[发明专利]一种基于人脸识别特征点定位的图像融合方法及系统

说明书

技术领域

本发明涉及人脸识别技术领域，特别是涉及一种人脸识别特征点定位方法及系统。

背景技术

人脸图像变脸是一种图像融合技术，可以满足人们的一些娱乐化需求。目前，在人脸图像融合过程中，一般方法均采用手动方式，利用诸如Photoshop等图像处理软件通过手工操作的方式获得人脸特征信息并且对其进行融合拼接，得到变脸的效果，不能满足用户的需求。

图像融合过程中必不可少的一个步骤是人脸识别。人脸识别是近年来随着计算机视觉、模式识别、神经网络和人工智能等技术的快速发展而出现的一种新的生物特征识别技术，人脸识别具有简便、准确、经济及可扩展性良好等众多优势，有着十分广泛的应用前景。人脸识别可应用于诸多领域，如安全验证、监控、门禁系统、公安系统及人机交互等多个方面。

然而，在人脸识别的过程中，人脸特征点定位是一个极其关键的步骤。人脸特征点定位为人脸图像的处理与分析提供了重要的几何信息，通过计算机在一幅人脸图像中自动地定位出人脸各个器官的准确位置以及人脸外轮廓等。

而特征点定位是人脸识别技术中的不可缺少的预处理环节，定位的准确与否直接关系到后续工作的可靠性。人脸特征定位可以为人脸识别、人脸验证、人脸跟踪、姿态表情分析等研究工作提供相应的基础数据，而且这些研究在人脸识别、人脸姿态表情分析、人脸合成、人脸动画、及基于模型的人脸图像编码中有着重要的应用。

近年来，国内外学者们已经提出了许多种检测人脸特征点和特征部位的方法，根据检测所依据的基本信息的类型，现有的人脸特征点检测的方法可以大致分为以下6类：(1)基于灰度信息的方法；(2)基于先验规则的方法；(3)基于几何形状的方法；(4)基于统计模型的方法；(5)基于小波的方法；(6)3D方法。总体来说，基于灰度信息的方法是一种基于灰度信息的有效提取图像特征的方法，但当姿态变化较大或者背景较复杂时容易失效；基于先验规则的方法准确率较低，对图像质量要求高，受表情姿态光照影响大；基于几何形状的方法虽然也对图像质量要求高，受表情姿态光照影响大；基于统计模型和小波的方法的共同优点是对图像质量要求低，受表情姿态光照影响小，而且准确率高，但对样本的训练等方面也使得运算量大大提高，但该类方法是特征点定位方法的发展趋势和方向；3D方法是在处理视频序列中的人脸特征点定位方法，还不太成熟，有待进一步深入研究。

发明内容

为克服上述现有技术存在的不足，本发明之目的在于提供一种人脸识别特征点定位方法及系统，以快速检测人脸并分析出人脸关键部位的多个特征点，确定一幅图像中人脸的位置及关键特征，从而可以抓取出人脸的关键特征部位并融合到新的人脸图像上去。

为达上述及其它目的，本发明提出一种基于人脸特征点定位的图像融合方法，包括:

步骤一，对第一人脸图像与第二人脸图像进行人脸检测，获取人脸图像的人脸区域；

步骤二，获取人脸区域的点坐标，对所述人脸区域进行关键点检测，得到所述人脸区域的关键特征点位置；

步骤三，依据获取的人脸关键特征点位置对人脸图像进行人脸对齐；

步骤四，将对齐的人脸图像输入到预先建立的训练模型中进行特征识别，获得人脸图像的关键点特征信息；

步骤五，根据第一人脸图像和第二人脸图像的关键点位置对两个图像进行归一化处理，以保证其位置与大小在同一尺度下；

步骤六，将处理后的第一人脸图像的关键点位置的特征根据需要融合至第二人脸图像的关键点位置。

进一步地，于步骤六之前，还包括如下步骤：

获取第二人脸图像的人脸区域的颜色均值，根据该颜色均值调整第一人脸图像人脸区域的颜色。

进一步地，于步骤一之前，还包括如下步骤：

对数据库中的多副人脸图像进行训练，提取出人脸的特征和标签，获得训练模型。

进一步地，所述对数据库中的多副人脸图像进行训练，提取出人脸的特征和标签，获得训练模型步骤具体包括：

步骤S1，对图像进行预处理；

步骤S2,对各图像进行人脸检测，获得人脸区域；

步骤S3，获取人脸区域的点坐标，对人脸进行定位；

步骤S4，对人脸关键点进行标记；

步骤S5，对人脸进行对齐，并将对齐的每张人脸图像进行归一化处理；

步骤S6，为每个面部关键点学习判别特征表示，训练样本，获得训练模型。

进一步地，于步骤三中，在对人脸图像进行人脸对齐后，还对对齐后的人脸图像进行归一化处理。