[发明专利]颅骨模型特征点自动标定方法

说明书

本发明公开的颅骨模型特征点自动标定方法，涉及图像处理技术领域，利用尺度不变特征变换SIFT算法对二维深度图像进行计算，得到参考颅骨模型的初始特征点集，利用尺度不变特征变换SIFT算法对二维深度图像进行计算，得到参考颅骨模型的初始特征点集，利用E2LSH算法，对候选特征点集进行过滤，生成目标特征点集并将目标特征点集映射至待复原颅骨模型上，实现颅骨模型特征点的自动标定，提高了特征点自动标定的效率及准确度。

技术领域

本发明涉及图像处理技术领域，具体涉及一种颅骨模型特征点自动标定方法。

背景技术

颅骨模型特征点标定是颅骨复原、计算机虚拟现实、模式识别等许多科学研究领域中的难点问题，也是颅骨复原等人脸形态计算机辅助处理中的重要基础，由于人的颅骨和面部结构非常复杂，因此，特征点代表性的强弱直接关系到计算机对人脸模型的理解、识别以及颅骨复原等一些后续处理结果的好坏，这就要求这些特征点既能够反映人脸肌肉的组织结构特点，又能够唯一地标识特定个体。颅骨模型特征点标定方法根据数据源的不同分为两类，一类是基于模型图片的特征点标定，另一类是基于模型点云的特征点标定。其中，基于模型图片特征点标定的技术已经相当成熟，主要方法包括：基于脸部几何模型的方法、基于遗传算法和特征脸技术的标定方法、基于贝叶斯形状模型的方法、基于图像处理方法和脸部特征点几何关系相结合的方法、基于改进的活动形状模型、基于边缘检测和映射的方法、基于主动外观模型的方法等。

而基于模型点云的特征点标定是在基于模型图片特征点标定技术已经非常成熟的背景下才开始发展的，目前国内外已经有众多的专家学者研究该领域，其中比较有代表性的方法包括：将层次过滤模式和局部特征相结合的方法精确地定位出鼻尖点，在此基础之上，通过一种叫做包含夹角的曲线进一步估计出鼻梁。该方法最主要的特点是可以实现特征点自动检测，很好地定位鼻尖点，同时具有平移和旋转不变性以及适合于不同分辨率的场合，但是该方法的缺陷是只能对特征比较明显的鼻尖点给出精确定位；相对角直方图法首先要求计算待标定特征点模型上每一个点的相对角直方图，然后将其与标准模型上特征点的相对角直方图进行比较和匹配，这样就可以获得该模型上对应的特征点，利用该方法标定的特征点是一个近似的位置，并不精确；此外，还有利用模型的局部几何信息，根据形状索引和曲度等几何信息统计并筛选出可能成为特征的点作为候选集，然后在统计模型的基础上，通过对误差进行分析并从中自适应地计算局部形状图的半径，这样就可以自动地标定鼻尖和眼角处的特征点，该方法受外界因素影响比较小，标定结果优于其他基于人脸特征点几何拓扑关系的方法，但是半径大小的选择对定位结果有很大的影响，该值确定起来比较困难，而且模型旋转过大时对眼角特征点定位会出现不合理的情况。

发明内容

为解决现有技术的不足，本发明实施例提供了一种颅骨模型特征点自动标定方法。

为了实现上述目标，本发明采用如下的技术方案：

本发明实施例提供了一种基于生成式对抗网络的颅骨特征点自动标定方法，该方法包括：

利用球面坐标变换方法，得到参考颅骨模型的二维深度图像；

利用尺度不变特征变换(Scale-invariant feature transform，SIFT)算法对所述二维深度图像进行计算，得到所述参考颅骨模型的初始特征点集，其中，所述初始特征点集包括鼻尖点、嘴角点及眼角点；

利用训练过的生成式对抗网络GAN对所述初始特征点集进行计算，生成待复原颅骨模型的候选特征点集；

利用弱监督精确欧几里得局部敏感散列(Exact Euclidean Locality SensitiveHashing,E2LSH)算法，对所述候选特征点集进行过滤，生成目标特征点集并将所述目标特征点集映射至所述待复原颅骨模型上，实现颅骨模型特征点的自动标定。

进一步地，所述GAN的训练过程包括：

利用公式