形状分为三类;(i)将步骤(g)分类后的人脸形状在第一个强回归器中获得新的人脸形 ...
【技术特征摘要】
1.一种形状自适应分类的人脸特征点检测方法,其特征在于,包括如下步骤:(a)从训练集中随机选取一定比例的图片,对这些图片进行镜像处理,接着对以上对图像再进行随机角度的左右旋转,最终获得扩展的人脸特征点库;(b)使用PCA人脸姿态分类方法,将获得的训练集分为三类,其中使用训练人脸形状的标准差分为三个区间[-∞,std],[-std,std],[std,∞],从而将人脸形状分为三类,接着使用级联回归模型的训练方法,得到多视角模型结构;(c)重复(a)和(b)两个步骤三次,获得多视角集成模型结构;(d)通过摄像头获取检测人员的人脸图像样本,并组成测试集;(e)对人脸图像样本中人脸位置进行定位,并标注出人脸位置;(f)使用初始预测模型,定位出人脸特征点的初步位置,其中初始预测模型在训练过程中预先训练获得;(g)对初始的人脸特征点形状使用PCA人脸姿态分类方法进行分类,其中分类方法如下:将初始人脸形状进行标准化处理,再使用标准化后的标准差std组成三个区间[-∞,std],[-std,std],[std,∞],从而将人脸形状分为三类;(i)将步骤(g)分类后的人脸形状在第一个强回归器中获得新的人脸形状更新,对该新人脸形状进行再一次分类,即使用动态人脸姿态分类方法对人脸姿态形状进行新的形状分类,在每个强回归器完成预测后,使用PCA人脸姿态分类方法对新的人脸特征点形状进行分类,其中强回归器由多个弱回归器组成,弱回归器通过随机蕨获得;(j)将上一步获得的人脸形状分类用于该步骤,将分类后的人脸姿态形状再放入与之对应的下一个强回归器进行进一步的预测计算,从而再次获得新的人脸形状更新;(k)重复第(i)和(j)步,直到所有的强回归器完成预测,所有的强回归器完成预测之后得到的是人脸特征点的精确坐标;(m)对多个测试结果求平均值,得到最终的预测结果。2.如权利要求1所述的形状自适应分类的人脸特征点检测方法,其特征在于,所述步骤(g)中,包括如下步骤:(g1)假设通过步骤f获得的初始人脸形状(xi,yi)代表...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。