CN104361362A - 一种得出人脸部位轮廓定位模型的方法 - Google Patents
一种得出人脸部位轮廓定位模型的方法 Download PDFInfo
- Publication number
- CN104361362A CN104361362A CN201410677419.0A CN201410677419A CN104361362A CN 104361362 A CN104361362 A CN 104361362A CN 201410677419 A CN201410677419 A CN 201410677419A CN 104361362 A CN104361362 A CN 104361362A
- Authority
- CN
- China
- Prior art keywords
- face
- model
- training
- outline
- rough profile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/161—Detection; Localisation; Normalisation
- G06V40/165—Detection; Localisation; Normalisation using facial parts and geometric relationships
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Geometry (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种得出人脸部位轮廓定位模型的方法,准备一组训练图像集,标注所述训练图像集中的训练脸的轮廓点;选取一个标准脸模型,标注所述标准脸模型的轮廓点;从所述标准脸模型的轮廓点出发,进行变换得到所述任一训练脸的轮廓点过程中,不断利用优化函数进行优化,最终计算得出人脸部位轮廓定位模型。定义得出人脸部位轮廓定位模型的过程是有监督的分析定位过程,降低误差,提高定位精度,使得人脸识别,人脸化妆,人物表情分析等技术能够运用到更加精密的场合中,对于开拓现代化技术发展具有十分重要的意义。
Description
技术领域
本发明属于计算机视觉、智能安防,视频和图像分析技术领域,尤其涉及一种得出人脸部位轮廓定位模型的方法。
背景技术
人脸识别正在逐步的应用于政府、军队、银行、社会福利保障、电子商务、安全防务等领域,伴随着人脸识别技术应用技术领域的范围增加,人们对于人脸识别技术的精度要求也越来越高。而面部结构的精准定位则是提高人脸识别技术精度的基础。现今,如何准确地对人脸各个部位进行定位是目前计算机视觉领域比较热门的一个课题,因为它对于人脸识别,人脸化妆,人物表情分析等具有十分重要的意义。目前仅仅是从人脸的形状入手,大多是采用对大量人脸形状的训练和分析得到一些标注模型,然后将该模型应用于任何测试人脸图像中,得出模型的过程是一种无监督的分析定位过程,存在了较大的不可避免的误差。导致当训练数据集比较小,或者某个人的人脸与训练集中的数据差别比较大的时候,人脸轮廓定位将变得尤其不准确。
发明内容
为解决上述技术问题,本发明提供一种得出人脸部位轮廓定位模型的方法。
在一些可选的实施例中,所述方法包括:准备一组训练图像集,标注所述训练图像集中的训练脸的轮廓点;选取一个标准脸模型,标注所述标准脸模型的轮廓点;从所述标准脸模型的轮廓点出发,进行变换得到所述任一训练脸的轮廓点过程中,不断利用优化函数进行优化,得出人脸部位轮廓定位模型回归函数的系数,所述优化函数如下:
Min(||S-f(S0)||+||f(S0)_LeftEyeCenter-S_Detect_LeftEyeyCenter||+||f(S0)_RightEyeCenter-S_Detect_RightEyeyCenter||+||f(S0)_MouthEyeCenter-S_Detect_MouthEyeyCenter||);
计算所述人脸部位轮廓定位模型的具体过程如下:
S1=f(S0);
S1=S0×R0+T0;
S2=f(S1)=T1+R1×(S0×R0+T0);
...
S=Ti+Ri×(Si-1×Ri-1+Ti-1)。
在一些可选的实施例中,所述方法还包括:由检测分类器模型计算得出所述训练图像集中任一训练脸的人脸部位轮廓位置、左眼的粗略轮廓、右眼的粗略轮廓和嘴巴的粗略轮廓;由所述人脸部位轮廓位置计算得出所述任一训练脸的人脸的坐标位置,由所述左眼的粗略轮廓、右眼的粗略轮廓和嘴巴的粗略轮廓计算得出所述任一训练脸的左眼中心位置、右眼中心位置和嘴巴中心位置。
在一些可选的实施例中,所述不断利用优化函数进行优化的过程包括:从所述标准脸模型的轮廓点出发,进行变换得到所述任一训练脸的轮廓点过程中,确保变换后的人脸部位轮廓位置与由所述检测分类器模型得到的人脸部位轮廓位置变化不大,且由变换后的人脸部位轮廓位置所决定的左右眼,以及嘴巴的中心位置与由所述检测分类器模型检测到的左右眼,以及嘴巴的中心位置最接近。
在一些可选的实施例中,所述左眼的粗略轮廓内所有点的位置的平均值为左眼中心位置,所述右眼的粗略轮廓内所有点的位置的平均值为右眼中心位置,所述嘴巴的粗略轮廓内所有点的位置的平均值为嘴巴中心位置。
本发明的有益效果:定义得出人脸部位轮廓定位模型的过程是有监督的分析定位过程,降低误差,提高定位精度,使得人脸识别,人脸化妆,人物表情分析等技术能够运用到更加精密的场合中,对于开拓现代化技术发展具有十分重要的意义。
附图说明
图1是本发明一种得出人脸部位轮廓定位模型的方法的流程示意图。
具体实施方式
下面结合附图,对本发明做进一步详细说明,并描述本发明较佳的实施例。
在一些说明性的实施例中,如图1所示,本发明提供一种得出人脸部位轮廓定位模型的方法,该方法包括:
S1:准备一组训练图像集,为了适应人脸轮廓定义的需要,需要对所述训练图像集中的训练脸各个部位的轮廓点进行标注,一般为68个点。
S2:选取一个标准脸模型,标注所述标准脸模型的轮廓点,一般为68个点。
S3:由检测分类器模型计算得出所述训练图像集中任一训练脸的人脸部位轮廓位置、左眼的粗略轮廓、右眼的粗略轮廓和嘴巴的粗略轮廓。其中,所述检测分类器模型包括:人脸检测分类器模型、左眼检测分类器模型、右眼检测分类器模型和嘴巴检测分类器模型。利用所述人脸检测分类器模型得到训练脸的人脸部位轮廓位置,然后利用所述左眼检测分类器模型得到左眼的粗略轮廓,采用同样的方法,利用所述右眼检测分类器模型和嘴巴检测分类器模型得到右眼的粗略轮廓和嘴巴的粗略轮廓。
S4:由所述人脸部位轮廓位置计算得出所述任一训练脸的人脸的坐标位置,由所述左眼的粗略轮廓、右眼的粗略轮廓和嘴巴的粗略轮廓计算得出所述任一训练脸的左眼中心位置、右眼中心位置和嘴巴中心位置。其中,所述人脸的坐标位置为68个点的坐标集,所述左眼的粗略轮廓内所有点的位置的平均值为左眼中心位置,所述右眼的粗略轮廓内所有点的位置的平均值为右眼中心位置,所述嘴巴的粗略轮廓内所有点的位置的平均值为嘴巴中心位置。
S5:定义优化函数,计算得出人脸部位轮廓定位模型。从所述标准脸模型的轮廓点出发,进行变换得到所述任一训练脸的轮廓点过程中,计算得出人脸部位轮廓定位模型。首先,定义一个优化函数,定义所述优化函数的目的就是计算出所述变化f回归函数的系数,所述优化函数如下:
Min(||S-f(S0)||+||f(S0)_LeftEyeCenter-S_Detect_LeftEyeyCenter||+||f(S0)_RightEyeCenter-S_Detect_RightEyeyCenter||+||f(S0)_MouthEyeCenter-S_Detect_MouthEyeyCenter||)。
其中,S是每个训练图集中所述标准脸模型正确的人脸部位轮廓位置,S0是所述检测分类器模型得到的所述标准脸模型的初始位置,Min是指距离尽可能小,也就是任一所述训练脸从所述标准脸模型出发进行一定的变换f,在变换过程中不断利用所述优化函数进行优化,确保变换后的人脸部位轮廓位置与初始得到的人脸部位轮廓位置变化不大,而且由变换后的所述人脸部位轮廓位置所决定的左右眼,以及嘴巴的中心位置与所述检测分类器模型检测到的左右眼,以及嘴巴的中心位置最接近。而所述变化f的定义即为所述人脸部位轮廓定位模型,具体计算过程如下:
S1=f(S0);
S1=S0×R0+T0;
S2=f(S1)=T1+R1×(S0×R0+T0);
...
S=Ti+Ri×(Si-1×Ri-1+Ti-1)
其中,Ri是旋转矩阵,Ti是移动矩阵,由于是级联方式,所以就是要得到各个层次的Ri和Si。从而最后得到的f不是一个含有多级联的线性回归函数的组合。
以上描述和附图充分地示出本发明的具体实施方案,以使本领域的技术人员能够实践它们。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求,否则单独的部件和功能是可选的,并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。
Claims (4)
1.一种得出人脸部位轮廓定位模型的方法,其特征在于,包括:
准备一组训练图像集,标注所述训练图像集中的训练脸的轮廓点;
选取一个标准脸模型,标注所述标准脸模型的轮廓点;
从所述标准脸模型的轮廓点出发,进行变换得到所述任一训练脸的轮廓点过程中,不断利用优化函数进行优化,得出人脸部位轮廓定位模型回归函数的系数,所述优化函数如下:
Min(||S-f(S0)||+||f(S0)_LeftEyeCenter-S_Detect_LeftEyeyCenter||
+||f(S0)_RightEyeCenter-S_Detect_RightEyeyCenter||
+||f(S0)_MouthEyeCenter-S_Detect_MouthEyeyCenter||);
计算所述人脸部位轮廓定位模型的具体过程如下:
S1=f(S0);
S1=S0×R0+T0;
S2=f(S1)=T1+R1×(S0×R0+T0);
...
S=Ti+Ri×(Si-1×Ri-1+Ti-1)。
2.根据权利要求1所述的一种得出人脸部位轮廓定位模型的方法,其特征在于,还包括:
由检测分类器模型计算得出所述训练图像集中任一训练脸的人脸部位轮廓位置、左眼的粗略轮廓、右眼的粗略轮廓和嘴巴的粗略轮廓;
由所述人脸部位轮廓位置计算得出所述任一训练脸的人脸的坐标位置,由所述左眼的粗略轮廓、右眼的粗略轮廓和嘴巴的粗略轮廓计算得出所述任一训练脸的左眼中心位置、右眼中心位置和嘴巴中心位置。
3.根据权利要求2所述的一种得出人脸部位轮廓定位模型的方法,其特征在于,所述不断利用优化函数进行优化的过程包括:
从所述标准脸模型的轮廓点出发,进行变换得到所述任一训练脸的轮廓点过程中,确保变换后的人脸部位轮廓位置与由所述检测分类器模型得到的人脸部位轮廓位置变化不大,且由变换后的人脸部位轮廓位置所决定的左右眼,以及嘴巴的中心位置与由所述检测分类器1模型检测到的左右眼,以及嘴巴的中心位置最接近。
4.根据权利要求2所述的一种得出人脸部位轮廓定位模型的方法,其特征在于,所述左眼的粗略轮廓内所有点的位置的平均值为左眼中心位置,所述右眼的粗略轮廓内所有点的位置的平均值为右眼中心位置,所述嘴巴的粗略轮廓内所有点的位置的平均值为嘴巴中心位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410677419.0A CN104361362A (zh) | 2014-11-21 | 2014-11-21 | 一种得出人脸部位轮廓定位模型的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410677419.0A CN104361362A (zh) | 2014-11-21 | 2014-11-21 | 一种得出人脸部位轮廓定位模型的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104361362A true CN104361362A (zh) | 2015-02-18 |
Family
ID=52528620
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410677419.0A Pending CN104361362A (zh) | 2014-11-21 | 2014-11-21 | 一种得出人脸部位轮廓定位模型的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104361362A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446593A (zh) * | 2018-02-08 | 2018-08-24 | 北京捷通华声科技股份有限公司 | 一种面部痉挛检测方法及装置 |
CN111145082A (zh) * | 2019-12-23 | 2020-05-12 | 五八有限公司 | 人脸图像处理方法、装置、电子设备及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1404016A (zh) * | 2002-10-18 | 2003-03-19 | 清华大学 | 融合多视角、多线索二维信息的人脸三维模型的建立方法 |
CN1889129A (zh) * | 2006-07-20 | 2007-01-03 | 北京中星微电子有限公司 | 基于单张相片的快速人脸建模方法及系统 |
CN103824089A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联回归的人脸3d姿态识别方法 |
CN103824050A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联回归的人脸关键点定位方法 |
CN103824049A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联神经网络的人脸关键点检测方法 |
US20140185924A1 (en) * | 2012-12-27 | 2014-07-03 | Microsoft Corporation | Face Alignment by Explicit Shape Regression |
-
2014
- 2014-11-21 CN CN201410677419.0A patent/CN104361362A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1404016A (zh) * | 2002-10-18 | 2003-03-19 | 清华大学 | 融合多视角、多线索二维信息的人脸三维模型的建立方法 |
CN1889129A (zh) * | 2006-07-20 | 2007-01-03 | 北京中星微电子有限公司 | 基于单张相片的快速人脸建模方法及系统 |
US20140185924A1 (en) * | 2012-12-27 | 2014-07-03 | Microsoft Corporation | Face Alignment by Explicit Shape Regression |
CN103824089A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联回归的人脸3d姿态识别方法 |
CN103824050A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联回归的人脸关键点定位方法 |
CN103824049A (zh) * | 2014-02-17 | 2014-05-28 | 北京旷视科技有限公司 | 一种基于级联神经网络的人脸关键点检测方法 |
Non-Patent Citations (2)
Title |
---|
牛志恒: "面部特征点定位方法研究", 《中国博士学位论文全文数据库》 * |
袁博: "基于AAM与张量分解的多视角人脸合成算法", 《中国优秀硕士学位论文数据库》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108446593A (zh) * | 2018-02-08 | 2018-08-24 | 北京捷通华声科技股份有限公司 | 一种面部痉挛检测方法及装置 |
CN111145082A (zh) * | 2019-12-23 | 2020-05-12 | 五八有限公司 | 人脸图像处理方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107687850B (zh) | 一种基于视觉和惯性测量单元的无人飞行器位姿估计方法 | |
US10645668B2 (en) | Indoor positioning system and method based on geomagnetic signals in combination with computer vision | |
CN103824049A (zh) | 一种基于级联神经网络的人脸关键点检测方法 | |
CN105509653B (zh) | 机械零件轮廓度视觉测量方法及系统 | |
MY193919A (en) | Error correction method and device for search term | |
CN103886597B (zh) | 一种基于边缘检测与拟合曲线聚类的圆检测方法 | |
CN106650701B (zh) | 基于双目视觉的室内阴影环境下障碍物检测方法及装置 | |
CN105139007B (zh) | 人脸特征点定位方法和装置 | |
CN103824050A (zh) | 一种基于级联回归的人脸关键点定位方法 | |
CN104424655A (zh) | 点云曲面重构系统及方法 | |
US11315264B2 (en) | Laser sensor-based map generation | |
CN105787448A (zh) | 基于时空级联形状回归的人脸形状跟踪方法 | |
CN105354531A (zh) | 一种面部关键点的标注方法 | |
CN104361358A (zh) | 一种自动化人脸五官与面部轮廓辨识方法 | |
CN103455794A (zh) | 一种基于帧融合技术的动态手势识别方法 | |
CN110595479B (zh) | 一种基于icp算法的slam轨迹评估方法 | |
CN109145446B (zh) | 一种基于模态应变能和卷积神经网络的结构损伤识别方法 | |
CN105676779A (zh) | 一种自由曲面加工局部干涉区域边界确定的追踪方法 | |
CN103218809A (zh) | 一种珍珠长度参数的图像测量方法 | |
CN106352879B (zh) | 一种基于图优化的uwb定位与编码器融合的位姿估计方法 | |
CN106682674B (zh) | 一种基于智能巡检机器人的指针式仪表自动读数方法 | |
CN104361362A (zh) | 一种得出人脸部位轮廓定位模型的方法 | |
CN103839274A (zh) | 一种基于几何比例关系的扩展目标跟踪方法 | |
CN108628956B (zh) | 产品创新设计的方法及系统 | |
CN104318264A (zh) | 一种基于人眼优先拟合的人脸特征点跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20150218 |
|
RJ01 | Rejection of invention patent application after publication |