[发明专利]一种基于人脸朝向分类的人脸特征点初始化方法

权利要求书

1.一种基于人脸朝向分类的人脸特征点初始化方法，其特征在于包括：

步骤1：根据人脸朝向的角度，将人脸朝向在-30°～+30°分为正脸朝向，+30°～+60°分为右脸朝向，-30°～-60°分为左脸朝向，其中-代表偏左的旋转角度，+代表偏右的旋转角度；同时，将正脸的标签定为1，右脸的标签定为2，左脸的标签定为3；

步骤2：训练得到人脸朝向分类器模型，具体步骤如下：

2.1)对训练样本中的每一张人脸图像提取HOG特征并利用PCA降维，具体步骤如下：

a)计算梯度幅值和方向；

梯度的计算采用的是积分模板对人脸图像I(x,y)进行卷积，见式(1)、(2)，得到幅值G(x,y)，方向θ(x,y)，x，y表示图像矩阵的下标；

b)计算细胞单元的方向梯度直方图；

将人脸图像平均分割成10×10的像素细胞单元，将梯度方向(0-179)等分为9个区间，接下来根据求得的像素点梯度值对该细胞单元中所有的像素点对应的梯度值进行加权累加，统计得到其梯度方向直方图；

c)合并细胞单元

通常为了更好地描述图像的梯度特征，需要将细胞单元组成更大的一个区间，称为区间块；取相邻四个细胞单元组成一个块，其大小为20×20；由于每个细胞单元由9维向量组成，因此，每个块中特征向量有9×4＝36维；

d)组合区间块向量，得到HOG特征

在具体的实现过程中，通常还需要用滑动窗口在图像上对区间块进行采样，选取的窗口大小为40×40，窗口的滑动步长为40，区间块在窗口中的滑动步长为10；每个块在窗口里滑动次数为那么窗口在人脸图像中滑动次数为所以最后得到的人脸HOG特征为36×12×30＝12960维；同样，需要对提取得到的HOG特征进行PCA降维，得到400维；

2.2)构建随机森林决策树，主要分为三个步骤

a)随机抽样生成训练子集

在训练阶段，首先需要从不同人脸朝向的图像训练数据集D中采用bagging采样的方法随机抽出N个训练子集，每个训练子集而后用于生成一棵决策树；每一次抽样都是随机且有放回的，每个训练子集的大小可取总样本集的二分之一或三分之二，这样可以保证每个训练子集里的样本存在一定的差异性，从而提高最后决策的泛化能力，本文抽样子集取二分之一；

b)构建决策树

当通过bagging采样得到训练子数据集后，需要为每个训练子数据集分别构建成一棵决策树，从而组成森林；由于随机森林的随机性防止了过拟合，因此在树的生成过程中不需要剪枝；在节点分裂的过程中，决策树的当前节点特征m是从训练子数据集中的M维特征中随机选取，mM，每一个节点的分裂准则是基于基尼系数的选择方法，即通过比较基尼系数与设定的阀值来决定分裂的方向；这样选出最优的属性特征，作为该节点的分裂属性；最后通过分裂函数将节点分裂成左右子树，直到不再分裂为止；由于基于基尼系数的分裂方法不仅可以处理离散数据，还可以处理连续数据，增强了决策树的鲁棒性；如式(3)所示：

其中p_i为当前样本属于分类i的概率，分类总的类别为n，C为样本集；接着根据所选择的特征作为当前节点的属性，把训练样本分裂为左右两个子树中，设为C_L和C_R，L代表左边方向，R代表右边方向，分别计算其基尼系数大小，如式(4)，选取基尼系数最小的样本划分特征作为当前节点的属性；

其中，i表示取左或者取右，C_i表示左子集或者右子集；

C)投票决策

在重复执行步骤1和2后就可以得到N个决策树，由其构成的决策森林用于新的人脸测试集的决策；当输入新的人脸测试样本后，决策树对输入的数据进行投票决策得到样本的朝向分类结果；

步骤3：将输入的人脸图像提取HOG特征并降维后送到分类器中，决策树对输入的数据进行投票决策得到样本的朝向分类结果，然后用相同朝向训练子集的特征点均值初始化该人脸图像。