一种复杂人脸姿态的特征点重建方法技术

本发明专利技术公开了一种复杂人脸姿态的特征点重建方法，包括，获取原始遮挡人脸的图像集标记特征点，进行人脸姿态判断；提取训练样本集上每张图片的梯度直方图特征，形成特征集合；利用多初始化方式提取大量图像样本特征对稀疏矩阵进行学习，得到多姿态特征映射参数；输入人脸图像进行目标检测，提取梯度直方图特征进行参数计算，重建人脸特征。本发明专利技术适用于50％以内面部遮挡的问题，在监控摄像头下，一些眼部、嘴部等关键部位的遮挡出现频率较高，人脸遮挡是较为普遍的一个问题，该方法在安防监控、智能家居等摄像头环境中具备较大的应用价值。价值。价值。

【技术实现步骤摘要】
一种复杂人脸姿态的特征点重建方法


[0001]本专利技术涉及人脸识别的
，尤其涉及一种复杂人脸姿态的特征点重建方法。

技术介绍

[0002]人脸识别作为人工智能技术快速发展的典型代表，目前在治安、交通、电商等科技领域得到了广泛的应用，诸如人脸搜索、人脸快速通行过闸、刷脸支付等等。在光照、拍摄角度良好情况下，人脸识别算法可以取得非常不错的效果，但在真实的场景中，往往出现光照不足、人脸存在遮挡的情况，人脸拍摄的角度也会对识别的结果造成一定的干扰，对于支付系统而言，识别失败将导致电商交易不成功，降低用户体验；对于闸机识别系统而言，识别错误可能导致通行效率下降；而对于罪犯识别系统而言，识别率不高可能造成犯罪分子逍遥法外。
[0003]在人脸识别算法应用过程中,尤其在监控摄像头下，人脸遮挡是较为普遍的一个问题，一些眼部、嘴部等关键部位的遮挡出现频率较高。针对此类问题目前国内外已有针对戴口罩、墨镜等小范围遮挡的特征点重建方法，而对于诸如侧脸、仰视、俯视等复杂姿态的特征点重建的方法少之又少。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述现有存在的问题，提出了本专利技术。
[0006]因此，本专利技术解决的技术问题是：能够应对复杂人脸姿态在一定程度遮挡的人脸特征点重建问题。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：包括，获取原始遮挡人脸的图像集标记特征点，进行人脸姿态判断；提取训练样本集上每张图片的梯度直方图特征，形成特征集合；利用多初始化方式提取大量图像样本特征对稀疏矩阵进行学习，得到多姿态特征映射参数；输入人脸图像进行目标检测，提取梯度直方图特征进行参数计算，重建人脸特征。
[0008]作为本专利技术所述的复杂人脸姿态的特征点重建方法的一种优选方案，其中：所述图像集包括，侧脸、仰视、俯视图像集。
[0009]作为本专利技术所述的复杂人脸姿态的特征点重建方法的一种优选方案，其中：所述特征点标记包括，对输入的人脸图像进行标注，标注区域分为正常区域和补充区域；若无遮挡或偏转情况，所述补充区域为空，直接利用标注点对特征点提取；若存在遮挡或偏转情况，采用Criminisi算法从图像已知区域中寻找最优匹配块填补，对填补后的人脸利用标注点提取特征点。
[0010]作为本专利技术所述的复杂人脸姿态的特征点重建方法的一种优选方案，其中：所述人脸姿态判断包括，当|l1‑
θ1|>0时，即为偏转姿态；当|l2‑
θ2|＜0时，即为仰视姿态；当|l3‑
θ3|>0时，即为俯视姿态；其中，d1为人脸中心垂线与左眼中心垂线的距离，d2为人脸中心垂线与右眼中心垂线的距离，两眼连线与人脸中心垂线的交点记为C，d3为人脸边界中心与C点的距离，d4为人脸边界中心与嘴部中心点的距离，记分别设置偏转姿态阈值θ1、仰视姿态阈值θ2、俯视姿态阈值θ3。
[0011]作为本专利技术所述的复杂人脸姿态的特征点重建方法的一种优选方案，其中：包括，人工标记的准确特征点位置周围对应每张图片提取梯度直方图特征ρ
ij
，并形成特征集合S,其中，S＝{S1、S2、S3}，S1、S2、S3分别为侧脸、仰视、俯视人脸的梯度直方图特征集合。
[0012]作为本专利技术所述的复杂人脸姿态的特征点重建方法的一种优选方案，其中：于：对所述稀疏矩阵进行学习包括，使学习到的稀疏矩阵可对不完整的图像样本进行校正，通过最小化特征稀疏重建误差来获得矩阵D：
[0013][0014]s.t.‖D
i
‖0≤T
[0015]其中，M为库内局部提取到的人脸特征集合，初始化的次数记为N，δ表示人脸轮廓特征点边界上的纹理特征的稀疏系数，这里稀疏矩阵按列排列，且矩阵列数要大于特征维度，T是系数向量中非零值的个数即稀疏度,使用OMP方法求解,从矩阵D中抽取S
i
所对应的3组不同的特征点索引来提取D的子集行来分别构建矩阵D1、D2、D3。
[0016]作为本专利技术所述的复杂人脸姿态的特征点重建方法的一种优选方案，其中：还包括，针对人脸特征离线学习的轮廓矩阵D1、D2、D3，学习第i种姿态的特征映射参数γ
i
,其学习表达式为:
[0017][0018]s.t.‖γ
i
‖0≤β
i
[0019]其中，即D
i
表示第i种姿态的轮廓矩阵，β
i
是系数向量中非零值的个数即稀疏度，同样使用OMP方法求解。
[0020]作为本专利技术所述的复杂人脸姿态的特征点重建方法的一种优选方案，其中：所述重建人脸特征包括，求得确定图像为第i种人脸姿态，从而获得对应姿态的轮廓子集矩阵D
i
、获取特征映射参数γ
i
；
[0021]代入第i种姿态的轮廓稀疏系数γ
i
，通过以下公式重建完整的人脸特征：
[0022]ρ
′
＝ρD
i
γ
i
。
[0023]本专利技术的有益效果：本专利技术适用于50％以内面部遮挡的问题，在监控摄像头下，一些眼部、嘴部等关键部位的遮挡出现频率较高，人脸遮挡是较为普遍的一个问题，该方法在安防监控、智能家居等摄像头环境中具备较大的应用价值。
附图说明
[0024]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述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的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0025]图1为本专利技术一个实施例所述的复杂人脸姿态的特征点重建方法的参数学习阶段流程示意图；
[0026]图2为本专利技术一个实施例所述的复杂人脸姿态的特征点重建方法的特征重建及姿态判断阶段流程示意图。
具体实施方式
[0027]为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本专利技术的具体实施方式做详细的说明，显然所描述的实施例是本专利技术的一部分实施例，而不是全部实施例。基于本专利技术中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本专利技术的保护的范围。
[0028]在下面的描述中阐述了很多具体细节以便于充分理解本专利技术，但是本专利技术还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本专利技术内涵的情况下做类似推广，因此本专利技术不受下面公开的具体实施例的限制。
[0029]其次，此处所称的“一个实施例”或“实施例”是指可包含于本专利技术至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种复杂人脸姿态的特征点重建方法，其特征在于：包括，获取原始遮挡人脸的图像集标记特征点，进行人脸姿态判断；提取训练样本集上每张图片的梯度直方图特征，形成特征集合；利用多初始化方式提取大量图像样本特征对稀疏矩阵进行学习，得到多姿态特征映射参数；输入人脸图像进行目标检测，提取梯度直方图特征进行参数计算，重建人脸特征。2.根据权利要求1所述的复杂人脸姿态的特征点重建方法，其特征在于：所述图像集包括，侧脸、仰视、俯视图像集。3.根据权利要求1或2所述的复杂人脸姿态的特征点重建方法，其特征在于：所述特征点标记包括，对输入的人脸图像进行标注，标注区域分为正常区域和补充区域；若无遮挡或偏转情况，所述补充区域为空，直接利用标注点对特征点提取；若存在遮挡或偏转情况，采用Criminisi算法从图像已知区域中寻找最优匹配块填补，对填补后的人脸利用标注点提取特征点。4.根据权利要求3所述的复杂人脸姿态的特征点重建方法，其特征在于：所述人脸姿态判断包括，当|l1‑
θ1|>0时，即为偏转姿态；当|l2‑
θ2|＜0时，即为仰视姿态；当|l3‑
θ3|>0时，即为俯视姿态；其中，d1为人脸中心垂线与左眼中心垂线的距离，d2为人脸中心垂线与右眼中心垂线的距离，两眼连线与人脸中心垂线的交点记为C，d3为人脸边界中心与C点的距离，d4为人脸边界中心与嘴部中心点的距离，记分别设置偏转姿态阈值θ1、仰视姿态阈值θ2、俯视姿态阈值θ3。5.根据权利要求4所述的复杂人脸姿态的特征点重建方法，其特征在于：包括，人工标记的准确特征点位置周围对应每张图片提取梯度直方图特征ρ
ij
，并形成特征集合S,其中，S＝{S1、S2、S3}，S1、S2...

【专利技术属性】
技术研发人员：林静，卢会春，尉锦龙，吕晓敏，
申请(专利权)人：杭州天翼智慧城市科技有限公司，
类型：发明
国别省市：