CN107832741A - 人脸特征点定位的方法、装置及计算机可读存储介质 - Google Patents

Abstract

本公开是关于一种人脸特征点定位的方法、装置及计算机可读存储介质，涉及图像处理领域。该方法包括：对当前帧图像中的人脸特征点的位置进行特征点检测，得到第一位置；根据前一帧图像中人脸特征点的实际位置，对当前帧图像中人脸特征点的位置进行特征点跟踪，得到第二位置；对第一位置和第二位置进行位置融合，得到当前帧图像中人脸特征点的实际位置。本公开消除了由于人脸器官抖动而导致定位的人脸特征点的实际位置不稳定的问题，并且通过前一帧图像中的人脸特征点对当前帧图像中人脸特征点进行跟踪，提高了定位人脸特征点实际位置的准确性。

Description

人脸特征点定位的方法、装置及计算机可读存储介质

技术领域

本公开涉及图像处理领域，尤其涉及一种人脸特征点定位的方法、装置及计算机可读存储介质。

背景技术

随着计算机视觉、模式识别、神经网络和人工智能等技术的快速发展，人脸识别应景而生。由于人脸识别具有方便、准确和经济等优点，且可用于公安系统、监控系统、安全系统和门禁系统等各个方面，因此，人脸识别有着广阔的应用前景，成为了各个领域学者争先研究的识别技术。在人脸识别的过程中，人脸特征点定位是至关重要的一步。

目前，通常采用SDM(Supervised Descent Method，监督下降法)或者CNN(Convolutional Neural Network，卷积神经网络)的方法进行人脸特征点定位，即先给定一张人脸图像，然后通过SDM或者CNN的方法定位出人脸图像上的人脸特征点。

发明内容

为克服相关技术中存在的问题，本公开提供一种人脸特征点定位的方法、装置及计算机可读存储介质。

第一方面，提供一种人脸特征点定位的方法，包括：

对当前帧图像中的人脸特征点的位置进行特征点检测，得到第一位置；

根据前一帧图像中所述人脸特征点的实际位置，对所述当前帧图像中所述人脸特征点的位置进行特征点跟踪，得到第二位置；

对所述第一位置和所述第二位置进行位置融合，得到所述当前帧图像中所述人脸特征点的实际位置。

可选地，所述对所述第一位置和所述第二位置进行位置融合，得到所述当前帧图像中的人脸特征点的实际位置，包括：

确定融合权重；

按照所述融合权重，对所述第一位置和所述第二位置进行加权融合，得到所述当前帧图像中的人脸特征点的实际位置。

可选地，所述确定融合权重，包括：

确定所述第二位置的置信度；

根据所述第二位置的置信度确定所述融合权重。

可选地，所述确定所述第二位置的置信度，包括：

获取第一特征向量和第二特征向量；

其中，所述第一特征向量是由所述前一帧图像中所述人脸特征点的实际位置的邻域内的像素点的特征组成，所述第二特征向量是由所述当前帧图像中所述第二位置的邻域内的像素点的特征组成，所述邻域的大小为预设大小；

确定所述第一特征向量和所述第二特征向量之间的相似度；

将所述相似度确定为所述第二位置的置信度。

可选地，所述按照所述融合权重，对所述第一位置和所述第二位置进行加权融合，得到所述当前帧图像中的人脸特征点的实际位置，包括：

按照所述融合权重，对所述第一位置和所述第二位置进行加权融合，通过如下公式，确定所述当前帧图像中的人脸特征点的实际位置：

A＝α*A1+(1-α)*A2

其中，在上述公式中，A1为所述第一位置，A2为所述第二位置，A为所述当前帧图像中的人脸特征点的实际位置，α为所述融合权重。

第二方面，提供一种人脸特征点定位的装置，所述装置包括：

检测模块，用于对当前帧图像中的人脸特征点的位置进行特征点检测，得到第一位置；

跟踪模块，用于根据前一帧图像中所述人脸特征点的实际位置，对所述当前帧图像中所述人脸特征点的位置进行特征点跟踪，得到第二位置；

融合模块，用于对所述第一位置和所述第二位置进行位置融合，得到所述当前帧图像中所述人脸特征点的实际位置。

可选地，所述融合模块包括：

确定子模块，用于确定融合权重；

加权子模块，用于按照所述融合权重，对所述第一位置和所述第二位置进行加权融合，得到所述当前帧图像中的人脸特征点的实际位置。

可选地，所述确定子模块包括：

第一确定单元，用于确定所述第二位置的置信度；

第二确定单元，用于根据所述第二位置的置信度确定所述融合权重。

可选地，所述第一确定单元包括：

获取子单元，用于获取第一特征向量和第二特征向量；

其中，所述第一特征向量是由所述前一帧图像中所述人脸特征点的实际位置的邻域内的像素点的特征组成，所述第二特征向量是由所述当前帧图像中所述第二位置的邻域内的像素点的特征组成，所述邻域的大小为预设大小；

第一确定子单元，用于确定所述第一特征向量和所述第二特征向量之间的相似度；

第二确定子单元，用于将所述相似度确定为所述第二位置的置信度。

可选地，所述加权子模块主要用于：

按照所述融合权重，对所述第一位置和所述第二位置进行加权融合，通过如下公式，确定所述当前帧图像中的人脸特征点的实际位置：

A＝α*A1+(1-α)*A2

其中，在上述公式中，A1为所述第一位置，A2为所述第二位置，A为所述当前帧图像中的人脸特征点的实际位置，α为所述融合权重。

第三方面，提供一种人脸特征点定位的装置，所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行上述第一方面所述的任一项方法的步骤。

第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，所述指令被处理器执行时实现上述第一方面所述的任一项方法的步骤。

第五方面，提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述第一方面任一项所述方法的步骤。

本公开的实施例提供的技术方案可以包括以下有益效果：

在本公开实施例中，对当前帧图像中的人脸特征点的位置进行特征点检测，得到第一位置；根据前一帧图像中人脸特征点的实际位置，对当前帧图像中人脸特征点的位置进行特征点跟踪，得到第二位置；对第一位置和第二位置进行位置融合，得到当前帧图像中人脸特征点的实际位置。也即是，分别通过特征点检测和特征点跟踪确定当前帧图像中同一人脸特征点的两个位置，然后对这两个位置进行位置融合，得到最终的人脸特征点的实际位置，消除了由于人脸器官抖动而导致定位的人脸特征点的实际位置不稳定的问题，并且通过前一帧图像中的人脸特征点对当前帧图像中人脸特征点进行跟踪，提高了定位人脸特征点实际位置的准确性。

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人脸特征点定位的方法的流程图。

图2A是根据一示例性实施例示出的一种人脸特征点定位的方法的流程图。

图2B是根据图2A示出的一种人脸特征点定位的方法的示例图。

图2C是根据图2A示出的一种人脸特征点定位的方法的示例图。

图3是根据一示例性实施例示出的一种人脸特征点定位装置的框图。

图4是根据一示例性实施例示出的一种装置的框图。

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装置和方法的例子。

在对本公开实施例进行详细的解释说明之前，先对本公开实施例的应用场景进行介绍：

作为图像处理领域的宠儿，人脸识别技术被广泛应用，例如，人脸识别技术可应用于高校的打卡机，在打卡的同时需要对该卡中的信息进行人脸识别，以提高高校学生的到课率；人脸识别技术还可应用于公安系统，通过人脸识别技术对嫌疑人进行精准地人脸辨识，以提高公安的案件侦查率。而在人脸识别的过程中，人脸特征点定位是一个极其关键的步骤，为人脸图像的处理与分析提供了重要的信息，通过计算机可在一副人脸图像中自动地定位出人脸各个器官的准确位置以及人脸外轮廓等。

然而，目前的人脸特征点定位的方法通常是采用SDM或者CNN技术，通过SDM或者CNN技术对给定的人脸图像上的人脸特征点进行定位时，人脸器官会抖动，以致于定位的人脸特征点既不稳定又不准确。因此，本公开实施例提出了一种能够提高定位人脸特征点实际位置准确性的人脸特征点定位的方法。

图1是根据一示例性实施例示出的一种人脸特征点定位的方法的流程图，如图1所示，该方法包括以下步骤。

在步骤101中，对当前帧图像中的人脸特征点的位置进行特征点检测，得到第一位置。

在步骤102中，根据前一帧图像中人脸特征点的实际位置，对当前帧图像中人脸特征点的位置进行特征点跟踪，得到第二位置。

在步骤103中，对第一位置和第二位置进行位置融合，得到当前帧图像中人脸特征点的实际位置。

在本公开实施例中，对当前帧图像中的人脸特征点的位置进行特征点检测，得到第一位置；根据前一帧图像中人脸特征点的实际位置，对当前帧图像中人脸特征点的位置进行特征点跟踪，得到第二位置；对第一位置和第二位置进行位置融合，得到当前帧图像中人脸特征点的实际位置。也即是，分别通过特征点检测和特征点跟踪确定当前帧图像中同一人脸特征点的两个位置，然后对这两个位置进行位置融合，得到最终的人脸特征点的实际位置，消除了由于人脸器官抖动而导致定位的人脸特征点的实际位置不稳定的问题，并且通过前一帧图像中的人脸特征点对当前帧图像中人脸特征点进行跟踪，提高了定位人脸特征点实际位置的准确性。

可选地，对第一位置和第二位置进行位置融合，得到当前帧图像中的人脸特征点的实际位置，包括：

确定融合权重；

按照融合权重，对第一位置和第二位置进行加权融合，得到当前帧图像中的人脸特征点的实际位置。

可选地，确定融合权重，包括：

确定第二位置的置信度；

根据第二位置的置信度确定融合权重。

可选地，确定第二位置的置信度，包括：

获取第一特征向量和第二特征向量；

其中，第一特征向量是由前一帧图像中人脸特征点的实际位置的邻域内的像素点的特征组成，第二特征向量是由当前帧图像中第二位置的邻域内的像素点的特征组成，邻域的大小为预设大小；

确定第一特征向量和第二特征向量之间的相似度；

将相似度确定为第二位置的置信度。

可选地，按照融合权重，对第一位置和第二位置进行加权融合，得到当前帧图像中的人脸特征点的实际位置，包括：

按照融合权重，对第一位置和第二位置进行加权融合，通过如下公式，确定当前帧图像中的人脸特征点的实际位置：

A＝α*A1+(1-α)*A2

其中，在上述公式中，A1为第一位置，A2为第二位置，A为当前帧图像中的人脸特征点的实际位置，α为融合权重。

上述所有可选技术方案，均可按照任意结合形成本公开的可选实施例，本公开实施例对此不再一一赘述。

图2A是根据一示例性实施例示出的一种人脸特征点定位的方法的流程图，本实施例将对图1所示的实施例进行展开说明。如图2A所示，该方法包括以下步骤。

在步骤201中，对当前帧图像中的人脸特征点的位置进行特征点检测，得到第一位置。

在人脸识别技术中，人脸检测和人脸特征点定位都是不可或缺又承前启后的步骤。给定一帧人脸图像，由于该帧人脸图像中不仅存在人脸部分，还存在非人脸部分，因此首先要从该帧人脸图像中提取出人脸区域，即人脸检测。在获取到人脸区域后，对人脸区域中人脸的各个器官进行定位，即人脸特征点定位。在对当前帧图像中的人脸特征点定位的过程中，需要确定所有人脸特征点的位置，即对当前帧图像中的人脸特征点的位置进行特征点检测，得到第一位置。其中，当前帧图像为当前需要进行特征点检测的一帧图像。

需要说明的是，可以通过特征点检测算法对当前帧图像中的人脸特征点的位置进行特征点检测，特征点检测算法包括但不限于SDM、CNN、LBF(Local Binary Fitting，局部二元拟合)等算法，本公开实施例中对此不做限定。

在步骤202中，根据前一帧图像中人脸特征点的实际位置，对当前帧图像中人脸特征点的位置进行特征点跟踪，得到第二位置。

相关技术中进行人脸特征点定位时，只根据当前帧图像中检测的人脸特征点的位置来确定当前帧图像的人脸特征点的实际位置，然而视频或动画等是由一帧帧连续的图像组成，每一帧图像均与前后帧的图像有关联，从而由许许多多前后关联的连续图像组成一个视频或动画。因此，当只根据当前帧图像中检测的人脸特征点的位置来确定当前帧图像的人脸特征点的实际位置时，得到的结果可能并不准确。

因此，本公开实施例在确定当前帧图像的人脸特征点的实际位置的过程中，引入了前一帧图像中人脸特征点的实际位置，用前一帧图像对当前帧图像进行特征点跟踪，也即是根据前一帧图像中人脸特征点的实际位置，对当前帧图像中人脸特征点的位置进行特征点跟踪，得到第二位置。其中，前一帧图像为一个视频或动画中与当前帧图像相邻且位于当前帧图像之前的一帧图像。

需要说明的是，可以通过特征点跟踪算法对当前帧图像中的人脸特征点的位置进行特征点跟踪，特征点跟踪算法包括但不限于KLT(Kanade Lucas Tomasi Tracking，卡纳德·卢卡斯·托马西跟踪)、CMT(Clustering of Static-Adaptive Correspondences forDeformable Object Tracking，静态自适应对应变形对象跟踪的聚类)、TLD(Tracking-Learning-Detection，跟踪学习检测)等算法，本公开实施例中对此不做限定。

还需要说明的是，上述步骤201和步骤202的顺序可以互换，即可以先对当前帧图像中的人脸特征点的位置进行特征点检测，得到第一位置，再根据前一帧图像中人脸特征点的实际位置，对当前帧图像中人脸特征点的位置进行特征点跟踪，得到第二位置，也可以先根据前一帧图像中人脸特征点的实际位置，对当前帧图像中人脸特征点的位置进行特征点跟踪，得到第二位置，再对当前帧图像中的人脸特征点的位置进行特征点检测，得到第一位置。本公开实施例对此不做限定。

在得到第一位置和第二位置后，可以对第一位置和第二位置进行位置融合，得到当前帧图像中人脸特征点的实际位置，而在得到当前帧图像中的人脸特征点的实际位置的过程中，需要确定融合权重，进而按照融合权重，对第一位置和第二位置进行位置融合，得到当前帧图像中人脸特征点的实际位置。其中，确定融合权重可以根据如下步骤203和步骤204中的方法实现，按照融合权重，对第一位置和第二位置进行位置融合，得到当前帧图像中人脸特征点的实际位置可以根据如下步骤205中的方法实现，接下来对步骤203、步骤204和步骤205进行详细介绍。

在步骤203中，确定第二位置的置信度。

由于通过特征点跟踪得到的第二位置可能与当前帧图像的人脸特征点的实际位置之间有一定的差距，因此，需要通过置信度来衡量第二位置的准确性。其中，置信度又称可靠度。

实际实现中，需要获取第一特征向量和第二特征向量，确定第一特征向量和第二特征向量之间的相似度，将该相似度确定为第二位置的置信度。其中，第一特征向量是由前一帧图像中人脸特征点的实际位置的邻域内的像素点的特征组成，第二特征向量是由当前帧图像中第二位置的邻域内的像素点的特征组成，该邻域的大小为预设大小。其中，邻域是指以一个像素点的位置为中心的方阵的区域。

例如，当前需要确定鼻子上特征点A的位置的置信度，特征点A的邻域为以特征点A为中心3*3的方阵区域，如图2B所示，先由前一帧图像中鼻子上特征点A的实际位置的邻域内的像素点的特征确定第一特征向量，如图2C所示，再由当前帧图像中鼻子上特征点A的第二位置的邻域内的像素点的特征确定第二特征向量，再将第一特征向量和第二特征向量之间的相似度确定为当前帧图像中鼻子上特征点A的第二位置的置信度。

需要说明的是，根据数学方面的知识可知，对于一个点而言，其邻域内的所有点的综合特性可以反映该一个点的特性，因此，本公开实施例通过前一帧图像中人脸特征点的实际位置的邻域内的像素点的特征表示第一特征向量，通过当前帧图像中第二位置的邻域内的像素点的特征表示第二特征向量。

还需要说明的是，在获取到第一特征向量和第二特征向量之后，可以将第一特征向量和第二特征向量之间的相似度确定为第二位置的置信度。例如，可以根据皮尔逊相关系数、欧几里德距离、Cosine相似度、Tanimoto系数、曼哈顿距离、马氏距离、兰氏距离公式以及切比雪夫距离公式等方法确定第一特征向量和第二特征向量之间的相似度。在实际实现中，常用的确定特征向量之间相似度的方法为Cosine相似度方法和Tanimoto系数方法。

其中，计算两个特征向量之间的相似度实质是计算两个特征向量之间的距离，距离越近相似度越大。

当然，还可以通过其他方式确定第一特征向量和第二特征向量之间的相似度，进而将该相似度确定为第二位置的置信度，本公开实施例对此不作限定。

在步骤204中，根据第二位置的置信度确定融合权重。

在确定当前帧图像中人脸特征点的实际位置的过程中，当得到第一位置和第二位置后，需要将第一位置和第二位置进行相应的融合，以得到当前帧图像中该人脸特征点的实际位置。在将第一位置和第二位置进行相应的融合的过程中，需要确定融合权重。

实际实现中，可以根据第二位置的置信度确定融合权重。根据第二位置的置信度确定融合权重可由如下几种可能的实现方式实现：

第一种可能的实现方式，根据第二位置的置信度，通过如下公式(1)确定融合权重：

α＝kS+b (1)

其中，S为第二位置的置信度，α为融合权重，k和b为常数。

第二种可能的实现方式，根据第二位置的置信度，通过如下公式(2)确定融合权重：

α＝kS (2)

其中，S为第二位置的置信度，α为融合权重，k为常数。

第三种可能的实现方式，根据第二位置的置信度，通过如下公式(3)确定融合权重：

α＝S (3)

其中，S为第二位置的置信度，α为融合权重。

从上述公式(1)、(2)、(3)可以看出，无论在哪种可能的实现方式中，第二位置的置信度和融合权重均呈线性关系。因此，融合权重随着第二位置的置信度的变化而变化，第二位置的置信度越大，融合权重就越大，第二位置的置信度越小，融合权重就越小。

需要说明的是，在实际应用中，根据第二位置的置信度确定融合权重还可以通过其他方式实现，本公开实施例中对此不做限定。

在步骤205中，按照融合权重，对第一位置和第二位置进行加权融合，得到当前帧图像中的人脸特征点的实际位置。

由于当前帧图像中的人脸特征点的实际位置需要通过检测得到的第一位置、跟踪得到的第二位置以及由第二位置的置信度确定的融合权重确定，因此，在确定了第一位置、第二位置以及融合权重后，可以根据一定的关系表达式确定当前帧图像中人脸特征点的实际位置。

实际实现中，按照融合权重，对第一位置和第二位置进行加权融合，通过如下公式(4)确定当前帧图像中的人脸特征点的实际位置：

A＝α*A1+(1-α)*A2 (4)

其中，在上述公式中，A1为第一位置，A2为第二位置，A为当前帧图像中的人脸特征点的实际位置，α为融合权重。

根据上述公式(1)、(2)、(3)可知，第二位置的置信度越大，融合权重越大，根据上述公式(4)可知，融合权重越大，当前帧图像中的人脸特征点的实际位置就与第一位置越接近，即说明对当前帧图像中的人脸特征点的位置进行特征点检测地越准确。

需要说明的是，本公开实施例是按照融合权重的方式确定当前帧图像中的人脸特征点的实际位置，在实际实现中，还可以按照其他可能实现的方式确定当前帧图像中的人脸特征点的实际位置，例如，对第一位置和第二位置作加权平均，通过如下公式(5)确定当前帧图像中的人脸特征点的实际位置：

对比上述公式(4)和(5)，可以看出，通过上述公式(4)确定当前帧图像中的人脸特征点的实际位置的方法中，需要获取融合权重，但是通过该方法确定的当前帧图像中的人脸特征点的实际位置准确性较高。通过上述公式(5)确定当前帧图像中的人脸特征点的实际位置的方法中，不需要获取融合权重，便可以确定当前帧图像中的人脸特征点的实际位置，但是通过该方法确定的当前帧图像中的人脸特征点的实际位置准确性较低。实际应用中，可以根据实际情况选择适合当前情况的方法进行当前帧图像中的人脸特征点的实际位置的确定。

还需要说明的是，本公开实施例还可以通过其他可能实现的方式确定当前帧图像中的人脸特征点的实际位置，本公开实施例对此不做限定。

在本公开实施例中，对当前帧图像中的人脸特征点的位置进行特征点检测，得到第一位置；根据前一帧图像中人脸特征点的实际位置，对当前帧图像中人脸特征点的位置进行特征点跟踪，得到第二位置；对第一位置和第二位置进行位置融合，得到当前帧图像中人脸特征点的实际位置。也即是，分别通过特征点检测和特征点跟踪确定当前帧图像中同一人脸特征点的两个位置，然后对这两个位置进行位置融合，得到最终的人脸特征点的实际位置，消除了由于人脸器官抖动而导致定位的人脸特征点的实际位置不稳定的问题，并且通过前一帧图像中的人脸特征点对当前帧图像中人脸特征点进行跟踪，提高了定位人脸特征点实际位置的准确性。

图3是根据一示例性实施例示出的一种人脸特征点定位的装置300的框图。如图3所示，该装置300包括检测模块301、跟踪模块302和融合模块303。

检测模块301，用于对当前帧图像中的人脸特征点的位置进行特征点检测，得到第一位置；

跟踪模块302，用于根据前一帧图像中人脸特征点的实际位置，对当前帧图像中人脸特征点的位置进行特征点跟踪，得到第二位置；

融合模块303，用于对第一位置和第二位置进行位置融合，得到当前帧图像中人脸特征点的实际位置。

可选地，融合模块303包括：

确定子模块，用于确定融合权重；

加权子模块，用于按照融合权重，对第一位置和第二位置进行加权融合，得到当前帧图像中的人脸特征点的实际位置。

可选地，确定子模块包括：

第一确定单元，用于确定第二位置的置信度；

第二确定单元，用于根据第二位置的置信度确定融合权重。

可选地，第一确定单元包括：

获取子单元，用于获取第一特征向量和第二特征向量；

其中，第一特征向量是由前一帧图像中人脸特征点的实际位置的邻域内的像素点的特征组成，第二特征向量是由当前帧图像中第二位置的邻域内的像素点的特征组成，邻域的大小为预设大小；

第一确定子单元，用于确定第一特征向量和第二特征向量之间的相似度；

第二确定子单元，用于将相似度确定为第二位置的置信度。

可选地，加权子模块主要用于：

按照融合权重，对第一位置和第二位置进行加权融合，通过如下公式，确定当前帧图像中的人脸特征点的实际位置：

A＝α*A1+(1-α)*A2

其中，在上述公式中，A1为第一位置，A2为第二位置，A为当前帧图像中的人脸特征点的实际位置，α为融合权重。

在本公开实施例中，对当前帧图像中的人脸特征点的位置进行特征点检测，得到第一位置；根据前一帧图像中人脸特征点的实际位置，对当前帧图像中人脸特征点的位置进行特征点跟踪，得到第二位置；对第一位置和第二位置进行位置融合，得到当前帧图像中人脸特征点的实际位置。也即是，分别通过特征点检测和特征点跟踪确定当前帧图像中同一人脸特征点的两个位置，然后对这两个位置进行位置融合，得到最终的人脸特征点的实际位置，消除了由于人脸器官抖动而导致定位的人脸特征点的实际位置不稳定的问题，并且通过前一帧图像中的人脸特征点对当前帧图像中人脸特征点进行跟踪，提高了定位人脸特征点实际位置的准确性。

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4是根据一示例性实施例示出的一种用于人脸特征点定位的装置400的框图。例如，装置400可以是移动电话，计算机，数字广播终端，消息收发设备，游戏控制台，平板设备，医疗设备，健身设备，个人数字助理等。

参照图4，装置400可以包括以下一个或多个组件：处理组件402，存储器404，电源组件406，多媒体组件408，音频组件410，输入/输出(I/O)的接口412，传感器组件414，以及通信组件416。

处理组件402通常控制装置400的整体操作，诸如与显示，电话呼叫，数据通信，相机操作和记录操作相关联的操作。处理组件402可以包括一个或多个处理器420来执行指令，以完成上述的方法的全部或部分步骤。此外，处理组件402可以包括一个或多个模块，便于处理组件402和其他组件之间的交互。例如，处理组件402可以包括多媒体模块，以方便多媒体组件408和处理组件402之间的交互。

存储器404被配置为存储各种类型的数据以支持在装置400的操作。这些数据的示例包括用于在装置400上操作的任何应用程序或方法的指令，联系人数据，电话簿数据，消息，图片，视频等。存储器404可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。

电源组件406为装置400的各种组件提供电源。电源组件406可以包括电源管理系统，一个或多个电源，及其他与为装置400生成、管理和分配电源相关联的组件。

多媒体组件408包括在所述装置400和用户之间的提供一个输出接口的屏幕。在一些实施例中，屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板，屏幕可以被实现为触摸屏，以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界，而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中，多媒体组件408包括一个前置摄像头和/或后置摄像头。当装置400处于操作模式，如拍摄模式或视频模式时，前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。

音频组件410被配置为输出和/或输入音频信号。例如，音频组件410包括一个麦克风(MIC)，当装置400处于操作模式，如呼叫模式、记录模式和语音识别模式时，麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器404或经由通信组件416发送。在一些实施例中，音频组件410还包括一个扬声器，用于输出音频信号。

I/O接口412为处理组件402和外围接口模块之间提供接口，上述外围接口模块可以是键盘，点击轮，按钮等。这些按钮可包括但不限于：主页按钮、音量按钮、启动按钮和锁定按钮。

传感器组件414包括一个或多个传感器，用于为装置400提供各个方面的状态评估。例如，传感器组件414可以检测到装置400的打开/关闭状态，组件的相对定位，例如所述组件为装置400的显示器和小键盘，传感器组件414还可以检测装置400或装置400一个组件的位置改变，用户与装置400接触的存在或不存在，装置400方位或加速/减速和装置400的温度变化。传感器组件414可以包括接近传感器，被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件414还可以包括光传感器，如CMOS或CCD图像传感器，用于在成像应用中使用。在一些实施例中，该传感器组件414还可以包括加速度传感器，陀螺仪传感器，磁传感器，压力传感器或温度传感器。

通信组件416被配置为便于装置400和其他设备之间有线或无线方式的通信。装置400可以接入基于通信标准的无线网络，如WiFi，2G或3G，或它们的组合。在一个示例性实施例中，通信组件416经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中，所述通信组件416还包括近场通信(NFC)模块，以促进短程通信。例如，在NFC模块可基于射频识别(RFID)技术，红外数据协会(IrDA)技术，超宽带(UWB)技术，蓝牙(BT)技术和其他技术来实现。

在示例性实施例中，装置400可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行上述图1或图2A所示实施例提供的方法。

在示例性实施例中，还提供了一种包括指令的非临时性计算机可读存储介质，例如包括指令的存储器404，上述指令可由装置400的处理器420执行以完成上述方法。例如，所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。

一种非临时性计算机可读存储介质，当所述存储介质中的指令由移动终端的处理器执行时，使得移动终端能够执行一种人脸特征点定位的方法。

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。本申请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 (12)

1.一种人脸特征点定位的方法，其特征在于，所述方法包括：

对当前帧图像中的人脸特征点的位置进行特征点检测，得到第一位置；

根据前一帧图像中所述人脸特征点的实际位置，对所述当前帧图像中所述人脸特征点的位置进行特征点跟踪，得到第二位置；

对所述第一位置和所述第二位置进行位置融合，得到所述当前帧图像中所述人脸特征点的实际位置。

2.如权利要求1所述的方法，其特征在于，所述对所述第一位置和所述第二位置进行位置融合，得到所述当前帧图像中的人脸特征点的实际位置，包括：

确定融合权重；

按照所述融合权重，对所述第一位置和所述第二位置进行加权融合，得到所述当前帧图像中的人脸特征点的实际位置。

3.如权利要求2所述的方法，其特征在于，所述确定融合权重，包括：

确定所述第二位置的置信度；

根据所述第二位置的置信度确定所述融合权重。

4.如权利要求3所述的方法，其特征在于，所述确定所述第二位置的置信度，包括：

获取第一特征向量和第二特征向量；

其中，所述第一特征向量是由所述前一帧图像中所述人脸特征点的实际位置的邻域内的像素点的特征组成，所述第二特征向量是由所述当前帧图像中所述第二位置的邻域内的像素点的特征组成，所述邻域的大小为预设大小；

确定所述第一特征向量和所述第二特征向量之间的相似度；

将所述相似度确定为所述第二位置的置信度。

5.如权利要求2-4任一所述的方法，其特征在于，所述按照所述融合权重，对所述第一位置和所述第二位置进行加权融合，得到所述当前帧图像中的人脸特征点的实际位置，包括：

按照所述融合权重，对所述第一位置和所述第二位置进行加权融合，通过如下公式，确定所述当前帧图像中的人脸特征点的实际位置：

A＝α*A1+(1-α)*A2

其中，在上述公式中，A1为所述第一位置，A2为所述第二位置，A为所述当前帧图像中的人脸特征点的实际位置，α为所述融合权重。

6.一种人脸特征点定位的装置，其特征在于，所述装置包括：

检测模块，用于对当前帧图像中的人脸特征点的位置进行特征点检测，得到第一位置；

跟踪模块，用于根据前一帧图像中所述人脸特征点的实际位置，对所述当前帧图像中所述人脸特征点的位置进行特征点跟踪，得到第二位置；

融合模块，用于对所述第一位置和所述第二位置进行位置融合，得到所述当前帧图像中所述人脸特征点的实际位置。

7.如权利要求6所述的装置，其特征在于，所述融合模块包括：

确定子模块，用于确定融合权重；

加权子模块，用于按照所述融合权重，对所述第一位置和所述第二位置进行加权融合，得到所述当前帧图像中的人脸特征点的实际位置。

8.如权利要求7所述的装置，其特征在于，所述确定子模块包括：

第一确定单元，用于确定所述第二位置的置信度；

第二确定单元，用于根据所述第二位置的置信度确定所述融合权重。

9.如权利要求8所述的装置，其特征在于，所述第一确定单元包括：

获取子单元，用于获取第一特征向量和第二特征向量；

其中，所述第一特征向量是由所述前一帧图像中所述人脸特征点的实际位置的邻域内的像素点的特征组成，所述第二特征向量是由所述当前帧图像中所述第二位置的邻域内的像素点的特征组成，所述邻域的大小为预设大小；

第一确定子单元，用于确定所述第一特征向量和所述第二特征向量之间的相似度；

第二确定子单元，用于将所述相似度确定为所述第二位置的置信度。

10.如权利要求7-9任一所述的装置，其特征在于，所述加权子模块主要用于：

按照所述融合权重，对所述第一位置和所述第二位置进行加权融合，通过如下公式，确定所述当前帧图像中的人脸特征点的实际位置：

A＝α*A1+(1-α)*A2

其中，在上述公式中，A1为所述第一位置，A2为所述第二位置，A为所述当前帧图像中的人脸特征点的实际位置，α为所述融合权重。

11.一种人脸特征点定位的装置，其特征在于，所述装置包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行权利要求1-5任一项所述的方法的步骤。

12.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现权利要求1-5任一项所述的方法的步骤。