[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

说明书

本发明公开了一种基于人脸朝向分类的人脸特征点初始化方法，属于图像处理和计算机视觉领域。该方法的实现过程为：首先对每一张新输入的人脸图像，提取其HOG特征，通过随机森林的决策树投票得到其朝向分类标签，不同的朝向选取对应训练子集特征点的均值作为其初始化值。由于在同一类朝向下人脸特征点位置分布趋势差异不大，但是在类别不同的人脸朝向下特征点位置分布趋势有很明显的变化，因此采用与输入人脸图像相同朝向的特征点均值来初始化的方法可以降低人脸朝向的变化对特征点初始化的影响，从而提高人脸特征点初始化的准确率。

技术领域

本发明属于图像处理和计算机视觉领域，具体是一种基于人脸朝向分类的人脸特征点初始化方法。

背景技术

人脸特征点检测是一种自动人脸标定算法，其研究目的在于通过对人脸图像进行分析，获取一组预先定义好的足以描述人脸形状结构的特征点位置信息。作为计算机视觉领域内的一项基础研究，人脸特征点检测有着重要的研究意义和应用前景。对许多人脸图像相关的算法，如人脸识别、表情识别、性别识别、年龄识别、人脸动画、视频压缩等，人脸特征点检测往往是其必须的环节。

传统的人脸特征点检测算法主要包括主动形状模型、主动外观模型等。然而，这些方法在实际应用中对特征点的初始化结果都较为敏感。如果特征点初始化结果与真实位置差异过大，会影响后续的特征点检测精度。常规的人脸特征点初始化方法通常只针对正脸，无法处理姿势变化的情况。而在人脸多姿态变化的场景下，由于不同姿态的人脸图像人脸特征点分布差异很大，选择不同的姿态作为检测的初始值，会导致人脸特征点检测出现不同的偏差。根据不同的特征点检测模型，采用初始化的方法也不一样，其中主要有随机初始化、基于统计学习的初始化、渐进式回归初始化这三种。

随机初始化的思路是，不需要对输入的人脸图像进行区别处理，而是采用统一的多次随机取均值的方式，其本质上是通过取多次随机求均值降低总体随机误差。在人脸特征点检测的过程中，通过多次随机选取训练样本中不同的初始形状，进行多次重启人脸回归模型，取多次回归的结果均值作为最终的定位结果。基于统计学习的初始化方法是通过概率统计的方式代替随机抽取的方式，利用先验知识对人脸一些显著的特征点进行估计，如眼睛、嘴巴等关键位置，而后用于初始化。渐进式回归初始化的思路是由于人脸不同部位特征点分布不同，其对应检测的难度也不一样，因此不同部位的特征点对初始化的依赖也各不一样。在初始化的过程中，渐进式初始化将初始化分为三个不同的初始化过程，特征点检测的难度从易到难。造成算法复杂度较高。可见，随机初始化的算法简单、快速，但由于不同姿态下的训练样本的特征点分布差异性很大，导致随机初始化在人脸姿态变化的情况下不能保证初始化的有效性。而基于统计学习的方法对特征的选取十分依赖，渐进式回归的初始化效率不高。

因此，需要提出一种高效可靠的人脸特征点初始化方法，以增强人脸特征点检测算法的鲁棒性。

发明内容

本发明的目的是解决人脸特征点检测算法对特征点初始化结果敏感的问题。通过设计一种人脸特征点初始化算法，确定输入人脸图像的特征点初始位置，以提高后续人脸特征点检测的精度。本发明通过如下技术方案实现。

一种基于人脸朝向分类的人脸特征点初始化方法，该方法包括分类器建立方法和人脸特征点初始化方法两个部分：分类器建立方法为根据人脸朝向的不同，将训练样本划分为多类，同时得到人脸特征点概率分布模型；然后对训练样本中的所有人脸图像分别提取其特征并降维；最后由随机森林分类器进行训练，得到人脸朝向分类器模型；

人脸特征点初始化方法为对输入的人脸图像，提取能显示脸部形态变化的特征并降维，通过随机森林的决策树投票得到其朝向分类标签，然后从人脸特征点概率分布模型中选择具有相同朝向的特征点分布作为该人脸图像的特征点初始化的结果。