CN104732247A - 一种人脸特征定位方法 - Google Patents

Abstract

本发明公开了一种人脸特征定位方法，其可以明显提高人脸特征定位的准确性。这种人脸特征定位方法，包括步骤：(1)建立可变形部位模型，并进行参数训练；(2)通过局部特征分类器和全局特征分类器获得特征点全局形变特征；(3)通过多分辨率级联方式，逐层丰富人脸特征点特征，使用DPM进行定位。

Description

一种人脸特征定位方法

技术领域

本发明属于图像处理的技术领域，具体地涉及一种人脸特征定位方法。

背景技术

人脸特征定位技术为人脸图像的处理与分析提供了重要的几何信息，可以通过计算机在一幅人脸图像中自动地定位出人脸各个器官的准确位置，是人脸识别技术中不可缺少的预处理环节，定位的准确与否直接关系到后续工作的可靠性。此外，人脸特征定位可以为人脸识别、人脸验证、人脸跟踪、姿态表情分析等研究工作提供相应的基础数据，而且这些研究在人脸识别、人脸姿态表情分析、人脸合成、人脸动画、及基于模型的人脸图像编码中有着重要的应用。

近年来，国内外学者们已经提出了许多种检测人脸特征点和特征部位的方法，比如可变形模板方法和基于点分布模型算法，都是基于几何形状的方法进行特征定位。这类方法根据人脸部特征的形状特点构造一个带有可变参数的几何模型，该模型的可变参数反映了对应特征形状的可变部分，如位置、大小、角度等，它们最终通过模型与图像的边缘、峰、谷和灰度分布特性的动态地交互适应来得以修正。该几何模型还设定一个相应的评价函数以度量被检测区域与模型的匹配程度。搜索时，不断调整参数使得能量函数最小化，使模型逐渐收敛于待定位的脸部特征。

可变形模板方法把眼睛特征表示为两条抛物线(上下眼睑)和一个圆(虹膜)构成的几何图形，通过优化的方法来调整其参数以达到最佳的匹配，同样，嘴巴、下巴等也可以采用类似的几何图形建模。但是，固定的几何图形并不能很好的建模实际上会千差万别的眼睛形状，而光照、姿态和表情的变化更使得采用这种固定的简单数学模型难以适应这些复杂的变化，因此很难实现鲁棒的特征提取。优化速度慢、容易陷入局部极小也阻止了该算法的进一步发展。

主动形状模型(active shape model,ASM)和主动外观模型(activeappearance model,AAM)都是基于点分布模型的算法。在点分布模型算法中，外形相似的特定类别物体，比如人脸、人手的形状都可以通过若干关键特征点坐标串接成的向量来表示形状特征。对训练集中的所有形状向量进行对齐操作后，进行主成分分析建模，保留的主成分特征向量形成最终的形状模型，形状模型的参数反映了形状的主要可变化模式，ASM搜索则首先通过局部纹理模型匹配得到各个特征点的更佳的位置，经过相似变换对齐后，通过统计形状模型对其进行约束，而后再进行局部纹理模型的匹配，形成一个迭代过程，以期形状模型最终匹配到输入的形状模式上去。在ASM中，仅使用了特证点局部纹理特证作为启发式信息，没有使用全局的纹理约束，实践中发现ASM很容易陷入局部极小。

而在AAM中，则采用了形状和纹理二者融合的统计约束，即所谓的统计表观模型。AAM搜索借鉴了基于合成的分析技术的思想，通过模型参数的优化调整使得模型能够不断逼近实际输入模式，模型参数的更新则放弃了ASM中的局部纹理搜索过程，仅使用一个线性预测模型根据当前模型和输入模式之间的差别来预测和更新模型参数。AAM尽管利用了全局纹理，但却抛弃了局部纹理匹配过程，因此会在一定程度上降低关键特征点配准的精度，而且其线性预测模型也有较大的局限性，在初始位置偏离目标位置过大时，则很难收敛到正确位置。

目前常用的人脸特征定位算法，如可变形模板方法和基于点分布模型算法都用了几何形状特征进行建模，通过改变模型参数不断迭代更新模型以期达到最终定位。所以不可避免的会具有某些参数限制，并且优化速度慢、容易陷入局部极小。

发明内容

本发明的技术解决问题是：克服现有技术的不足，提供一种人脸特征定位方法，其可以明显提高人脸特征定位的准确性。

本发明的技术解决方案是：这种人脸特征定位方法，包括以下步骤：

(1)建立可变形部位模型DPM，并进行参数训练；

(2)通过局部特征分类器和全局特征分类器获得特征点全局形变特征；

(3)通过多分辨率级联方式，逐层丰富人脸特征点特征，使用DPM进行定位。

本发明提出了一种多分辨率的可变形部位模型，然后结合局部特征和全局特征的约束，提出了局部特征分类器和全局特征分类器，提高了模型的鲁棒性，从而可以明显提高人脸特征定位的准确性。

附图说明

图1是根据本发明的人脸特征定位方法的一个优选实施例的流程图。

图2是根据本发明的单一分辨率层DPM人脸特征定位方法的流程图。

具体实施方式

如图1所示，这种人脸特征定位方法，包括以下步骤：

(1)建立可变形部位模型DPM，并进行参数训练；

(2)通过局部特征分类器和全局特征分类器获得特征点全局形变特征；

(3)通过多分辨率级联方式，逐层丰富人脸特征点特征，使用DPM进行定位。

本发明提出了一种多分辨率的可变形部位模型，然后结合局部特征和全局特征的约束，提出了局部特征分类器和全局特征分类器，提高了模型的鲁棒性，从而可以明显提高人脸特征定位的准确性。

优选地，所述步骤(1)包括以下分步骤：

(1.1)对被测的人脸图像I进行预处理：使用Chow_Liu算法找出最大似然树结构来表示特征点的分布关系，按照结构关系对特征点坐标L重排序，将图像和特征点坐标(I,L)进行下采样，得到不同分辨率图像和对应的位置坐标；

(1.2)在不同分辨率图像中分别训练一组DPM的树结构模型：首先将分辨率为m的图像I_i(i＝1,2,...,D)的u个特征点坐标写成向量形式作为结构特征；然后使用普氏分析算法对形状特征进行归一化处理；然后采用主成分分析(principle component analysis,PCA)算法进行降维，得到结构特征的均值和n个主成分特征向量DPM的结构模型为公式(1)

$s^m\left(p\right)=s_0^m+S^{m}p---\left(1\right)$

其中，S^m表示n个主成分特征向量构成的向量，p表示结构模型参数，s^m(p)表示特征点位置坐标；

(1.3)DPM的纹理模型为公式(2)

$A^{t,m}\left(c\right)=A_0^{t,m}+A_t^{m}c---\left(2\right)$

其中c表示纹理模型参数，A^t,m(c)表示图像分辨率为m时标号为t的特征点对应的方向梯度直方图(histogram oforiented gradients,HOG)特征向量；

(1.4)通过公式(3)对DPM模型进行打分：

$\begin{array}{c}\mathrm{score}(I^m,L^m)=\underset{t=1}{\overset{u}{\mathrm{\Σ}}}{\left|\right|\mathrm{HOG}\left(s_t^m\left(p\right)\right)-A^{t,m}\left(c\right)\left|\right|}^2\\ p={\left(S^m\right)}^T*(L^m-s_0^m)\\ c={\left(A_t^m\right)}^T*(M\left(L^m\right)-A_0^{t,m})\end{array}---\left(3\right)$

其中，表示分辨率为m时特征点t的坐标，由结构模型s^m(p)的变形得到的；表示结构特征到纹理特征的映射函数。

优选地，所述步骤(2)中：

为每类特征点训练一个局部特征分类器：采用每类特征点的HOG特征作为特征点的局部纹理特征，使用Adaboost算法训练得到n个弱分类器根据每个弱分类器的分类错误率，计算得到分类器的权重从而得到局部特征分类器，表示为公式(4)：

$\begin{array}{c}H\left(\mathrm{HOG}\left(l_t^m\right)\right)\mathrm{sign}\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{m,t}{h}_i^{m,t}\left(M\left(l_t^m\right)\right)\right)\\ \begin{array}{cc}{l}_t^m\∈\mathrm{pos}& H\left(\mathrm{HOG}\left(l_t^m\right)\right)=+1;\end{array}\\ \begin{array}{cc}{l}_t^m\∈\mathrm{neg}& H\left(\mathrm{HOG}\left(l_t^m\right)\right)=-1;\end{array}\end{array}---\left(4\right)$

其中，pos表示真实特征点位置标注的人脸图像；neg表示非真实特征点位置标注的人脸图像，即随机标定真实的特征点位置的四邻域区域的特征点位置人脸图像。

优选地，所述步骤(2)中：

全局特征分类器采用Adaboost算法，使用树结构中相邻特征点的相对位置dL^m作为全局特征，通过训练得到n个弱分类器，将弱分类器按照训练权重级联，得到全局特征分类器，表示为公式(5)：

$\begin{array}{c}H\left({\mathrm{dL}}^m\right)=\mathrm{sign}\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i^m{h}_i^m\left(d{L}^m\right)\right)\\ \begin{array}{cc}{\mathrm{dL}}^m\∈\mathrm{pos}& H\left(d{L}^m\right)=+1;\end{array}\\ \begin{array}{cc}{\mathrm{dL}}^m\∈\mathrm{neg}& H\left(d{L}^m\right)=-1;\end{array}\end{array}---\left(5\right).$

优选地，所述步骤(3)包括以下分步骤：

(3.1)将人脸位置坐标I(box)下采样到最低分辨率图像对应的的坐标I^m(box^m)，在最低分辨率层，将训练得到的平均形状模型通过公式(6)映射到图像中，从而得到模型的初始化位置：

$P_{\mathrm{first}}=M\left(I^m\left({\mathrm{box}}^m\right)\right)\left[s_0^m\right]---\left(6\right)$

其中，P_first表示模型的初始化位置，I^m(box^m)表示最低分辨率图像中人脸位置坐标，表示训练得到的分辨率为m时图像的平均结构模型参数，M表示坐标到纹理特征映射函数；

(3.2)在备选区域D^m,t确定特征点t的位置通过局部特征分类器，每个特征点的备选位置得到一个固定的值c∈(-1，+1)，删除的备选位置；

(3.3)将所有面部特征点看做一个整体，按照树结构中特征点的连接关系，将不同特征点的备选位置进行组合，从而得到β组面部特征点坐标计算β组面部特征点的相对位置采用了全局特征分类器，对进行删减：当时，保留特征点组合否则，删除；

(3.4)将保留的特征点组合带入公式(7)，求最小值，实现面部特征定位：

$\underset{L}{\arg \min }\underset{t=1}{\overset{u}{\mathrm{\Σ}}}{\left|\right|\mathrm{HOG}\left(s_t^m\left(p\right)\right)-A^{t,m}\left(c\right)\left|\right|}^2---\left(7\right).$

以下对本发明进行更详细的说明。

从背景技术可知，人脸特征定位方法主要分为建模和定位两个关键步骤。本发明提出了一种多分辨率DPM模型，然后结合局部特征和全局特征的约束，提出了局部特征分类器和全局特征分类器，提高了模型的鲁棒性，实现面部特征定位。

1、DPM模型及其参数训练

DPM模型是一种基于树结构特征和Hog纹理特征的动态特征点模型。为了学习不同分辨率的DPM模型参数，首先对带标签的人脸图像(I,L)进行预处理。使用Chow_Liu算法找出最大似然树结构(假设特征点属于高斯分布)来表示特征点的分布关系，按照结构关系对特征点坐标L重排序，将图像和特征点坐标(I,L)进行下采样，得到不同分辨率图像和对应的位置坐标。

在不同分辨率图像中分别训练一组DPM的树结构模型，首先将分辨率为m的图像I_i(i＝1,2,...,D)的u个特征点坐标改写成向量形式作为结构特征；然后使用普氏分析算法对形状特征进行归一化处理；最后采用PCA算法进行降维，得到结构特征的均值和n个主成分特征向量因此，DPM的结构模型表示为

$s^m\left(p\right)=s_0^m+S^{m}p---\left(1\right)$

其中，S^m表示n个主成分特征向量构成的向量，p表示结构模型参数，s^m(p)表示特征点位置坐标。

纹理模型同样需要分别在不同分辨率图像中训练得到。图像分辨率为m时，基于特征点树结构连接关系，计算图像I_i(i＝1,2,...,D)中相邻特征点之间的相对距离： ${\mathrm{dL}}_i^m=({\mathrm{dx}}_1^m,{\mathrm{dy}}_1^m,...,{\mathrm{dx}}_{u-1}^m,{\mathrm{dy}}_{u-1}^m),({\mathrm{dx}}_t^m,{\mathrm{dy}}_t^m)=[x_t^m-x_{t-1}^m,y_t^m-y_{t-1}^m],t>1,$ 采用相对距离的均值作为图像I_i的特征点标注框值，将所有图像中相同标号的特征框值按面积大小排序，选取适当的值(最大程度保留特征点纹理特征)作为特征点t的标注框值；提取图像中特征点t周围以N_s为边长的矩形框区域的HOG特征作为其纹理特征；对每类特征点特征进行PCA绛维，得到u个纹理特征均值和对应的主成分特征向量因此，DPM的纹理模型表示为

$A^{t,m}\left(c\right)=A_0^{t,m}+A_t^{m}c---\left(2\right)$

其中c表示纹理模型参数，A^t,m(c)表示图像分辨率为m时标号为t的特征点对应的HOG特征向量。

由结构模型和纹理模型公式可知，当参数p＝p_y时，可以得到一组特征点位置坐标，根据学习到的特征标注框值N_s，对图像特征框区域提取纹理特征，可得到u组HOG特征；当参数c＝c_y时，可以得到u组HOG特征；当对应特征点的HOG特征相同时，就可以确定特征点位置L^m。因此，我们提出一个打分函数对DPM模型进行打分，表示为：

$\begin{array}{c}\mathrm{score}(I^m,L^m)=\underset{t=1}{\overset{u}{\mathrm{\Σ}}}{\left|\right|\mathrm{HOG}\left(s_t^m\left(p\right)\right)-A^{t,m}\left(c\right)\left|\right|}^2\\ p={\left(S^m\right)}^T*(L^m-s_0^m)\\ c={\left(A_t^m\right)}^T*(M\left(L^m\right)-A_0^{t,m})\end{array}---\left(3\right)$

其中，表示分辨率为m时特征点t的坐标，由结构模型s^m(p)的变形得到的。表示结构特征到纹理特征的映射函数。

2、局部特征分类器和全局特征分类器

由公式(3)知，打分函数score是一个关于L^m的非线性函数，为了实现特征点精确定位，我们对打分函数模型进行改进，提出了局部特征分类器和全局特征分类器，对L^m进行优化。

为每类特征点训练一个局部特征分类器。采用每类特征点的HOG特征作为特征点的局部纹理特征，使用Adaboost算法训练得到n个弱分类器根据每个弱分类器的分类错误率，计算得到分类器的权重从而得到局部特征分类器，表示为：

$\begin{array}{c}H\left(\mathrm{HOG}\left(l_t^m\right)\right)\mathrm{sign}\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{m,t}{h}_i^{m,t}\left(M\left(l_t^m\right)\right)\right)\\ \begin{array}{cc}{l}_t^m\∈\mathrm{pos}& H\left(\mathrm{HOG}\left(l_t^m\right)\right)=+1;\end{array}\\ \begin{array}{cc}{l}_t^m\∈\mathrm{neg}& H\left(\mathrm{HOG}\left(l_t^m\right)\right)=-1;\end{array}\end{array}---\left(4\right)$

全局特征分类器同样采用Adaboost算法，使用树结构中相邻特征点的相对位置作为全局特征，通过训练得到n个弱分类器，将弱分类器按照训练权重级联，得到全局特征分类器，表示为：

$\begin{array}{c}H\left({\mathrm{dL}}^m\right)=\mathrm{sign}\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i^m{h}_i^m\left(d{L}^m\right)\right)\\ \begin{array}{cc}{\mathrm{dL}}^m\∈\mathrm{pos}& H\left(d{L}^m\right)=+1;\end{array}\\ \begin{array}{cc}{\mathrm{dL}}^m\∈\mathrm{neg}& H\left(d{L}^m\right)=-1;\end{array}\end{array}---\left(5\right)$

我们提出的树结构中相邻特征点的相对位置作为全局特征，可以更直观的表示特征点分布信息，抓住了特征点全局形变特征。

3、多分辨率级联DPM人脸特征定位

本发明算法提出了多分辨率级联方式，逐层丰富面部特征点特征，使用DPM模型进行定位。在这个算法中，首先需要初始化DPM模型的位置。为了实现这个目标，在原始图像中使用成熟的AdaBoost人脸检测器来确定图像中人脸位置坐标，记为I(box)。

将人脸位置坐标I(box)下采样到最低分辨率图像对应的的坐标I^m(box^m)，在最低分辨率层，将训练得到的平均形状模型通过下式映射到图像中，从而得到模型的初始化位置。

$P_{\mathrm{first}}=M\left(I^m\left({\mathrm{box}}^m\right)\right)\left[s_0^m\right];---\left(6\right)$

其中，P_first表示模型的初始化位置，I^m(box^m)表示最低分辨率图像中人脸位置坐标，表示训练得到的分辨率为m时图像的平均结构模型参数，M表示坐标到纹理特征映射函数。

在确定初始化模型位置的基础上，在备选区域D^m _, ^t确定特征点t的位置通过局部特征分类器，每个特征点的备选位置都可以得到一个固定的值c∈(-1，+1)。当特征点备选位置的检测值c＝-1时，淘汰此备选位置。也就是说，删除的备选位置。

通过局部特征分类器可以去除大量的备选位置，但是由于局部特征分类器存在一定的误差，仍有很多错误的备选位置没有被检测到，所以需要用到全局特征分类器。

将所有面部特征点看做一个整体，按照树结构中特征点的连接关系，将不同特征点的备选位置进行组合，从而得到β组面部特征点坐标计算β组面部特征点的相对位置采用了全局特征分类器，对进行删减。当时，保留特征点组合否则，删除。

将保留的特征点组合带入打分函数，求打分函数最小值，实现面部特征定位。

$\underset{L}{\arg \min }\underset{t=1}{\overset{u}{\mathrm{\Σ}}}{\left|\right|\mathrm{HOG}\left(s_t^m\left(p\right)\right)-A^{t,m}\left(c\right)\left|\right|}^2---\left(7\right).$

本发明算法采用多分辨率级联DPM面部特征定位方法，每层分辨率中既结合了局部特征约束，又考虑了全局特征约束，在一定程度上提高了关键特征点配准的精度，有效的防止陷入局部极小。为了验证本发明算法的性能，与其他人脸特征定位算法进行对比实验，通过比较定位准确率和图像定位效果图来说明本发明算法的优越性。

1、实验测试数据

实验在MUCT人脸库上进行测试。该库共有276个人3755张人脸图像，分别从五个角度进行拍摄，每个角度采用三种光照变化，包含了他们的不同表情和面部饰物的变化，每人15张图像，每幅图像标记76个特征点位置坐标，图像分辨率为480*640。

本次实验选取该库中751幅人脸图像作为测试数据。为了准确比较特征点定位准确率，实验选取人脸显著部位的8个特征点(眼睛、鼻尖和嘴巴)进行比较。

2、实验结果及分析

为了很好地说明本发明算法的效果，采用四种不同的人脸特征定位算法在MUCT测试集上进行实验，记录实验结果和图像，通过计算测试数据和真实数据的误差率和图像定位效果图来说明算法性能。

为了更好地反映算法的定位准确度，采用以下三种情况进行数据对比分析：(a)比较所有特征点的测试数据与真实数据误差率；(b)比较每个特征点的测试数据与真实数据的误差率；(c)比较每个特征点的最大误差率。

本发明算法在整体特征点误差率比较上，全部测试数据准确度优于混合树共享模型算法(mix-of-tree part-sharing models，TSM)，部分测试数据准确度比高斯牛顿形变模型算法(Gaussian-Newton deformable partmodels，GNDPM)好，但是没有并行级联回归模型算法(parallel cascadedregression models，ParCLR)准确度好；本发明算法在单个特征点误差率比较上，每个特征点的定位准确度比TSM算法好，部分特征点定位准确度比GNDPM算法好；本发明算法在单个特征点最大误差率比较上明显比其他三种算法好。

上述实验结果表明，本发明的多分辨率级联DPM人脸特征定位算法(multiresolution deformable part models，MRDPM)可以实现人脸特征定位，人脸特征定位率在99％左右，整体图像测试误差率在6％以内，特别是本算法在带有姿态、表情、光照等因素的人脸图像上也都能实现很好的面部特征定位，表明了本发明算法具有很好的鲁棒性和特征定位准确性。

以上所述，仅是本发明的较佳实施例，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属本发明技术方案的保护范围。

Claims (5)

1.一种人脸特征定位方法，其特征在于：包括以下步骤：

(1)建立可变形部位模型，并进行参数训练；

(2)通过局部特征分类器和全局特征分类器获得特征点全局形变特征；

(3)通过多分辨率级联方式，逐层丰富人脸特征点特征，使用DPM进行定位。

2.根据权利要求1所述的人脸特征定位方法，其特征在于：所述步骤(1)包括以下分步骤：

(1.1)对被测的人脸图像I进行预处理：使用Chow_Liu算法找出最大似然树结构来表示特征点的分布关系，按照结构关系对特征点坐标L重排序，将图像和特征点坐标(I,L)进行下采样，得到不同分辨率图像和对应的位置坐标；

(1.2)在不同分辨率图像中分别训练一组DPM的树结构模型：首先将分辨率为m的图像I_i(i＝1,2,...,D)的u个特征点坐标写成向量形式作为结构特征；然后使用普氏分析算法对形状特征进行归一化处理；然后采用主成分分析算法进行降维，得到结构特征的均值和n个主成分特征向量DPM的结构模型为公式(1)

$s^m\left(p\right)=s_0^m+s^{m}p---\left(1\right)$

其中，S^m表示n个主成分特征向量构成的向量，p表示结构模型参数，s^m(p)表示特征点位置坐标；

(1.3)DPM的纹理模型为公式(2)

$A^{t,m}\left(c\right)=A_0^{t,m}+A_t^{m}C---\left(2\right)$

其中c表示纹理模型参数，A^t,m(c)表示图像分辨率为m时标号为t的特征点对应的方向梯度直方图特征向量；

(1.4)通过公式(3)对DPM模型进行打分：

$\mathrm{score}(I^m,L^m)=\underset{t=1}{\overset{u}{\mathrm{\Σ}}}{\left|\right|\mathrm{HOG}\left(s_t^m\left(p\right)\right)-A^{t,m}\left(c\right)\left|\right|}^2$

$p={\left(S^m\right)}^T*(L^m-s_0^m)---\left(3\right)$

$c={\left(A_t^m\right)}^T*(M\left(L^m\right)-A_0^{t,m})$

其中，表示分辨率为m时特征点t的坐标，由结构模型s^m(p)的变形得到的；表示结构特征到纹理特征的映射函数。

3.根据权利要求2所述的人脸特征定位方法，其特征在于：所述步骤(2)中：

为每类特征点训练一个局部特征分类器：采用每类特征点的HOG特征作为特征点的局部纹理特征，使用Adaboost算法训练得到n个弱分类器根据每个弱分类器的分类错误率，计算得到分类器的权重从而得到局部特征分类器，表示为公式(4)：

$H\left(\mathrm{HO}G\left(l_t^m\right)\right)=\mathrm{sign}\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i^{m,t}{h}_i^{m,t}\left(M\left(l_t^m\right)\right)\right)$

$\begin{array}{c}{l}_t^m\∈\mathrm{posH}\left(\mathrm{HOG}\left(l_t^m\right)\right)=+1;\\ l_t^m\∈\mathrm{negH}\left(\mathrm{HOG}\left(l_t^m\right)\right)=-1;\end{array}---\left(4\right)$

其中，pos表示真实特征点位置标注的人脸图像；neg表示非真实特征点位置标注的人脸图像，即随机标定真实标注的特征点位置的四邻域区域的特征点位置人脸图像。

4.根据权利要求3所述的人脸特征定位方法，其特征在于：所述步骤(2)中：

全局特征分类器采用Adaboost算法，使用树结构中相邻特征点的相对位置dL^m作为全局特征，通过训练得到n个弱分类器，将弱分类器按照训练权重级联，得到全局特征分类器，表示为公式(5)：

$H\left({\mathrm{dL}}^m\right)=\mathrm{sign}\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{\mathrm{\α}}_i^m{h}_i^m\left({\mathrm{dL}}^m\right)\right)$

$\begin{array}{c}{\mathrm{dL}}^m\∈\mathrm{posH}\left({\mathrm{dL}}^m\right)=+1;\\ {\mathrm{dL}}^m\∈\mathrm{negH}\left({\mathrm{dL}}^m\right)=-1;\end{array}---\left(5\right).$

5.根据权利要求4所述的人脸特征定位方法，其特征在于：所述步骤(3)包括以下分步骤：

(3.1)将人脸位置坐标I(box)下采样到最低分辨率图像对应的的坐标I^m(box^m)，在最低分辨率层，将训练得到的平均形状模型通过公式(6)映射到图像中，从而得到模型的初始化位置：

$p_{\mathrm{first}}=M\left(I^m\left({\mathrm{box}}^m\right)\right)\left[s_0^m\right]---\left(6\right)$

其中，P_first表示模型的初始化位置，I^m(box^m)表示最低分辨率图像中人脸位置坐标，表示训练得到的分辨率为m时图像的平均结构模型参数，M表示坐标到纹理特征映射函数；

(3.2)在备选区域D^m,t确定特征点t的位置通过局部特征分类器，每个特征点的备选位置得到一个固定的值c∈(-1，+1)，删除的备选位置；

(3.3)将所有面部特征点看做一个整体，按照树结构中特征点的连接关系，将不同特征点的备选位置进行组合，从而得到β组面部特征点坐标计算β组面部特征点的相对位置采用了全局特征分类器，对进行删减：当时，保留特征点组合否则，删除；

(3.4)将保留的特征点组合带入公式(7)，求最小值，实现面部特征定位：

$\underset{L}{\arg \min \underset{t=1}{\overset{u}{\mathrm{\Σ}}}{\left|\right|\mathrm{HOG}\left(s_t^m\left(p\right)\right)-A^{t,m}\left(c\right)\left|\right|}^2---\left(7\right)}$