[发明专利]改进型级联回归人脸特征点定位算法

权利要求书

1.一种基于改进的级联回归的人脸特征点定位算法，本算法对传统的级联回归技术的初始化和回归进行有效的改进，使用领域(5点坐标)来生成投影的初始形状，并进行微调、矫正，这大大提高了基于级联回归算法的性能；在不同的人脸姿态视角下建立不同的模型，以多模型代替单一模型来提高人脸特征点定位的精度，大大减小了回归模型构建中的形状方差，从而使学习的回归模型对形状变化有更好的鲁棒性。与传统的级联回归算法相比，改进后的级联回归人脸特征点定位算法的鲁棒性更高，传统的方法通常是从平均形状开始的，或者使用复杂的算法进行初始化，但在较大遮挡下，人脸对齐问题往往无法处理。本算法中，我们通过5点的集映射完成初始化，由于5点集是人脸最突出的点，即使在较大遮挡、姿势和表情的变化中也能获得良好的效果，这极大地提高了级联回归算法的性能；传统的回归算法中，通常都是单一模型，当姿态变化较大时，就会导致人脸对齐失败。本算法中，我们在不同的视角下建立不同的模型，通过初始形状评估当前姿态，最后根据评估的姿态选择相对应的模型，进而实现特征点的精确定位。

2.根据权利要求1所述的算法，其优点在于：采用稀疏点(5个关键点)：两个瞳孔、一个鼻尖和两个嘴角，从五个关键点估计相似变换参数(旋转、平移和缩放)，通过相似变换参数求得对应的68点坐标，从而完成初始化。因为这些稀疏点是人脸最突出的点，即使在严重遮挡、复杂的姿势和表情变化的情况下，仍能获得良好的效果，这极大地提高了级联回归算法的性能。

3.根据权利要求1所述的算法，其优势在于：在不同的人脸姿态视角下建立不同的模型，以多模型代替单一模型来提高人脸特征点定位的精度。我们将训练数据分为三个视图(左视图、右视图和正视图)减少形状变化，接着在每个数据集中训练特点视图模型。我们利用这些稀疏点(两个瞳孔、一个鼻尖和两个嘴角)估计面部视图，最后根据评估的姿态选择相应的模型，进而实现特征点的精确定位。