[发明专利]一种确定特征点的方法和设备

说明书

本发明公开了一种确定特征点的方法和设备，用以解决现有技术中特征点定位的方法获取特征点的准确率比较低的问题。本发明在目标图像的区域内随机选取特征点，特征点的采样点之间的归一化像素差作为特征点的索引特征，利用每个区域对应的统一索引特征，得到目标人脸图像的索引特征到人脸形状的线性投影。由于本发明实施例中在局部人脸图像内，利用选取的特征点对应的采样点之间的归一化像素差作为所述特征点的索引特征，并根据人脸图像内所有的区域内的对应的统一索引特征，得到目标人脸图像的索引特征到人脸形状的线性投影，能够更快、更准确的确定特征点，并且具有更强的稳定性以及鲁棒性，可以有效的减少噪声的干扰。

技术领域

本发明涉及人脸识别技术领域，特别涉及一种确定特征点的方法和设备。

背景技术

人脸特征点定位在多媒体和计算机视觉中，都有着广泛的应用，比如人脸识别，表情分析，年龄分析等。人脸特征点定位就是提取人脸关键的特征点，如眼角，鼻孔和嘴角轮廓等。但是特征点提取时经常会受到外界因素如光照，遮挡，姿态和视角变化的影响。

目前常用的特征点定位方法为级联形状回归方法，该方法通过分析人脸的灰度特征，包括SIFT(Scale-invariant feature transform，尺度不变特征变换),Haar(Haar-like features，小波基函数)和HOG(Histogram of Oriented Gradient,方向梯度直方图)等特征，建立灰度特征与形状的回归映射关系，级联的回归人脸形状。由于人脸全局灰度特征对姿态发生变化比较敏感，因此在级联形状回归的特征点定位方法中，通常采用局部区域特征定位方法，但是局部区域特征定位方法比较依赖于提取的SIFT、Haar等特征描述子，对特征点的描述性不强。

综上所述，现有技术中特征点定位的方法获取特征点的准确率比较低。

发明内容

本发明提供一种确定特征点的方法和设备，用以解决现有技术中特征点定位的方法获取特征点的准确率比较低的问题。

本发明实施例提供一种确定特征点的方法，该方法包括：

将目标人脸图像划分为多个区域；针对任意一个区域，在所述区域内随机选取M个特征点，以及在每个特征点周围选取N个采样点；针对任意一个特征点，将所述特征点对应的采样点之间的归一化像素差作为所述特征点的索引特征；将所述特征点的索引特征输入到所述特征点对应的标准随机森林，将标准随机森林输出的索引特征作为所述特征点的标准索引特征；根据所述区域内的所有特征点的标准索引特征，确定所述区域对应的统一索引特征；利用每个区域对应的统一索引特征，得到目标人脸图像的索引特征到人脸形状的线性投影。

可选的，所述特征点对应的标准随机森林中的分裂数据是所述特征点对应的N个采样点的归一化像素差的方差；所述标准随机森林的分裂节点是所述特征点的索引特征；所述标准随机森林的分裂阈值是所述特征点的最大归一化像素与最小归一化像素之间的数值。

可选的，所述分裂节点的阈值利用贪婪算法确定。

可选的，所述根据所述区域内的所有特征点的标准索引特征，确定所述区域对应的统一索引特征，包括：

根据所述区域内的所有特征点的标准索引特征和所述区域的目标特征，利用误差形状最小化公式确定所述区域对应的统一索引特征。

可选的，所述利用每个区域对应的统一索引特征，得到目标人脸图像的索引特征到人脸形状的线性投影，包括：

将每个区域对应的统一索引特征串联，得到目标人脸图像特征点的索引特征向量；将所述目标人脸图像特征点的索引特征向量带入级联回归方程，得到所述目标人脸图像特征点的索引特征向量到形状的回归映射关系；对所述回归映射关系进行联合学习，得到所述目标人脸图像的索引特征到人脸形状的线性投影。