[发明专利]人脸姿态参数获取方法及装置

说明书

技术领域

本发明实施例涉及图像识别技术领域，尤其是一种人脸姿态参数获取方法及装置。

背景技术

人脸姿态估计就是对二维图像中的人脸在三维空间中所处的姿态进行估计。人脸姿态估计包括三个方向上的人脸姿态旋转信息，其中，绕二维图像的纸面法向轴的旋转与人脸平面平行，称为平面内旋转；而绕二维图像的另两个方向轴的旋转称作平面外旋转。平面内旋转的角度可以由位于人脸上方的关于眼睛的特征点的坐标计算得到，而平面外旋转包含了人脸的摇摆和俯仰两个方向上的旋转。现有技术中，基于人脸跟踪的人脸姿态估计方法能够比较稳定地反映人脸的姿态变化，但基于人脸跟踪的框架限定了用户的姿态变化不能太快，同时需要人脸上的特征点可见，从而限制了姿态估计的范围。

现有的人脸姿态估计方法分为两类：一、人脸姿态参数的粗略估计，包括：利用人脸的纹理估计人脸姿态参数；利用人脸的形状估计人脸姿态参数；将人脸的纹理和形状相结合估计人脸姿态参数；二、人脸姿态参数的高精度估计，通过主动表观模型(Active Appearance Model，简称：AAM)计算相应的人脸姿态参数，但该方法适用于人脸处于正面以及偏正面姿态时的情形，并且为使人脸上的特征点可见，人脸姿态的偏转角度受到限制。

下面是现有技术中获取人脸姿态参数的计算过程：

建立3维(3D)人脸参考模型，通过对3D人脸数据库中的人脸样本进行标定获取3D特征点。

假设3D人脸参考模型X中的人脸样本有n(n为整数)个3D特征点，3D特征点可表示为对二维输入图像通过AAM配准提取出二维特征点x，二维特征点具体表示为：二维输入图像中的n个二维特征点与3D人脸参考模型中的n个3D特征点相对应。

若最优化目标函数为f(c)＝||P(R(c)X+t(c))-x||²，P为3D人脸参考模型中人脸样本的3D特征点到二维投影图像的投影变换，R(c)为3D特征点旋转投影到二维图像的旋转矩阵，可表示成z、x、y三个坐标方向的旋转矩阵的乘积R(c)＝R_z(r_z)R_x(r_x)R_y(r_y)，R_z、R_x、R_y分别表示绕z、x、y三个坐标方向的旋转矩阵，r_z表示绕z轴的旋转角度，r_x表示绕x轴的旋转角度，r_y表示绕y轴的旋转角度；t(c)为平移向量，具体可以表示为t(c)＝(t_x t_y t_z)^T。

上述f(c)＝||P(R(c)X+t(c))-x||²的物理意义具体为：将3D人脸参考模型的3D特征点经旋转投影后得到3D特征点所对应的二维的投影特征点，将投影特征点经过平移后逼近二维输入图像中的人脸的二维特征点，进一步得到二维图像中的人脸姿态参数。较佳地，若f(c)取最小值时，表示3D特征点的投影特征点与二维输入图像中的二维特征点的偏差的绝对值最小，此时人脸样本的人脸姿态参数c＝(r_x r_y r_z t_x t_y t_z)可作为二维输入图像中的人脸姿态参数。

由于f(c)＝||P(R(c)X+t(c))-x||²为非线性最小二乘的目标函数，在求解f(c)时，需设置f(c)中所有未知变量的初始值，现有技术仅针对正面人脸图像将初始值设置为0，再调用列文伯格-马奎特(Levenberg-Marquardt，简称：LM)方法得到f(c)的最小值。

发明人在实施本发明的过程中发现：由于f(c)＝||P(R(c)X+t(c))-x||²为非线性最小二乘的目标函数，在使f(c)取得最小值时，需要采用线性近似的方法，而线性近似的方法计算得到的使f(c)取得极小值时的c值与f(c)中c的初始值的选取密切相关，但现有技术并没有较好的方法选取较优的初始值使最优化的目标函数取得最小值，从而降低了二维输入图像中的人脸姿态参数的精度。

发明内容

本发明实施例的目的在于提供一种人脸姿态参数获取方法及装置，提高获取到的人脸姿态参数的精度。

本发明实施例提供了一种人脸姿态参数获取方法，包括：