[发明专利]改进型级联回归人脸特征点定位算法

说明书

本发明申请保护一种改进型级联回归人脸特征点定位算法，本算法属于计算机视觉技术领域。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，在计算机视觉技术领域中更具实际应用价值。

技术领域

本发明旨在设计一种改进型级联回归人脸特征点定位算法，该算法通过对传统的级联回归算法进行改进，克服了由于较大遮挡和姿态变化导致人脸对齐失败的问题，从而显著提升了基于级联回归算法的性能。

技术背景

人脸对齐是计算机视觉领域的热点之一。人脸对齐是指面部特征点(例如眉毛、眼睛、鼻尖和嘴角)的定位。高效的人脸对齐通常被视为许多视觉任务的预处理步骤，例如人脸识别、表情分析、面部化妆和三维人脸建模等。随着多媒体技术的快速发展及普及，高效的人脸对齐在多媒体应用中显得至关重要。

近年来，人脸特征点定位发展迅速，特别是级联回归模型在人脸特征点定位领域的应用，这一应用的使用在对于正脸或接近正脸的人脸图片特征点定位中取得了良好的效果。当前，用于人脸特征点定位的算法学习经历了从图像外观到最终形状的特征映射函数的发展过程。经典的主动外观模型(AAM)利用当前外观估计值与目标图像之间的差异来驱动优化问题，然而，对于有遮挡和大姿态变化的图像，AAM是不可行的。为解决这一问题，提出了一种快速的AAM人脸对齐方法。xiang和De la Torre提出了一种基于尺度不变特征变换(SIFT)的有监督下降算法来求解非线性最小二乘问题，并在人脸跟踪中取得了良好的效果。由于在遮挡区域提取的特征描述子在每次迭代时都会对人脸形状的更新产生很大的影响，这将导致提取的形状远离真正的坐标位置，因此上述算法可能难以处理复杂的场景，并且无法准确预测坐标。由此，相继提出了一种新的级联形状回归(CSR)算法，CSR算法利用图像特征以级联方式对人脸点进行估计，在人脸对齐训练和测试中具有很高的效率。Kazemi和Sullivan通过使用一组梯度回归树来检测坐标，Ren等人进一步改进了该算法，并设计了用于形状回归的局部二元特征。

上述大多数算法都是从一个平均形状开始，迭代优化人脸形状，然而，如果初始化不好或错误，基于回归的算法通常会陷入局部最优。同时，由于较大遮挡和姿态变化会导致人脸对齐失败，本发明针对这种问题，提出了一种改进型级联回归初始化算法。

发明内容

针对由于较大遮挡和姿态变化会导致人脸对齐失败的问题，本发明设计一种改进型人脸特征点定位算法。

本发明的技术方案是：大多数传统的回归算法通常使用平均形状作为初始化，但由于较大遮挡，初始不当可能会导致人脸对齐失败。为此我们提出一种投影映射初始形状方法。基于可以通过相似人脸的线性组合来近似人脸，本发明利用一组稀疏的点通过映射得到人脸坐标，这些稀疏点集的信息可以用来生成高质量的初始形状，从而减少了人脸特征点定位的误差。因此，首先通过JDA(Joint detection and alignment)人脸检测器获得5个关键点：两个瞳孔、一个鼻尖和两个嘴角，再通过五个关键点与标准模板信息估计相似变换参数(旋转、平移和缩放)求得对应的68点坐标，在本发明中加入了人脸坐标微调算法用于形状微调和最终初始化。针对人脸姿态变化较大引起对齐失败问题，本发明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。根据初始化得到的68个关键点预测人脸视图(左、前、右)，然后选择对应的视图模板，最后使用多视角级联回归算法来完成人脸面部形状定位。与传统的使用平均形状作为初始化的算法相比，本发明具有以下优点：

1：5点集的平均误差低于68点集，更容易逼近真实人脸。

2：5点集是人脸最突出的点，即使在遮挡、姿势和表情的变化中也能获得良好的效果。