[发明专利]一种人脸特征点辅助标注方法

说明书

本发明属于视频监控技术领域，具体涉及一种人脸特征点辅助标注方法，将人脸特征点拆分成主特征点与次特征点两种类型，其中，主特征点预标注，次特征点辅助标注，再经过人工判断是否需要调整特征点位置；在人脸图像中，主特征点是由位置相对固定且能表示人脸关键信息的点组成；次特征点是由相邻的两个主特征点及人脸边缘信息决定，其位置可根据需求灵活变动。本发明充分利用主特征点预标和次特征点辅助标注方法来提高标注效率；通过主特征点与不同次特征点标注方案相结合方式来增强标注系统的适用性；通过次特征点的等距离分布约束来减轻主观因素导致的标注偏差。

技术领域

本发明属于视频监控技术领域，尤其涉及一种人脸特征点辅助标注方法。

背景技术

人脸特征点蕴含着丰富的人脸信息，在人脸识别、姿态估计、表情识别、 3D人脸重构重等领域均有广泛应用。在人脸特征点检测领域已有众多研究，其中，基于深度学习的方法给检测性能带来质的提升，然而，深度学习的优越性能需依赖大规模训练数据，一般训练集达到10万级以上。另一方面，不同应用领域对人脸特征点数量有需求也不一样，如人脸对齐所需特征点数较少，只需5个点便可对图像进行旋转及缩放处理；而表情识别为了捕捉人脸的细微变化则需要更多的特征点来支撑，目前，单张人脸特征点标注数量已达到240个点。因此，对于大规模多需求的人脸特征点数据库构建，如果纯粹通过人工标注来完成，将会产生具大的工作量。

现有解决方案中，可总结为两个步骤：先采用人脸特征点检测模型预标注；再通过人工对特征点位置进行修正处理。此方案实现起来较容易，利用模型预标注可在一定程度上减少人工标注的工作量，而经过人工调整后可提高标注数据的质量。然而现有的方案存在不少问题。首先，人工标注工作量完全依赖预训练模型的检测准确率，实际上，预训练模型检测准确率很难达到要求，特别是对于复杂场景下的数据，模型检测准确率受人脸角度、光照、模糊、遮挡等干扰较大。而且利用模型检测出来的特征点具有很强的相关性，即检测的特征点会出现一致偏离的现象，此时，每一个特征点都需要经过人工调整。所以，这种方案实际人工调整的工作量依然很大。其次，预训练模型都有固定的标注点数，无法切换到不同点数的标注任务中去。如果要增减特征点数，就要重新训练模型，因此，在任务切换中又将产生额外的工作量。此外，人工标注受主观因素影响，对于不同的人去标注不同的样本时，很难保证每个点标注的位置都一致，一般会产生一定偏差。这些不良影响将会降低数据的质量。

发明内容

本发明的目的是提出一种人脸特征点辅助标注方法，以解决现有技术中标注效率不高、适用性不足及标注准确性受主观因素影响大的问题。

本发明通过以下技术方案实现：

一种人脸特征点辅助标注方法，包括如下步骤：

(1)将人脸特征点分为主特征点与次特征点，预标注主特征点，再经过人工判断是否需要调整主特征点位置；

(2)将主特征点按五官特征分为5个部分；

(3)依据相邻的两个主特征点之间的几何关系及人脸的边缘线信息，进行边缘检测；

(4)通过等距离分布法，确定次特征点的位置，使次特征点位置标注更加规范化；

(5)合并次特征点，再经过人工判断是否需要调整次特征点位置；

(6)保存标注结果。

进一步包括，所述的步骤(1)中，主特征点预标注基于深度学习方法训练模型。

进一步包括，所述的步骤(2)中，主特征点按人脸的五官特征分成5 个部分，包括：眉毛、眼睛、鼻子、嘴巴和脸部。

进一步包括，所述的步骤(3)中，对边缘检测结果进行形态学处理及边缘补缺处理。

进一步包括，所述的步骤(4)中，单独对每个部分的次特征点进行辅助定位。