CN107403145B - 图像特征点定位方法及装置 - Google Patents

Abstract

本公开是关于一种图像特征点定位方法及装置，属于图像处理技术领域。该方法包括：获取人脸图像对应的初始特征矩阵，所述初始特征矩阵是所述人脸图像中的N个初始特征点的特征向量所组成的矩阵；通过预设的降维矩阵对所述初始特征矩阵进行降维处理，获得降维后的特征矩阵；根据预设的特征定位算法以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵；根据所述拟合后的特征矩阵确定所述人脸图像中的各个特征点。在进行特征点定位时，获取人脸图像对应的初始特征矩阵后，对初始特征矩阵进行降维处理，并根据降维后的初始特征矩阵进行特征点定位，降低了需要计算的维度，从而减少计算时间，提高特征点定位的速度，保证图像处理的时效性。

Description

图像特征点定位方法及装置

技术领域

本公开涉及图像处理技术领域，特别涉及一种图像特征点定位方法及装置。

背景技术

图像特征点定位是图像处理技术领域中的关键技术之一。图像特征点定位的准确性直接关系到图像处理结果的效果。

相关技术中，图像特征点定位通常基于SDM(supervised decent method)算法来实现。SDM算法是是计算机视觉领域最新发现的精确人脸特征点定位算法，其特点是定位快，鲁棒性好，通用性和扩展性强。SDM算法属于迭代算法，其基本思路为：从一组初始点位置开始，提取一组图像特征向量，并用提取到的特征向量预测从当前点到目标点的位移量，然后将位移量加入当前位置点，并开始下一次迭代，直至迭代次数到达预设值，获得最终定位的特征点。

发明内容

本公开实施例提供了一种图像特征点定位方法及装置，技术方案如下：

根据本公开实施例的第一方面，提供了一种图像特征点定位方法，包括：

获取人脸图像对应的初始特征矩阵，所述初始特征矩阵是所述人脸图像中的N个初始特征点的特征向量所组成的矩阵，N≥1，且N为整数；

通过预设的降维矩阵对所述初始特征矩阵进行降维处理，获得降维后的特征矩阵；

根据预设的特征定位算法以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵；

根据所述拟合后的特征矩阵确定所述人脸图像中的各个特征点。

可选的，所述方法还包括：

在通过预设的降维矩阵对所述初始特征矩阵进行降维处理，获得降维后的特征矩阵之前，获取训练样本图像，所述训练样本图像是已标注有N个特征点的人脸图像；

提取训练特征矩阵，所述训练特征矩阵是由所述N个特征点的特征向量所组成的矩阵；

根据所述训练特征矩阵进行机器训练，获得所述降维矩阵。

可选的，所述根据所述训练特征矩阵进行机器训练，获得所述降维矩阵，包括：

按照主分量分析PCA算法对所述训练特征矩阵进行机器训练，获得所述降维矩阵。

可选的，所述根据预设的特征定位算法以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵，包括：

获取预测定位矩阵，所述预测定位矩阵是通过SDM算法，根据训练样本图像进行机器训练获得的矩阵，所述训练样本图像是已标注有N个特征点的人脸图像；

根据所述预测定位矩阵以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵。

可选的，所述方法还包括：

在获取预测定位矩阵之前，提取训练特征矩阵，所述训练特征矩阵是由所述N个特征点的特征向量所组成的矩阵；

通过所述降维矩阵对所述训练特征矩阵进行降维处理，获得降维后的训练特征矩阵；

通过SDM算法，对所述降维后的训练特征矩阵进行机器训练，获得所述预测定位矩阵。

可选的，所述获取人脸图像对应的初始特征矩阵，包括：

对所述人脸图像进行人脸检测，确定所述人脸图像中的人脸区域；

在所述人脸区域范围内确定出所述N个初始特征点；

根据确定出的所述N个初始特征点获取所述初始特征矩阵。

根据本公开实施例的第二方面，提供了一种图像特征点定位装置，所述装置包括：

初始矩阵获取模块，用于获取人脸图像对应的初始特征矩阵，所述初始特征矩阵是所述人脸图像中的N个初始特征点的特征向量所组成的矩阵，N≥1，且N为整数；

第一降维模块，用于通过预设的降维矩阵对所述初始特征矩阵进行降维处理，获得降维后的特征矩阵；

计算模块，用于根据预设的特征定位算法以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵；

确定模块，用于根据所述拟合后的特征矩阵确定所述人脸图像中的各个特征点。

可选的，所述装置还包括：

样本获取模块，用于在通过预设的降维矩阵对所述初始特征矩阵进行降维处理，获得降维后的特征矩阵之前，获取训练样本图像，所述训练样本图像是已标注有N个特征点的人脸图像；

第一矩阵提取模块，用于提取训练特征矩阵，所述训练特征矩阵是由所述N个特征点的特征向量所组成的矩阵；

第一训练模块，用于根据所述训练特征矩阵进行机器训练，获得所述降维矩阵。

可选的，所述第一训练模块，用于按照主分量分析PCA算法对所述训练特征矩阵进行机器训练，获得所述降维矩阵。

可选的，所述计算模块，包括：

定位矩阵获取子模块，用于获取预测定位矩阵，所述预测定位矩阵是通过SDM算法，根据训练样本图像进行机器训练获得的矩阵，所述训练样本图像是已标注有N个特征点的人脸图像；

计算子模块，用于根据所述预测定位矩阵以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵。

可选的，所述装置还包括：

第二矩阵提取模块，用于在获取预测定位矩阵之前，提取训练特征矩阵，所述训练特征矩阵是由所述N个特征点的特征向量所组成的矩阵；

第二降维模块，用于通过所述降维矩阵对所述训练特征矩阵进行降维处理，获得降维后的训练特征矩阵；

第二训练模块，用于通过SDM算法，对所述降维后的训练特征矩阵进行机器训练，获得所述预测定位矩阵。

可选的，所述初始矩阵获取模块，包括：

人脸检测子模块，用于对所述人脸图像进行人脸检测，确定所述人脸图像中的人脸区域；

确定子模块，用于在所述人脸区域范围内确定出所述N个初始特征点；

获取子模块，用于根据确定出的所述N个初始特征点获取所述初始特征矩阵。

根据本公开实施例的第三方面，提供了一种图像特征点定位装置，所述装置包括处理器和用于存储所述处理器的可执行指令的存储器，所述处理器被配置为：

获取人脸图像对应的初始特征矩阵，所述初始特征矩阵是所述人脸图像中的N个初始特征点的特征向量所组成的矩阵，N≥1，且N为整数；

通过预设的降维矩阵对所述初始特征矩阵进行降维处理，获得降维后的特征矩阵；

根据预设的特征定位算法以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵；

根据所述拟合后的特征矩阵确定所述人脸图像中的各个特征点。

根据本公开实施例的第四方面，提供了一种存储设备，其特征在于，所述存储设备中存储有至少一条指令，所述指令是由处理器加载并执行，以实现本公开实施例的第一方面或者第一方面的任意可选实现方式所述的图像特征点定位方法。

本公开实施例提供的技术方案可以包括以下有益效果：

在进行特征点定位时，获取人脸图像对应的初始特征矩阵后，对初始特征矩阵进行降维处理，并根据降维后的初始特征矩阵进行特征点定位，降低了需要计算的维度，从而减少计算时间，提高特征点定位的速度，保证图像处理的时效性。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

图1是根据一示例性实施例示出的一种图像特征点定位方法的流程图；

图2是根据一示例性实施例示出的一种图像特征点定位方法的流程图；

图3是基于图2所示的实施例涉及的一种人脸特征点分布示意图；

图4是根据一示例性实施例示出的一种图像特征点定位方法的流程图；

图5是根据一示例性实施例示出的一种图像特征点定位装置的框图；

图6是根据一示例性实施例示出的一种图像特征点定位装置的框图；

图7是根据一示例性实施例示出的一种图像处理设备的结构示意图。

具体实施方式

这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本公开的一些方面相一致的方法和装置的例子。

图1是根据一示例性实施例示出的一种图像特征点定位方法的流程图，该图像特征点定位方法可以应用于图像处理设备中，比如，该图像处理设备可以是智能手机、平板电脑以及电子书阅读器等移动设备，或者，该图像处理设备可以是个人计算机或者图形工作站等计算设备，或者，该图像处理设备也可以是智能手表或者智能眼镜的智能可穿戴设备。该图像特征点定位方法可以包括如下几个步骤：

在步骤101中，获取人脸图像对应的初始特征矩阵，该初始特征矩阵是该人脸图像中的N个初始特征点的特征向量所组成的矩阵，N≥1，且N为整数。

在步骤102中，通过预设的降维矩阵对该初始特征矩阵进行降维处理，获得降维后的特征矩阵。

在步骤103中，根据预设的特征定位算法以及该降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵。

在步骤104中，根据该拟合后的特征矩阵确定该人脸图像中的各个特征点。

可选的，该方法还包括：

在通过预设的降维矩阵对该初始特征矩阵进行降维处理，获得降维后的特征矩阵之前，获取训练样本图像，该训练样本图像是已标注有N个特征点的人脸图像；

提取训练特征矩阵，该训练特征矩阵是由该N个特征点的特征向量所组成的矩阵；

根据该训练特征矩阵进行机器训练，获得该降维矩阵。

可选的，该根据该训练特征矩阵进行机器训练，获得该降维矩阵，包括：

按照主分量分析PCA算法对该训练特征矩阵进行机器训练，获得该降维矩阵。

可选的，该根据预设的特征定位算法以及该降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵，包括：

获取预测定位矩阵，该预测定位矩阵是通过SDM算法，根据训练样本图像进行机器训练获得的矩阵，该训练样本图像是已标注有N个特征点的人脸图像；

根据该预测定位矩阵以及该降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵。

可选的，该方法还包括：

在获取预测定位矩阵之前，提取训练特征矩阵，该训练特征矩阵是由该N个特征点的特征向量所组成的矩阵；

通过该降维矩阵对该训练特征矩阵进行降维处理，获得降维后的训练特征矩阵；

通过SDM算法，对该降维后的训练特征矩阵进行机器训练，获得该预测定位矩阵。

可选的，该获取人脸图像对应的初始特征矩阵，包括：

对该人脸图像进行人脸检测，确定该人脸图像中的人脸区域；

在该人脸区域范围内确定出该N个初始特征点；

根据确定出的该N个初始特征点获取该初始特征矩阵。

综上所述，本发明实施例所示图像特征点定位方法，在进行特征点定位时，获取人脸图像对应的初始特征矩阵后，对初始特征矩阵进行降维处理，并根据降维后的初始特征矩阵进行特征点定位，降低了需要计算的维度，从而减少计算时间，提高特征点定位的速度，保证图像处理的时效性。

本发明实施例所示的图像特征定位方法，可以应用于各种图像处理的场景，比如人脸识别、图像增强等等。本发明下面的实施例将以上述方法应用于人脸图像处理场景为例进行说明。

图2是根据一示例性实施例示出的一种图像特征定位方法的流程图，该图像特征点定位方法可以应用于图像处理设备中，比如，该图像处理设备可以是智能手机、平板电脑以及电子书阅读器等移动设备，或者，该图像处理设备可以是个人计算机或者图形工作站等计算设备，或者，该图像处理设备也可以是智能手表或者智能眼镜的智能可穿戴设备。该图像特征定位方法可以包括如下几个步骤：

在步骤201中，对人脸图像进行人脸检测，确定该人脸图像中的人脸区域。

人脸检测是人脸识别中的第一个环节，其基本思路是假设在输入图像中存在一个或者多个人脸区域的情况下，确定图像中全部人脸的位置、大小和姿势。

在本公开实施例中，图像处理设备可以通过基于直方图粗分割和奇异值特征的人脸检测算法、基于二进小波变换的人脸检测算法、基于AdaBoost算法的人脸检测算法以及基于面部双眼结构特征的人脸检测算法等方式检测人脸图像中的人脸区域。

可选的，在本公开实施例中，图像处理设备可以利用快速人脸检测算法，找出人脸的大致位置，以缩短处理时间，提高处理效率。

在步骤202中，在该人脸区域范围内确定出N个初始特征点，根据确定出的N个初始特征点获取初始特征矩阵。

初始特征矩阵是人脸图像中的N个初始特征点的特征向量所组成的矩阵，N≥1，且N为整数。图像处理设备在获取初始特征矩阵时，对每个初始特征点分别按照指定的维度提取特征向量(该特征向量也可以称为特征描述子)，比如，特征向量的维度固定为M，则提取到的特征向量是一个M维向量，向量中每一个元素对应初始特征点的一种特征值，将N个初始特征点的特征向量组合可以生成初始特征矩阵，该初始特征矩阵可以是一个N*M矩阵，矩阵中每一列即为一个初始特征点的特征向量。

本公开实施例所示的方案中，图像处理设备可以通过SDM算法来进行特征点定位，其中，SDM算法需要从特征点的初始值开始进行迭代，通常的做法在找出人脸的大致位置后，将人脸特征点的均值位置作为初始值。

其中，人脸内部的图像特征变化较小，容易在训练集中出现，而人脸区域外部背景的变化可能很大，相应的图像特征变化也可能较大，导致训练集无法完全涵盖，因此，在本公开实施例中，图像处理设备可以在实际人脸区域中确定出初始特征点，以提高后续通过SDM算法进行特征点定位的结果准确性。

比如，请参考图3，其示出了本公开实施例涉及的一种人脸特征点分布示意图，在本公开实施例中，图像处理设备可以在人脸图像中确定出固定个数的初始特征点，初始特征点可以是人脸特征点的均值位置，比如，初始特征点可以几种分布在脸部轮廓(即图3中的点A11至点A19)、嘴部周边(即图3中的点B11至点B16)、眼睛周边(即图3中的点C11至点C16以及点D11至点D16)、眉毛周边(即图3中的点E11至点E15以及点F11至点F15)以及鼻子周边(即图3中的点G11至点G17)等等。需要说明的是，本公开实施例仅以图3为例进行示意性说明，特征点的个数以及位置不限制与图3所示的个数和位置，在实际应用中，为了兼顾计算复杂度和准确性，人脸图像中的初始特征点的数量可以固定为95个。

在步骤203中，通过预设的降维矩阵对该初始特征矩阵进行降维处理，获得降维后的特征矩阵。

在实际应用中，上述步骤202中提取出的每个初始特征点的特征向量的维度通常很高(即M值较大)，通常一个初始特征点的特征向量中的元素的数量可以达到数千甚至上万，以初始特征点个数为95，每个特征向量的维度为10000为例，初始特征矩阵即为一个95*10000的矩阵，如果直接根据初始特征矩阵做SDM算法，则计算的复杂度会很高，相应的计算时间也会很长，因此，本公开实施例所示的方案中，图像处理设备可以先对初始特征矩阵进行降维处理，将每个特征向量的维度降低，比如，将每个特征向量的维度由10000降低至500或者更少，以降低后续计算的复杂度以及计算时间。

在本公开实施例中，图像处理设备可以通过主分量分析(principal componentsanalysis，PCA)算法来对每个初始特征点的特征向量进行降维处理。其中，PCA算法也可以称为主成分分析算法，该算法旨在利用降维的思想，把多指标转化为少数几个综合指标。

在统计学中，PCA算法是一种简化数据集的算法。该PCA算法可以看作是一个线性变换过程，该线性变换过程把数据变换到一个新的坐标系统中，使得任何数据投影的第一大方差在第一个坐标(称为第一主成分)上，第二大方差在第二个坐标(第二主成分)上，依次类推。主成分分析借助于一个正交变换，将其分量相关的原随机向量转化成其分量不相关的新随机向量，这在代数上表现为将原随机向量的协方差阵变换成对角形阵，在几何上表现为将原坐标系变换成新的正交坐标系，使之指向样本点散布最开的p个正交方向，然后对多维变量系统进行降维处理，使之能以一个较高的精度转换成低维变量系统。主成分分析经常用于减少数据集的维数，同时保持数据集中对方差贡献最大的特征，这是通过保留低阶主成分，忽略高阶主成分做到的，这样低阶成分往往能够保留住数据中的最重要特征。

其中，设有m条n维的数据，PCA算法的算法流程可以包括如下步骤：

1)将原始数据按列组成n行m列的矩阵X。

2)将矩阵X的每一行(代表一个属性字段)进行零均值化，即该行中的每个元素减去这一行的均值。

3)求协方差矩阵

4)求出协方差矩阵C的特征值以及对应的特征向量。

5)将特征向量按对应特征值大小从上到下按行排列成矩阵，取前k行组成矩阵P。

6)对矩阵X进行降维后的矩阵Y＝PX。

在本公开实施例中，上述降维矩阵就相当于上面的矩阵P，该降维矩阵可以根据预先标注好准确的特征点的样本图像，通过机器学习训练获得。

在步骤204中，根据预设的特征定位算法以及该降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵。

在本公开实施例中，在对初始特征矩阵进行降维后，可以通过SDM算法对降维后的特征矩阵进行拟合计算，以获得拟合后的特征矩阵。具体的，图像处理设备可以获取预测定位矩阵，该预测定位矩阵是通过SDM算法，根据训练样本图像进行机器训练获得的矩阵，该训练样本图像是已标注有N个特征点的人脸图像，图像处理设备根据该预测定位矩阵以及该降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵。

SDM算法是计算机视觉领域最新发现的精确人脸特征点定位算法，其特点是定位快，鲁棒性好，通用性和扩展性强。SDM算法属于迭代算法，从一组初始的特征点位置X0开始，该算法提取一组图像特征向量Y0，并用Y0预测从当前点到目标点的位移量delta_X0，然后将位移量加入当前位置点，并开始下一次迭代，整个迭代过程可以用以下公式来表示：

Xn+1＝Xn+delta_Xn；

delta_Xn＝fn(Yn)；

n＝0,1,2...

其中每次的位移量的计算方法是迭代算法的关键，SDM算法采用线性预测的方法，即每次迭代的位移量是图像特征向量的线性函数，

fn(Yn)＝An*Yn；

如果共有p个点需要定位，那么An是2p*kp的矩阵(定位预测矩阵)，Yn是k＊p维的向量(每个特征点提取k维特征向量)，Xn是2＊p维向量(每个特征点有2维坐标)。SDM算法的另一个特点是线性矩阵An并不是固定的，而是在每次迭代都用一个新的矩阵，对于人脸定位一般需要5到6次迭代，在本公开实施例中，所有这些矩阵An都可以根据预先标注好准确的特征点的样本图像，通过机器学习训练获得。

在步骤205中，根据该拟合后的特征矩阵确定该人脸图像中的各个特征点。

在本公开实施例中，通过多次迭代拟合后的特征矩阵即可以确定出人脸图像中的特征点，以便进行人脸图像处理(比如人脸识别)的下一处理步骤。

综上所述，本公开实施例所提供的图像特征点定位方法，在进行特征点定位时，获取人脸图像对应的初始特征矩阵后，对初始特征矩阵进行降维处理，并根据降维后的初始特征矩阵进行特征点定位，降低了需要计算的维度，从而减少计算时间，提高特征点定位的速度，保证图像处理的时效性。

在本公开实施例中，图像处理设备可以根据预先标注好准确的特征点的样本图像进行机器训练，以获得上述降维矩阵以及线性矩阵An(本公开实施例中也称为预测定位矩阵)。

图4是根据一示例性实施例示出的一种图像特征点定位方法的流程图，该图像特征点定位方法可以应用于图像处理设备中，比如，该图像处理设备可以是智能手机、平板电脑以及电子书阅读器等移动设备，或者，该图像处理设备可以是个人计算机或者图形工作站等计算设备，或者，该图像处理设备也可以是智能手表或者智能眼镜的智能可穿戴设备。该图像特征点定位方法可以包括如下几个步骤：

在步骤401中，获取训练样本图像，该训练样本图像是已标注有N个特征点的人脸图像。

其中，训练样本图像中准确的特征点可以由用户人工标定，或者，也可以通过其它图像定位算法进行计算获得。比如，图像处理设备可以获取30000幅人脸图像，每幅人脸图像中包含预先标定好的95个特征点。

在步骤402中，提取训练特征矩阵，该训练特征矩阵是由该N个特征点的特征向量所组成的矩阵。

对于上述每一幅人脸图像，图像处理设备可以提取该人脸图像的每个特征点的特征向量，并组成该人脸图像的训练特征矩阵。

在步骤403中，根据该训练特征矩阵进行机器训练，获得该降维矩阵。

可选的，图像采集设备可以按照主分量分析PCA算法对该训练特征矩阵进行机器训练，获得该降维矩阵。

图像特征向量Yn的提取是通过在每个特征点上提取特征描述子(k维向量)，然后将所有描述子的连接成一个k*p维向量。特征描述子可以有多种选择，一般要求是维数低，能够简明地描述特征点的图像内容，对光照变化，几何变化的鲁棒性好等等。在本公开中，定位模型可以选用多种不同的描述子，比如，可以选择3x3 cell的方向梯度直方图(Histogram of Oriented Gradient，HOG)矩阵加3x3的灰度点阵。

由于有的特征描述子维数较高，会直接影响到定位预测矩阵An的大小，为了控制需要学习的参数的数目，本公开实施例对从图片里提取出来的特征描述子进行降维，即将所有标注过的人脸特征点收集起来做PCA，取前几个特征向量以保持一定百分比(比如99％)的能量，获得一个降维矩阵B(m x k维)。

在步骤404中，通过该降维矩阵对训练特征矩阵进行降维处理，获得降维后的训练特征矩阵。

在本公开实施例中，在训练定位预测矩阵An之前，也可以按照已经训练好的降维矩阵，对训练特征矩阵进行降维处理，即使用该降维矩阵B对Yn向量中的每个描述子进行降维，得到Zn(m*p维向量)：

fn(Yn)＝An*B(Yn)＝An＊Zn。

在步骤405中，通过SDM算法，对该降维后的训练特征矩阵进行机器训练，获得该预测定位矩阵。

在本公开实施例中，定位预测矩阵可以通过线性拟合的方式来学习。比如，对于上述标注好特征点的30000幅人脸图像，对每张图片从初始值X0(通常是人脸特征点均值加入一定的随机位移)开始，提取特征向量Y0(或者经过PCA投影的Z0)，同时计算理想的位移增量delta_X＝X*-X0，X＊为标注值，即可得到对于定位预测矩阵A0的一组约束，将所有训练集中的图片所构成的约束集中起来，就可以通过线性最小二乘法将A0解出。A0解出后就可以用于计算下一次的位置X1，然后可以解出A1，依次类推。

在步骤406中，获取待处理的人脸图像对应的初始特征矩阵，该初始特征矩阵是该人脸图像中的N个初始特征点的特征向量所组成的矩阵。

在步骤407中，通过预设的降维矩阵对该初始特征矩阵进行降维处理，获得降维后的特征矩阵。

在步骤408中，根据预测定位矩阵以及该降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵。

在步骤409中，根据该拟合后的特征矩阵确定该人脸图像中的各个特征点。

其中，步骤406至步骤409的执行过程可以参考图2所示的实施例中的描述，此处不再赘述。

综上所述，本公开实施例所提供的图像特征点定位方法，在进行特征点定位前，根据已标注好特征点的训练样本图像进行机器训练，获得降维矩阵和预测定位矩阵，在进行特征点定位时，获取人脸图像对应的初始特征矩阵后，根据降维矩阵对初始特征矩阵进行降维处理，并根据降维后的初始特征矩阵以及预测定位矩阵进行特征点定位，降低了需要计算的维度，从而减少计算时间，提高特征点定位的速度，保证图像处理的时效性。

下述为本公开装置实施例，可以用于执行本公开方法实施例。对于本公开装置实施例中未披露的细节，请参照本公开方法实施例。

图5是根据一示例性实施例示出的一种图像特征点定位装置的框图，其功能可以由纯硬件实现，也可以由硬件执行相应的软件实现，从而实现图1、图2或图4中所列出的步骤。该装置可以包括：

初始矩阵获取模块501，用于获取人脸图像对应的初始特征矩阵，所述初始特征矩阵是所述人脸图像中的N个初始特征点的特征向量所组成的矩阵，N≥1，且N为整数；

第一降维模块502，用于通过预设的降维矩阵对所述初始特征矩阵进行降维处理，获得降维后的特征矩阵；

计算模块503，用于根据预设的特征定位算法以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵；

确定模块504，用于根据所述拟合后的特征矩阵确定所述人脸图像中的各个特征点。

综上所述，本发明实施例所示图像特征点定位装置，在进行特征点定位时，获取人脸图像对应的初始特征矩阵后，对初始特征矩阵进行降维处理，并根据降维后的初始特征矩阵进行特征点定位，降低了需要计算的维度，从而减少计算时间，提高特征点定位的速度，保证图像处理的时效性。

图6是根据一示例性实施例示出的一种图像特征点定位装置的框图，其功能可以由纯硬件实现，也可以由硬件执行相应的软件实现，从而实现图1、图2或图4中所列出的步骤。该装置可以包括：

初始矩阵获取模块501，用于获取人脸图像对应的初始特征矩阵，所述初始特征矩阵是所述人脸图像中的N个初始特征点的特征向量所组成的矩阵，N≥1，且N为整数；

第一降维模块502，用于通过预设的降维矩阵对所述初始特征矩阵进行降维处理，获得降维后的特征矩阵；

计算模块503，用于根据预设的特征定位算法以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵；

确定模块504，用于根据所述拟合后的特征矩阵确定所述人脸图像中的各个特征点。

可选的，所述装置还包括：

样本获取模块505，用于在通过预设的降维矩阵对所述初始特征矩阵进行降维处理，获得降维后的特征矩阵之前，获取训练样本图像，所述训练样本图像是已标注有N个特征点的人脸图像；

第一矩阵提取模块506，用于提取训练特征矩阵，所述训练特征矩阵是由所述N个特征点的特征向量所组成的矩阵；

第一训练模块507，用于根据所述训练特征矩阵进行机器训练，获得所述降维矩阵。

可选的，所述第一训练模块507，用于按照主分量分析PCA算法对所述训练特征矩阵进行机器训练，获得所述降维矩阵。

可选的，所述计算模块503，包括：

定位矩阵获取子模块，用于获取预测定位矩阵，所述预测定位矩阵是通过SDM算法，根据训练样本图像进行机器训练获得的矩阵，所述训练样本图像是已标注有N个特征点的人脸图像；

计算子模块，用于根据所述预测定位矩阵以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵。

可选的，所述装置还包括：

第二矩阵提取模块508，用于在获取预测定位矩阵之前，提取训练特征矩阵，所述训练特征矩阵是由所述N个特征点的特征向量所组成的矩阵；

第二降维模块509，用于通过所述降维矩阵对所述训练特征矩阵进行降维处理，获得降维后的训练特征矩阵；

第二训练模块510，用于通过SDM算法，对所述降维后的训练特征矩阵进行机器训练，获得所述预测定位矩阵。

可选的，所述初始矩阵获取模块501，包括：

人脸检测子模块，用于对所述人脸图像进行人脸检测，确定所述人脸图像中的人脸区域；

确定子模块，用于在所述人脸区域范围内确定出所述N个初始特征点；

获取子模块，用于根据确定出的所述N个初始特征点获取所述初始特征矩阵。

综上所述，本公开实施例所提供的图像特征点定位方法，在进行特征点定位前，根据已标注好特征点的训练样本图像进行机器训练，获得降维矩阵和预测定位矩阵，在进行特征点定位时，获取人脸图像对应的初始特征矩阵后，根据降维矩阵对初始特征矩阵进行降维处理，并根据降维后的初始特征矩阵以及预测定位矩阵进行特征点定位，降低了需要计算的维度，从而减少计算时间，提高特征点定位的速度，保证图像处理的时效性。

本公开一示例性实施例还提供里一种图像特征点定位装置，能够实现本公开提供的图像特征点定位方法。该装置包括：处理器，以及用于存储处理器的可执行指令的存储器。其中，处理器被配置为：

获取人脸图像对应的初始特征矩阵，所述初始特征矩阵是所述人脸图像中的N个初始特征点的特征向量所组成的矩阵，N≥1，且N为整数；

通过预设的降维矩阵对所述初始特征矩阵进行降维处理，获得降维后的特征矩阵；

根据预设的特征定位算法以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵；

根据所述拟合后的特征矩阵确定所述人脸图像中的各个特征点。

可选的，所述处理器还被配置为：

在通过预设的降维矩阵对所述初始特征矩阵进行降维处理，获得降维后的特征矩阵之前，获取训练样本图像，所述训练样本图像是已标注有N个特征点的人脸图像；

提取训练特征矩阵，所述训练特征矩阵是由所述N个特征点的特征向量所组成的矩阵；

根据所述训练特征矩阵进行机器训练，获得所述降维矩阵。

可选的，所述根据所述训练特征矩阵进行机器训练，获得所述降维矩阵，包括：

按照主分量分析PCA算法对所述训练特征矩阵进行机器训练，获得所述降维矩阵。

可选的，所述根据预设的特征定位算法以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵，包括：

获取预测定位矩阵，所述预测定位矩阵是通过SDM算法，根据训练样本图像进行机器训练获得的矩阵，所述训练样本图像是已标注有N个特征点的人脸图像；

根据所述预测定位矩阵以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵。

可选的，所述处理器还被配置为：

在获取预测定位矩阵之前，提取训练特征矩阵，所述训练特征矩阵是由所述N个特征点的特征向量所组成的矩阵；

通过所述降维矩阵对所述训练特征矩阵进行降维处理，获得降维后的训练特征矩阵；

通过SDM算法，对所述降维后的训练特征矩阵进行机器训练，获得所述预测定位矩阵。

可选的，所述获取人脸图像对应的初始特征矩阵，包括：

对所述人脸图像进行人脸检测，确定所述人脸图像中的人脸区域；

在所述人脸区域范围内确定出所述N个初始特征点；

根据确定出的所述N个初始特征点获取所述初始特征矩阵。

需要说明的一点是，上述实施例提供的装置在实现其功能时，仅以上述各个功能模块的划分进行举例说明，实际应用中，可以根据实际需要而将上述功能分配由不同的功能模块完成，即将设备的内容结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

图7是根据一示例性实施例示出的图像处理设备的结构示意图，该图像处理设备包括：处理器710、存储器720和网络接口730。

处理器710包括一个或一个以上的处理核心。

存储器720用于存储程序指令和/或数据，处理器710被配置为执行存储器720中的程序指令，从而实现各种功能应用以及数据处理。可选地，存储器720中存储的程序指令被执行时用于实现本公开各个实施例提供的图像处理设备方法。存储器720可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

网络接口730用于实现图像处理设备与终端之间、或与服务器之间的通信，网络接口730可以是有线通信组件，比如，光纤接口、RJ45网卡及接口等。网络接口730也可以是无线通信组件。

可选地，存储器720中存储的程序指令包括：应用层722和内核层724。应用层722包括至少一个可运行程序。

上述结构仅为对图像处理设备的示意性说明，本领域技术人员可以知晓，图像处理设备还可以包括比上述示意更多或更少的组件，比如，图像处理设备还可以包括输入/输出(I/O)组件或电源等组件。

本领域普通技术人员可以理解的是，实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序指令配合相关的硬件完成，所述程序指令可以存储于存储设备中，该存储设备含有一种计算机可读存储介质，上述提到的存储介质可以是只读存储器，固态硬盘(Solid State Drives，SSD)，闪存(Flash),磁盘或光盘等。当该计算机可读存储介质中的指令由图像处理设备的处理器810执行时，使得图像处理设备能够执行上述图像特征点定位方法。

本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本公开的真正范围和精神由下面的权利要求指出。

应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。

Claims (7)

1.一种图像特征点定位方法，其特征在于，所述方法包括：

获取训练样本图像，所述训练样本图像是已标注有N个特征点的人脸图像，所述N为正整数；

提取训练特征矩阵，所述训练特征矩阵是由所述N个特征点的特征向量所组成的矩阵；

按照主分量分析PCA算法对所述训练特征矩阵进行机器训练，获得降维矩阵，所述降维矩阵是由机器训练得到的前m个特征向量构成的矩阵，所述m为正整数；

通过所述降维矩阵对所述训练特征矩阵进行降维处理，获得降维后的训练特征矩阵；

通过SDM算法，对所述降维后的训练特征矩阵进行机器训练，获得预测定位矩阵；

获取待处理的人脸图像对应的初始特征矩阵，所述初始特征矩阵是所述待处理的人脸图像中的N个初始特征点的特征向量所组成的矩阵；

通过所述降维矩阵对所述初始特征矩阵进行降维处理，获得降维后的特征矩阵；

根据所述预测定位矩阵以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵；

根据所述拟合后的特征矩阵确定所述待处理的人脸图像中的各个特征点。

2.根据权利要求1所述的方法，其特征在于，所述获取待处理的人脸图像对应的初始特征矩阵，包括：

对所述待处理的人脸图像进行人脸检测，确定所述待处理的人脸图像中的人脸区域；

在所述人脸区域范围内确定出所述N个初始特征点；

根据确定出的所述N个初始特征点获取所述初始特征矩阵。

3.一种图像特征点定位装置，其特征在于，所述装置包括：

样本获取模块，用于获取训练样本图像，所述训练样本图像是已标注有N个特征点的人脸图像；

第一矩阵提取模块，用于提取训练特征矩阵，所述训练特征矩阵是由所述N个特征点的特征向量所组成的矩阵；

第一训练模块，用于按照主分量分析PCA算法对所述训练特征矩阵进行机器训练，获得降维矩阵，所述降维矩阵是由机器训练得到的前m个特征向量构成的矩阵，所述m为正整数；

第二降维模块，用于通过所述降维矩阵对所述训练特征矩阵进行降维处理，获得降维后的训练特征矩阵；

第二训练模块，用于通过SDM算法，对所述降维后的训练特征矩阵进行机器训练，获得预测定位矩阵；

初始矩阵获取模块，用于获取待处理的人脸图像对应的初始特征矩阵，所述初始特征矩阵是所述待处理的人脸图像中的N个初始特征点的特征向量所组成的矩阵，N≥1，且N为整数；

第一降维模块，用于通过预设的降维矩阵对所述初始特征矩阵进行降维处理，获得降维后的特征矩阵；

计算模块，用于根据预设的特征定位算法以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵；

确定模块，用于根据所述拟合后的特征矩阵确定所述待处理的人脸图像中的各个特征点；

其中，所述计算模块，包括：

定位矩阵获取子模块，用于获取所述预测定位矩阵；

计算子模块，用于根据所述预测定位矩阵以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵。

4.根据权利要求3所述的装置，其特征在于，所述初始矩阵获取模块，包括：

人脸检测子模块，用于对所述待处理的人脸图像进行人脸检测，确定所述待处理的人脸图像中的人脸区域；

确定子模块，用于在所述人脸区域范围内确定出所述N个初始特征点；

获取子模块，用于根据确定出的所述N个初始特征点获取所述初始特征矩阵。

5.一种图像特征点定位装置，其特征在于，所述装置包括：

处理器；

用于存储所述处理器的可执行指令的存储器；

其中，所述处理器被配置为：

获取训练样本图像，所述训练样本图像是已标注有N个特征点的人脸图像，所述N为正整数；

提取训练特征矩阵，所述训练特征矩阵是由所述N个特征点的特征向量所组成的矩阵；

按照主分量分析PCA算法对所述训练特征矩阵进行机器训练，获得降维矩阵，所述降维矩阵是由机器训练得到的前m个特征向量构成的矩阵，所述m为正整数；

通过所述降维矩阵对所述训练特征矩阵进行降维处理，获得降维后的训练特征矩阵；

通过SDM算法，对所述降维后的训练特征矩阵进行机器训练，获得预测定位矩阵；

获取待处理的人脸图像对应的初始特征矩阵，所述初始特征矩阵是所述待处理的人脸图像中的N个初始特征点的特征向量所组成的矩阵；

通过所述降维矩阵对所述初始特征矩阵进行降维处理，获得降维后的特征矩阵；

根据所述预测定位矩阵以及所述降维后的特征矩阵进行拟合计算，获得拟合后的特征矩阵；

根据所述拟合后的特征矩阵确定所述待处理的人脸图像中的各个特征点。

6.一种存储设备，其特征在于，所述存储设备中存储有至少一条指令，所述指令是由处理器加载并执行，以实现权利要求1或2任一所述的图像特征点定位方法。

7.一种计算机可读存储介质，其特征在于，所述存储介质中存储有指令，所述指令被处理器执行，以实现如权利要求1或2任一项所述的图像特征点定位方法。

Images