[发明专利]一种非约束环境中的人脸特征点定位方法及系统

摘要

本发明公开了一种非约束环境中的人脸特征点定位方法及系统，所述的方法包括人脸特征点初始化定位和人脸特征点迭代更新定位两个阶段，第一阶段，根据估计的头部姿态和人脸局部子区域的条件概率初始化条件回归森林模型，定位人脸特征点的初始位置；第二阶段，根据初始位置建立人脸误差模型，利用误差模型学习更新迭代森林模型，定位人脸特征点的精确位置。本发明的条件迭代回归森林模型采用级联更新的多概率模型进行迭代回归，减少了非约束环境下的复杂背景、遮挡和多姿态等噪声的影响。

主权项

1.一种非约束环境中的人脸特征点定位方法，其特征在于，包括如下步骤：S1，接收输入的图像，并从所述图像中提取出人脸区域；S2，将提取的人脸区域划分为人脸正子区域类和人脸负子区域类；S3，针对人脸正子区域类，进行头部姿态分类和人脸局部子区域分类；S4，在多类头部姿态和人脸局部子区域的级联条件下，初始化条件迭代回归森林模型定位人脸特征点的初始位置；S5，基于人脸特征点的初始位置，建立人脸误差偏移模型，通过误差模型训练更新迭代回归森林模型，通过迭代后得到人脸特征点的精确位置；所述步骤S5具体包括：在初始特征点位置周围随机选择多个人脸子区域块，构建迭代特征集其中Xi为多通道纹理特征；是迭代t‑1次的特征点位置，为当前更新特征点位置和上一次迭代t‑1的特征点位置的误差偏移模型,是定位的人脸特征点的初始化位置；当生成迭代回归森林的叶子节点时，存储迭代回归森林的叶子节点更新为：人脸特征点的误差偏移概率上一次迭代的位置概率迭代更新的叶子分布概率模型可用高斯分布模型表示为其中和分别为误差概率的均值和协方差矩阵；当收敛到小于迭代收敛阈值ε或者迭代最大次数达到时，停止迭代更新，获得叶子节点的特征点概率模型：其中和分别为迭代更新特征点概率的均值和协方差矩阵；多叶子节点的特征点概率模型由Mean‑shift算法聚类获得人脸特征点的精确位置。