[发明专利]一种特征点定位方法和装置

说明书

本申请公开了一种关键点定位方法，包括：提取待检测图像的非线性特征；根据训练得到的回归因子矩阵与所述非线性特征，对形状系数进行迭代更新；根据更新后的形状系数与训练得到的统计形状模型，检测所述待检测图像的关键点位置。本申请还公开了一种关键点定位装置。应用本申请公开的技术方案，能够快速准确地定位出图像中关键点的位置信息，为后续的处理提供依据。

技术领域

本申请涉及计算机视觉技术领域，特别涉及一种特征点定位方法和装置。

背景技术

人脸关键点定位是计算机视觉领域一个经典的问题，到现在已经有20多年的研究历史。由于人脸姿态、表情、光照等各种不确定因素的影响，人脸关键点定位问题一直是一个比较难的问题。比较经典的人脸关键点定位算法有ASM(Active Shape Model，主动形状模型)、AAM(Active Appearance Model，主动表观模型)、CLM(Constrained Local Model，受限局部模型)等算法。其中：

ASM算法需要离线学习一个形状模型，在线定位时在形状轮廓线法线方向进行关键点位置的搜索，最后利用形状模型对所有关键点进行约束更新。ASM算法的收敛域比较大，直接和轮廓线法线搜索范围相关。但ASM算法的缺点是不稳定，不够鲁棒，容易出错。

AAM算法在ASM的基础上增加了统计纹理模型，在线定位时通过更新形状和表观模型系数，使得当前位置下的图像能很好地被纹理模型所解释，也就是说使纹理误差达到局部最小值。这个方法虽然比较直观，但有一个很强的假设是，纹理误差最小的时候，关键点定位最准确。然而，实际的人脸图像是很复杂的，导致这个假设在很多时候不成立。

CLM算法则是把AAM中的纹理模型引入到ASM中，从而在单点搜索时不再只用法线方向上的像素作为依据，而是用关键点周围一个小块区域(patch)的信息进行搜索，其鲁棒性相比ASM有了很大的提高。然而，早期的CLM纹理信息大多直接用的灰度信息，对光照不够鲁棒。

最近，人脸关键点定位技术得到了很大的发展。很多机器学习的方法和非线性特征描述子被用于关键点定位。下面对与本申请比较相关的几个方法进行简要介绍。

“Supervised Descent Method and its Applications to Face Alignment”,CVPR2013，所提出的SDM(Supervised descent method，监督下降方法)方法采用SIFT(Scale-invariant feature transform，尺度不变特征变换)描述子对每个关键点周围一定大小的patch进行描述，然后利用线性回归的方式从SIFT特征回归出特征点位置的偏移量。通过多次迭代的方式最终得到比较精确的关键点坐标位置。该方法直接对关键点x、y坐标偏移量进行回归，当需要定位的关键点数目比较多时，回归因子矩阵也会比较大，运算时间也比较多。

“Coarse-to-Fine Auto-encoder Networks(CFAN)for Real-time FaceAlignment”,ECCV2014，提出的CFAN(Coarse-to-Fine Auto-encoder Networks，由粗到精自编码网络)方法从以下几个方面对SDM方法进行了改进：1)初始值的确定不是简单地用平均形状，而是通过一个Global SAN(stacked auto-encoder network，堆叠式自编码网络)直接预测得到；2)采用由粗到精多个SAN进行非线性回归。由于使用了堆叠式自编码深度网络，其关键点定位精度要高于原始的采用线性回归的SDM算法。该方法所用特征和原始的SDM一致，也是SIFT特征，回归量也是关键点x、y坐标偏移量。该方法主要是用非线性的堆叠式自编码深度网络替换原先的线性回归矩阵，同时改进了初始化方法。CFAN算法所生成的模型文件很大，通常在200M以上，运行时间也比原始的SDM多。