一种人脸特征点定位方法及装置制造方法及图纸

本发明专利技术公开了一种人脸特征点定位方法及装置，包括如下步骤：采集人脸图像；对人脸图像进行关键点标记处理，得到标记关键点的初始形状，将所有标记初始形状的人脸图像作为训练集；利用训练集对预设的回归器训练，得到定位特征点的级联回归器；将待检测人脸图像输入至级联回归器，得到对应的人脸特征点位置标记。本发明专利技术提供了人脸检测中特征点的检测速度、消耗时间短、计算开销小、准确率高且稳定。

【技术实现步骤摘要】
一种人脸特征点定位方法及装置
本专利技术涉及图像识别
，具体涉及一种人脸特征点定位方法及装置。
技术介绍
人脸特征点定位的目的是在人脸检测的基础上，进一步非确定脸部特征点(研究、眉毛、鼻子、嘴巴、脸部外轮廓)的位置。通过人脸特征点定位技术可以为人脸识别、人脸姿态表情分析、人脸美化、以及人脸追踪等研究工作提供相应的基础数据，因而具有重要地位。人脸特征点定位包含5点、27点、68点、194点的定位方法，现有的定位194点人脸特征点的技术主要包括深度学习和级联回归模型。其中，深度学习模型很深的网络或者级联模型较多的结构对人脸特征点定位有很高的准确率，但是却需要较长的时间进行计算，速度慢；如果网络不深或者级联模型较少的情况下，速度虽然提升了，但性能却下降了，准确率低；而级联回归模型对初始化形状比较依赖，初始化形状对模型的精度会造成很大的影响，而且速度较慢，消耗时间长，计算开销大且准确率不稳定。
技术实现思路
本专利技术的目的在于提供人脸特征定位的性能，降低开销，提高定位速度科技准确率。为了解决上述目的，本专利技术提供了一种人脸特征点定位方法，包括如下步骤：采集人脸图像；对人脸图像进行关键点标记处理，得到标记关键点的初始形状，将所有标记初始形状的人脸图像作为训练集；利用训练集对预设的回归器训练，得到定位特征点的级联回归器；将待检测人脸图像输入至级联回归器，得到对应的人脸特征点位置标记。进一步，所述利用训练集对预设的回归器训练，得到级联回归器包括计算回归器预测的形状与所有人脸图像的初始形状的差值获取差值与回归器使损失函数极小化的值γ差的绝对值，得到似然最小值，根据似然最小值初始化回归器；利用与上一轮迭代的回归器的差值计算当前预测人脸图像的负梯度rik；拟合所有差值的近似值，根据近似值迭代更新回归器，得到级联回归器进一步，样本初始化按照下述公式进行:其中，表示的是原始的194点跟回归出来的点的差值，γ是使使损失函数极小化的常数。进一步，差值的计算公式为：是当前回归出来的点跟原始点的差值，表示的是上一轮迭代计算出来的γ值。进一步，迭代计算公式为：ν为常数，为线性近似值。进一步，级联回归器K的深度为6。本专利技术还提供了一种人脸特征点定位装置，包括获取模块，用于采集人脸图像；预处理模块，用于对人脸图像进行关键点标记处理，得到标记关键点的初始形状，将所有标记初始形状的人脸图像作为训练集；训练模块，用于利用训练集对预设的回归器训练，得到定位特征点的级联回归器；定位模块，用于将待检测人脸图像输入至级联回归器，得到对应的人脸特征点位置标记。在上述技术方案中，本专利技术采用深度为6的定位194点人脸特征点的梯度提升决策树模型，来实现定位194点人脸特征点，实时高效，速度快，准确率高，提高了人脸检测中特征点的检测速度、消耗时间短、计算开销小、准确率高且稳定，实时高精度地定位194点特征点。在一些场景中，需要实时高精度地定位人脸特征点，以便于后续的人脸识别等操作。附图说明为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。图1为本专利技术所述的人脸特征点定位方法的流程结构示意图；图2为本专利技术所述的人脸特征点定位方法中中得到级联回归器的流程示意图；图3为本专利技术所述的人脸特征点定位装置的框图结构示意图；图4为应用本专利技术所述的人脸特征点定位装置的处理结果示意图。具体实施方式为了使本领域的技术人员更好地理解本专利技术的技术方案，下面将结合附图对本专利技术作进一步的详细介绍。如图1所示，本专利技术提供了一种人脸特征点定位方法，包括如下步骤：S101、采集人脸图像；具体的，人脸图像作为训练样本用于训练回归器，进而得到级联回归器。人脸图像可以来源于人脸图像数据集(如helen数据集)，还可以来源于摄像设备采集的照片、视频等。以helen数据集为例，利用该数据集的2000张图片作为训练集，330张作为测试集，而且这些图片经过镜像变化可以得到2330张图片，所以最终的训练集是4000张图片，660张图片为测试集。S102、对人脸图像进行关键点标记处理，得到标记关键点的初始形状，将所有标记初始形状的人脸图像作为训练集；S103、利用训练集对预设的回归器训练，得到定位特征点的级联回归器；本专利技术利用的回归器是深度为6的梯度提升决策树模型。有了初始形状，初始形状都是一样的，分裂树时，采用的输入并非是当前形状，而是依据当前形状从该图片中提取出的特征。对于每一幅图像来说，初始形状虽然相同，但每一幅图片都不同，因此提取出的特征也就不同，使用像素差作为特征，依据特征来进行节点的分裂操作，直至到达树的叶子节点。当我们把N张图片都输入这第一棵树，自然每一张图片最终都会落入其中的一个叶子节点，比如第1张图片落入了第3个叶子节点，第2张图片落入了第1个叶子节点，第3张图片落入了第三个叶子节点等等。这样，每一个叶子节点中都会有图片落入，当然也可能没有，这无所谓。这时，我们就要计算残差，计算每一个图片的当前形状和真实形状的差值，之后，在同一个叶子节点中的所有图片的差值作平均，就是该叶子节点应当保存的残差。当所有叶子节点都保存了残差后，第一棵树也就构造完毕了。在构造第二棵树之前，我们要把每张图片的当前形状做一个更新，也就是要将当前形状更新成：当前形状+残差。对应到第一棵树，即是初始形状加上残差，这样每一张图片的当前形状就从初始形状变成了初始形状加残差，距离真实形状又更近了一步。之后再用同样的方法构建第二棵树，依据特征进行节点分裂，直到叶子节点。在叶子节点中计算每一张图片当前形状和真实形状的差，然后取平均，将这个平均值保存在该叶子节点中，作为残差。之后更新每一张图片的当前形状，即将叶子节点中保存的残差加上其当前形状，作为新的当前形状，然后就可以建立第三棵树了。直至建立足够的树为止，这时树的深度为6，可以最后的当前形状表示真实形状。本专利技术是通过梯度提升决策树，设计深度为6的树模型，在Helen数据集上进行训练，通过对每一个回归器的学习，级联回归器得到一个可以定位194点人脸特征点的模型，该模型能够对实际场景中的人脸图片实时高精度地定位194点人脸特征点。如图2所示，在步骤S103中，训练回归器的过程具体包括以下步骤：S1031、根据回归器预测的形状与所有人脸图像的初始形状的残差S1032、计算残差与回归器预测的增量γ差的绝对值，得到似然最小值，根据似然最小值初始化回归器；具体地，初始化回归器按照下述公式进行:其中，△Si(t)表示的是原始的194点跟回归出来的点的差值。按照该公式可知，指的是负梯度，γ表示的是什么？是预测的增量吗？γ是使回归出来的点跟原始的点尽可能接近的常数值，用来使损失函数极小化。具体地，差值的计算公式为：是当前回归出来的点跟原始点的差值，表示的是上一轮迭代计算出来的γ值。S1033、利用利用当前人脸图像的残差与初始化的回归器的差值；S1034、拟合所有差值的近似值，根据近似值迭代更新回归器，得到级联回归器具体地，级联回归器的迭代计算公式为：ν为常数，为线性近似值。进一步，级联回归器的深度为6。经实验证明，深度为6的级联本文档来自技高网...

【技术保护点】
一种人脸特征点定位方法，其特征在于，包括如下步骤：采集人脸图像；对人脸图像进行关键点标记处理，得到标记关键点的初始形状，将所有标记初始形状的人脸图像作为训练集；利用训练集对预设的回归器训练，得到定位特征点的级联回归器；将待检测人脸图像输入至级联回归器，得到对应的人脸特征点位置标记。

【技术特征摘要】
1.一种人脸特征点定位方法，其特征在于，包括如下步骤：采集人脸图像；对人脸图像进行关键点标记处理，得到标记关键点的初始形状，将所有标记初始形状的人脸图像作为训练集；利用训练集对预设的回归器训练，得到定位特征点的级联回归器；将待检测人脸图像输入至级联回归器，得到对应的人脸特征点位置标记。2.根据权利要求1所述的人脸特征点定位方法，其特征在于，所述利用训练集对预设的回归器训练，得到级联回归器包括计算回归器预测的形状与所有人脸图像的初始形状的差值获取差值与回归器使损失函数极小化的值γ差的绝对值，得到似然最小值，根据似然最小值初始化回归器；利用与上一轮迭代的回归器的差值计算当前预测人脸图像的负梯度rik；拟合所有差值的近似值，根据近似值迭代更新回归器，得到级联回归器3.根据权利要求1所述的人脸特征点定位方法，其特征在于，回归器初始化按照下述公式进行:其中，表示的是原始的194点跟回归出来的...

【专利技术属性】
技术研发人员：刘一胶，董远，白洪亮，
申请(专利权)人：北京飞搜科技有限公司，
类型：发明
国别省市：北京,11