CN109522871A - 一种基于随机森林的人脸轮廓定位方法及系统 - Google Patents
一种基于随机森林的人脸轮廓定位方法及系统 Download PDFInfo
- Publication number
- CN109522871A CN109522871A CN201811473720.4A CN201811473720A CN109522871A CN 109522871 A CN109522871 A CN 109522871A CN 201811473720 A CN201811473720 A CN 201811473720A CN 109522871 A CN109522871 A CN 109522871A
- Authority
- CN
- China
- Prior art keywords
- mark point
- coordinate
- facial contour
- point
- random
- 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.)
- Granted
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
- G06V40/164—Detection; Localisation; Normalisation using holistic features
Abstract
本发明公开了一种基于随机森林的人脸轮廓定位方法及系统,其中,所述方法包括:步骤S1,使用随机森林生成待定位人脸图片的人脸轮廓的图像特征信息;步骤S2,使用多次线性回归定位所述待定位人脸图片的人脸轮廓。与现有技术相比,本发明不依赖常用的深度学习算法和平台,只需检测图像中的像素点即可完成轮廓定位,计算复杂度小,运算量小,速度快,不依赖庞大复杂的深度学习平台,有利于移植到计算能力较弱的一般机器以及移动设备上。
Description
技术领域
本发明涉及一种基于随机森林的人脸轮廓定位方法及系统,属于人脸轮廓定位技术领域。
背景技术
目前,对人脸轮廓定位一般采用基于深度学习算法的人脸定位方法,即在人脸样本上标注人脸轮廓,再使用多层卷积神经网络等算法定位人脸轮廓。由于该方法基于深度学习框架,如tensorflow、caffe等,其代码架构及依赖关系极其复杂,运算量较大,对机器性能需求大。
发明内容
本发明的目的在于,提供一种基于随机森林的人脸轮廓定位方法及系统,可以至少解决上述技术问题之一。
为解决上述技术问题,本发明采用如下的技术方案:
一种基于随机森林的人脸轮廓定位方法,包括:步骤S1,使用随机森林生成待定位人脸图片的人脸轮廓的图像特征信息;步骤S2,使用多次线性回归定位所述待定位人脸图片的人脸轮廓。
前述的基于随机森林的人脸轮廓定位方法中,所述使用随机森林生成待定位人脸图片的人脸轮廓的图像特征信息包括:步骤S11,获取N个初始坐标;步骤S12,根据所述N个初始坐标对所述待定位人脸图片的人脸轮廓关键区域进行标注,得到N个第一标注点,其中,所述第一个标注点的坐标为所述初始坐标;步骤S13,分别构建每个第一标注点的随机森林;步骤S14,分别根据随机森林生成每个第一标注点的特征矩阵。
前述的基于随机森林的人脸轮廓定位方法中,所述步骤S13包括:对于所述N个第一标注点中的任意一个第一标注点,在该第一标注点的随机区域内随机取点,得到多个随机点;分别计算该第一标注点对应的多个随机点两两之间的亮度的差值,得到多个亮度差;以所述多个亮度差作为非叶节点,根据信息熵的大小构建该第一标注点的多个随机二叉树,联合后组成该第一标注点的随机森林。
前述的基于随机森林的人脸轮廓定位方法中,所述步骤S14包括:对于所述N个第一标注点中的任意一个第一标注点,根据该第一标注点对应的亮度差分别从该第一标注点的每个随机二叉树中游走,得到多个二进制数,所述多个二进制数组合生成该第一标注点的特征矩阵。
前述的基于随机森林的人脸轮廓定位方法中,所述步骤S2包括:步骤S21,对所述待定位人脸图片的人脸轮廓关键区域进行标注,得到N个第二标注点,其中,所述第二标注点与所述第一标注点一一对应,所述第二标注点的坐标与一一对应的第一标注点的坐标不同;步骤S22,对于所述N个第二标注点中的任意一个第二标注点,根据该第二标注点的坐标以及与该第二标注点一一对应的第一标注点的特征矩阵,通过随机梯度下降算法学习线性回归函数,得到多个线性回归函数的系数值,将所述多个线性回归函数的系数值组成系数矩阵,将所述系数矩阵与所述特征矩阵相乘,得到坐标增量;步骤S23,将所述坐标增量与该第一标注点的坐标相加得到预测坐标,将第一标注点的坐标更新为所述预测坐标,重复所述步骤S22,直到坐标增量为0,执行步骤S24;所述步骤S24,根据所有第二标注点的坐标对所述待定位人脸图片的人脸轮廓进行定位。
一种基于随机森林的人脸轮廓定位系统,包括:图像特征生成模块,用于使用随机森林生成待定位人脸图片的人脸轮廓的图像特征信息;线性回归定位模块,用于使用多次线性回归定位所述待定位人脸图片的人脸轮廓。
前述的基于随机森林的人脸轮廓定位系统中,所述图像特征生成模块包括:初始坐标获取模块,用于获取N个初始坐标;第一标注模块,用于根据所述N个初始坐标对所述待定位人脸图片的人脸轮廓关键区域进行标注,得到N个第一标注点,其中,所述第一个标注点的坐标为所述初始坐标;随机森林构建模块,用于分别构建每个第一标注点的随机森林;特征矩阵生成模块,用于分别根据随机森林生成每个第一标注点的特征矩阵。
前述的基于随机森林的人脸轮廓定位系统中,所述随机森林构建模块包括:随机取点模块,用于对于所述N个第一标注点中的任意一个第一标注点,在该第一标注点的随机区域内随机取点,得到多个随机点;亮度差计算模块,用于分别计算该第一标注点对应的多个随机点两两之间的亮度的差值,得到多个亮度差;构建模块,用于以所述多个亮度差作为非叶节点,根据信息熵的大小构建该第一标注点的多个随机二叉树,联合后组成该第一标注点的随机森林。
前述的基于随机森林的人脸轮廓定位系统中,所述特征矩阵生成模块,具体用于对于所述N个第一标注点中的任意一个第一标注点,根据该第一标注点对应的亮度差分别从该第一标注点的每个随机二叉树中游走,得到多个二进制数,所述多个二进制数组合生成该第一标注点的特征矩阵。
前述的基于随机森林的人脸轮廓定位系统中,所述线性回归定位模块包括:第二标注模块,用于对所述待定位人脸图片的人脸轮廓关键区域进行标注,得到N个第二标注点,其中,所述第二标注点与所述第一标注点一一对应,所述第二标注点的坐标与一一对应的第一标注点的坐标不同;线性回归模块,用于对于所述N个第二标注点中的任意一个第二标注点,根据该第二标注点的坐标以及与该第二标注点一一对应的第一标注点的特征矩阵,通过随机梯度下降算法学习线性回归函数,得到多个线性回归函数的系数值,将所述多个线性回归函数的系数值组成系数矩阵,将所述系数矩阵与所述特征矩阵相乘,得到坐标增量;迭代计算模块,用于将所述坐标增量与该第一标注点的坐标相加得到预测坐标,将第一标注点的坐标更新为所述预测坐标,重复执行所述线性回归模块,直到坐标增量为0,执行坐标定位模块;所述坐标定位模块,用于根据所有第二标注点的坐标对所述待定位人脸图片的人脸轮廓进行定位。
与现有技术相比,本发明不依赖常用的深度学习算法和平台,只需检测图像中的像素点即可完成轮廓定位,计算复杂度小,运算量小,速度快,不依赖庞大复杂的深度学习平台,有利于移植到计算能力较弱的一般机器以及移动设备上。
附图说明
图1、图2、图4为本发明实施例一提供的方法的流程图;
图5至图8为本发明实施例二提供的系统的结构示意图;
图3为本发明实施例一和二的标准脸图片标注示意图;
图9为本发明实施例一和二的工作原理图。
下面结合附图和具体实施方式对本发明作进一步的说明。
具体实施方式
本发明实施例一:
本实施例提供了一种基于随机森林的人脸轮廓定位方法,如图1所示,主要包括以下步骤:
步骤S1,使用随机森林生成待定位人脸图片的人脸轮廓的图像特征信息;
作为本实施例的一种可选实施方式,如图2所示,步骤S1包括:
步骤S11,获取N个初始坐标,其中,N为正整数;
步骤S11中,可以采用以下方法来获取初始坐标:计算机采集多个人脸样本图片;将多个人脸样本图片归一化到相同尺寸大小,将对应像素的值相加求均值,得到标准脸图片;在标准脸图片的人脸轮廓关键区域获取N个初始坐标。优选的,人脸样本图片为正脸图片;当然,人脸样本图片也可以为不大于30度的侧脸图片(即人脸向一侧的倾斜角度不大于30度),对此本实施例不做具体限定。人脸轮廓关键区域包括鼻子、脸颊、眉毛、眼睛和嘴唇。由于点设置过多会增大标注工作量,从而增大后续训练、预测复杂度,并且,人脸一般具有弧度,点过多对使用没有帮助,因此将N设置为60到80,优选的,可以将N设置为68。如图3所示,在获取的标准脸图片上的鼻子、脸颊、眉毛、眼睛、嘴唇这些人脸轮廓关键区域上选择68个点(1到68),这68个点基本上可以将标准脸的人脸轮廓展示出来。
步骤S12,根据N个初始坐标对待定位人脸图片的人脸轮廓关键区域进行标注,得到N个第一标注点,其中,第一个标注点的坐标为初始坐标;
步骤S13,分别构建每个第一标注点的随机森林;
在本可选实施方式中,步骤S13包括:对于N个第一标注点中的任意一个第一标注点,在该第一标注点的随机区域内随机取点,得到多个随机点;分别计算该第一标注点对应的多个随机点两两之间的亮度的差值,得到多个亮度差;以多个亮度差作为非叶节点,根据信息熵的大小构建该第一标注点的多个随机二叉树,联合后组成该第一标注点的随机森林。该第一标注点在随机区域内;可选的,随机区域为一矩形,矩形的长、宽分别为待定位人脸图片的长、宽的0.2,例如,待定位人脸图片的长为10厘米,宽为8厘米,则随机区域就是一个长2厘米、宽1.6厘米的矩形。假设在该第一标注点的随机区域内取了3个随机点A1、B1、C1,那么分别计算A1和B1、B1和C1、C1和A1之间的亮度差,可以得到3个亮度差。以一个第一标注点为例,按照上述步骤对该第一标注点构建随机二叉树以及随机森林;对于其余的第一标注点,也同样按照上述步骤构建随机二叉树以及随机森林。每个第一标注点构建的随机二叉树的结构以及数量都是相同的,也就是说,每个第一标注点的随机森林所包含的随机二叉树的数量是相同的。
步骤S14,分别根据随机森林生成每个第一标注点的特征矩阵。
在本可选实施方式中,步骤S14包括:对于N个第一标注点中的任意一个第一标注点,根据该第一标注点对应的亮度差分别从该第一标注点的每个随机二叉树中游走,得到多个二进制数,多个二进制数组合生成该第一标注点的特征矩阵。
在步骤S14中,以一个随机二叉树为例,走到的叶子节点为1,其余的叶子节点为0,联合所有叶子节点生成一个二进制数,该二进制数就是该随机二叉树的特征。
步骤S2,使用多次线性回归定位待定位人脸图片的人脸轮廓。
作为本实施例的一种可选实施方式,如图4所示,步骤S2包括:
步骤S21,对待定位人脸图片的人脸轮廓关键区域进行标注,得到N个第二标注点,其中,第二标注点与第一标注点一一对应,第二标注点的坐标与一一对应的第一标注点的坐标不同;
步骤S22,对于N个第二标注点中的任意一个第二标注点,根据该第二标注点的坐标以及与该第二标注点一一对应的第一标注点的特征矩阵,通过随机梯度下降算法学习线性回归函数,得到多个线性回归函数的系数值,将多个线性回归函数的系数值组成系数矩阵,将系数矩阵与特征矩阵相乘,得到坐标增量;
步骤S23,将坐标增量与该第一标注点的坐标相加得到预测坐标,将第一标注点的坐标更新为预测坐标,重复步骤S22,直到坐标增量为0,执行步骤S24;
步骤S24,根据所有第二标注点的坐标对待定位人脸图片的人脸轮廓进行定位。
假设第一标注点的坐标数据为(a1,b1)....(a68,b68),共68个点,通过随机森林生成特征分别为(rf1,rf2...rf68),第二标注点的坐标数据为(A1,B1)....(A68,B68).共68个点。式中,x,y为线性回归参数,rf为随机森林特征,等式右边为学习的目标,即第二标注点与第一标注点的坐标差值;学习x,y参数后通过迭代计算,重复更新第一标注点,使得第一标注点逐步逼近第二标注点,直到第一标注点与第二标注点位置重合,即人工标注效果。
在本实施例中,上述所有方法步骤的执行主体是具有运算能力的机器,例如计算机、移动终端等。
本发明实施例二:
本实施例提供了一种基于随机森林的人脸轮廓定位系统,如图5所示,主要包括:图像特征生成模块3,用于使用随机森林生成待定位人脸图片的人脸轮廓的图像特征信息;线性回归定位模块4,用于使用多次线性回归定位待定位人脸图片的人脸轮廓。
作为本实施例的一种可选实施方式,如图6所示,图像特征生成模块3包括:初始坐标获取模块31,用于获取N个初始坐标;第一标注模块32,用于根据N个初始坐标对待定位人脸图片的人脸轮廓关键区域进行标注,得到N个第一标注点,其中,第一个标注点的坐标为初始坐标;随机森林构建模块33,用于分别构建每个第一标注点的随机森林;特征矩阵生成模块34,用于根据随机森林生成每个第一标注点的特征矩阵。
在本可选实施方式中,初始坐标获取模块31,具体用于获取多个人脸样本图片,将多个人脸样本图片归一化到相同尺寸大小,将对应像素的值相加求均值,得到标准脸图片,在标准脸图片的人脸轮廓关键区域获取N个初始坐标。优选的,人脸样本图片为正脸图片;当然,人脸样本图片也可以为不大于30度的侧脸图片(即人脸向一侧的倾斜角度不大于30度),对此本实施例不做具体限定。
在本可选实施方式中,人脸轮廓关键区域包括鼻子、脸颊、眉毛、眼睛和嘴唇。由于点设置过多会增大工作量,从而增大后续训练、预测复杂度,并且,人脸一般具有弧度,点过多对使用没有帮助,因此将N设置为60到80,优选的,可以将N设置为68。如图3所示,在获取的标准脸图片上的鼻子、脸颊、眉毛、眼睛、嘴唇这些人脸轮廓关键区域上选择68个点(1到68),这68个点基本上可以将标准脸的人脸轮廓展示出来。
在本可选实施方式中,如图7所示,随机森林构建模块33包括:随机取点模块331,用于对于N个第一标注点中的任意一个第一标注点,在该第一标注点的随机区域内随机取点,得到多个随机点;亮度差计算模块332,用于分别计算该第一标注点对应的多个随机点两两之间的亮度的差值,得到多个亮度差;构建模块333,用于以多个亮度差作为非叶节点,根据信息熵的大小构建该第一标注点的多个随机二叉树,联合后组成该第一标注点的随机森林。该第一标注点在随机区域内;可选的,随机区域为一矩形,矩形的长、宽分别为待定位人脸图片的长、宽的0.2,例如,待定位人脸图片的长为10厘米,宽为8厘米,则随机区域就是一个长2厘米、宽1.6厘米的矩形。假设在该第一标注点的随机区域内取了3个随机点A1、B1、C1,那么分别计算A1和B1、B1和C1、C1和A1之间的亮度差,可以得到3个亮度差。
在本可选实施方式中,以一个第一标注点为例,依次采用随机取点模块331、亮度差计算模块332、构建模块333对该第一标注点构建随机二叉树以及随机森林;对于其余的第一标注点,也同样依次采用随机取点模块331、亮度差计算模块332、构建模块333构建随机二叉树以及随机森林。其中,每个第一标注点构建的随机二叉树的结构以及数量都是相同的,也就是说,每个第一标注点的随机森林所包含的随机二叉树的数量是相同的。
在本可选实施方式中,特征矩阵生成模块34包括:具体用于对于N个第一标注点中的任意一个第一标注点,根据该第一标注点对应的亮度差分别从该第一标注点的每个随机二叉树中游走,得到多个二进制数,多个二进制数组合生成该第一标注点的特征矩阵。
在本可选实施方式中,以一个随机二叉树为例,走到的叶子节点为1,其余的叶子节点为0,联合所有叶子节点生成一个二进制数,该二进制数就是该随机二叉树的特征。
作为本实施例的一种可选实施方式,如图8所示,线性回归定位模块4包括:第二标注模块41,用于对待定位人脸图片的人脸轮廓关键区域进行标注,得到N个第二标注点,其中,第二标注点与第一标注点一一对应,第二标注点的坐标与一一对应的第一标注点的坐标不同;线性回归模块42,用于对于N个第二标注点中的任意一个第二标注点,根据该第二标注点的坐标以及与该第二标注点一一对应的第一标注点的特征矩阵,通过随机梯度下降算法学习线性回归函数,得到多个线性回归函数的系数值,将多个线性回归函数的系数值组成系数矩阵,将系数矩阵与特征矩阵相乘,得到坐标增量;迭代计算模块43,用于将坐标增量与该第一标注点的坐标相加得到预测坐标,将第一标注点的坐标更新为预测坐标,重复执行线性回归模块42,直到坐标增量为0,执行坐标定位模块44;坐标定位模块44,用于根据所有第二标注点的坐标对待定位人脸图片的人脸轮廓进行定位。
假设第一标注点的坐标数据为(a1,b1)....(a68,b68),共68个点,通过随机森林生成特征分别为(rf1,rf2...rf68),第二标注点的坐标数据为(A1,B1)....(A68,B68).共68个点。式中,x,y为线性回归参数,rf为随机森林特征,等式右边为学习的目标,即第二标注点与第一标注点的坐标差值;学习x,y参数后通过迭代计算,重复更新第一标注点,使得第一标注点逐步逼近第二标注点,直到第一标注点与第二标注点位置重合,即人工标注效果。
在本实施例中,上述所有模块的执行主体是具有运算能力的机器,例如计算机、移动终端等。
如图9所示,本实施例所述方法和系统根据大量人脸样本图片数据获取标准脸图片,并获取第一标注点的初始坐标,构建多个随机树,生成特征矩阵,通过多次线性回归获取坐标增量,从而更新初始坐标,使第一标注点逼近第二标注点,来对待定位人脸图片进行人脸轮廓定位,不依赖常用的深度学习算法和平台,只需检测图像中的像素点即可完成轮廓定位,计算复杂度小,运算量小,速度快,不依赖庞大复杂的深度学习平台,有利于移植到计算能力较弱的一般机器以及移动设备上。
在本说明书的描述中,术语“一个实施例”、“一些实施例”、“具体实施例”“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或实例。而且,描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的创造性精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于随机森林的人脸轮廓定位方法,其特征在于,包括:
步骤S1,使用随机森林生成待定位人脸图片的人脸轮廓的图像特征信息;
步骤S2,使用多次线性回归定位所述待定位人脸图片的人脸轮廓。
2.根据权利要求1所述的基于随机森林的人脸轮廓定位方法,其特征在于,所述使用随机森林生成待定位人脸图片的人脸轮廓的图像特征信息包括:
步骤S11,获取N个初始坐标;
步骤S12,根据所述N个初始坐标对所述待定位人脸图片的人脸轮廓关键区域进行标注,得到N个第一标注点,其中,所述第一个标注点的坐标为所述初始坐标;
步骤S13,分别构建每个第一标注点的随机森林;
步骤S14,分别根据随机森林生成每个第一标注点的特征矩阵。
3.根据权利要求2所述的基于随机森林的人脸轮廓定位方法,其特征在于,所述步骤S13包括:
对于所述N个第一标注点中的任意一个第一标注点,在该第一标注点的随机区域内随机取点,得到多个随机点;分别计算该第一标注点对应的多个随机点两两之间的亮度的差值,得到多个亮度差;以所述多个亮度差作为非叶节点,根据信息熵的大小构建该第一标注点的多个随机二叉树,联合后组成该第一标注点的随机森林。
4.根据权利要求3所述的基于随机森林的人脸轮廓定位方法,其特征在于,所述步骤S14包括:
对于所述N个第一标注点中的任意一个第一标注点,根据该第一标注点对应的亮度差分别从该第一标注点的每个随机二叉树中游走,得到多个二进制数,所述多个二进制数组合生成该第一标注点的特征矩阵。
5.根据权利要求2至4任一项所述的基于随机森林的人脸轮廓定位方法,其特征在于,所述步骤S2包括:
步骤S21,对所述待定位人脸图片的人脸轮廓关键区域进行标注,得到N个第二标注点,其中,所述第二标注点与所述第一标注点一一对应,所述第二标注点的坐标与一一对应的第一标注点的坐标不同;
步骤S22,对于所述N个第二标注点中的任意一个第二标注点,根据该第二标注点的坐标以及与该第二标注点一一对应的第一标注点的特征矩阵,通过随机梯度下降算法学习线性回归函数,得到多个线性回归函数的系数值,将所述多个线性回归函数的系数值组成系数矩阵,将所述系数矩阵与所述特征矩阵相乘,得到坐标增量;
步骤S23,将所述坐标增量与该第一标注点的坐标相加得到预测坐标,将第一标注点的坐标更新为所述预测坐标,重复所述步骤S22,直到坐标增量为0,执行步骤S24;
所述步骤S24,根据所有第二标注点的坐标对所述待定位人脸图片的人脸轮廓进行定位。
6.一种基于随机森林的人脸轮廓定位系统,其特征在于,包括:
图像特征生成模块,用于使用随机森林生成待定位人脸图片的人脸轮廓的图像特征信息;
线性回归定位模块,用于使用多次线性回归定位所述待定位人脸图片的人脸轮廓。
7.根据权利要求6所述的基于随机森林的人脸轮廓定位系统,其特征在于,所述图像特征生成模块包括:
初始坐标获取模块,用于获取N个初始坐标;
第一标注模块,用于根据所述N个初始坐标对所述待定位人脸图片的人脸轮廓关键区域进行标注,得到N个第一标注点,其中,所述第一个标注点的坐标为所述初始坐标;
随机森林构建模块,用于分别构建每个第一标注点的随机森林;
特征矩阵生成模块,用于分别根据随机森林生成每个第一标注点的特征矩阵。
8.根据权利要求7所述的基于随机森林的人脸轮廓定位系统,其特征在于,所述随机森林构建模块包括:
随机取点模块,用于对于所述N个第一标注点中的任意一个第一标注点,在该第一标注点的随机区域内随机取点,得到多个随机点;
亮度差计算模块,用于分别计算该第一标注点对应的多个随机点两两之间的亮度的差值,得到多个亮度差;
构建模块,用于以所述多个亮度差作为非叶节点,根据信息熵的大小构建该第一标注点的多个随机二叉树,联合后组成该第一标注点的随机森林。
9.根据权利要求8所述的基于随机森林的人脸轮廓定位系统,其特征在于,所述特征矩阵生成模块,具体用于对于所述N个第一标注点中的任意一个第一标注点,根据该第一标注点对应的亮度差分别从该第一标注点的每个随机二叉树中游走,得到多个二进制数,所述多个二进制数组合生成该第一标注点的特征矩阵。
10.根据权利要求7至9任一项所述的基于随机森林的人脸轮廓定位系统,其特征在于,所述线性回归定位模块包括:
第二标注模块,用于对所述待定位人脸图片的人脸轮廓关键区域进行标注,得到N个第二标注点,其中,所述第二标注点与所述第一标注点一一对应,所述第二标注点的坐标与一一对应的第一标注点的坐标不同;
线性回归模块,用于对于所述N个第二标注点中的任意一个第二标注点,根据该第二标注点的坐标以及与该第二标注点一一对应的第一标注点的特征矩阵,通过随机梯度下降算法学习线性回归函数,得到多个线性回归函数的系数值,将所述多个线性回归函数的系数值组成系数矩阵,将所述系数矩阵与所述特征矩阵相乘,得到坐标增量;
迭代计算模块,用于将所述坐标增量与该第一标注点的坐标相加得到预测坐标,将第一标注点的坐标更新为所述预测坐标,重复执行所述线性回归模块,直到坐标增量为0,执行坐标定位模块;
所述坐标定位模块,用于根据所有第二标注点的坐标对所述待定位人脸图片的人脸轮廓进行定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811473720.4A CN109522871B (zh) | 2018-12-04 | 2018-12-04 | 一种基于随机森林的人脸轮廓定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811473720.4A CN109522871B (zh) | 2018-12-04 | 2018-12-04 | 一种基于随机森林的人脸轮廓定位方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109522871A true CN109522871A (zh) | 2019-03-26 |
CN109522871B CN109522871B (zh) | 2022-07-12 |
Family
ID=65794270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811473720.4A Active CN109522871B (zh) | 2018-12-04 | 2018-12-04 | 一种基于随机森林的人脸轮廓定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109522871B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100204973A1 (en) * | 2009-01-15 | 2010-08-12 | Nodality, Inc., A Delaware Corporation | Methods For Diagnosis, Prognosis And Treatment |
US20130085681A1 (en) * | 2011-10-06 | 2013-04-04 | Sequenom, Inc. | Methods and processes for non-invasive assessment of genetic variations |
CN105426882A (zh) * | 2015-12-24 | 2016-03-23 | 上海交通大学 | 一种人脸图像中快速定位人眼的方法 |
CN105469081A (zh) * | 2016-01-15 | 2016-04-06 | 成都品果科技有限公司 | 一种用于美颜的人脸关键点定位方法及系统 |
CN105512627A (zh) * | 2015-12-03 | 2016-04-20 | 腾讯科技(深圳)有限公司 | 一种关键点的定位方法及终端 |
CN105718913A (zh) * | 2016-01-26 | 2016-06-29 | 浙江捷尚视觉科技股份有限公司 | 一种鲁棒的人脸特征点定位方法 |
CN106127104A (zh) * | 2016-06-06 | 2016-11-16 | 安徽科力信息产业有限责任公司 | 一种Android平台下基于人脸关键点的预测系统及其方法 |
CN106485214A (zh) * | 2016-09-28 | 2017-03-08 | 天津工业大学 | 一种基于卷积神经网络的眼睛和嘴部状态识别方法 |
CN107016323A (zh) * | 2016-01-28 | 2017-08-04 | 厦门中控生物识别信息技术有限公司 | 一种手掌感兴趣区域的定位方法及装置 |
EP3264327A1 (en) * | 2016-06-27 | 2018-01-03 | Innovative Technology Limited | A system and method for determining the age of an individual |
CN108629335A (zh) * | 2018-06-05 | 2018-10-09 | 华东理工大学 | 自适应人脸关键特征点选择方法 |
EP3392830A1 (en) * | 2015-12-14 | 2018-10-24 | Ricoh Company, Ltd. | Image processing device, object recognition device, apparatus control system, image processing method and program |
-
2018
- 2018-12-04 CN CN201811473720.4A patent/CN109522871B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100204973A1 (en) * | 2009-01-15 | 2010-08-12 | Nodality, Inc., A Delaware Corporation | Methods For Diagnosis, Prognosis And Treatment |
US20130085681A1 (en) * | 2011-10-06 | 2013-04-04 | Sequenom, Inc. | Methods and processes for non-invasive assessment of genetic variations |
CN105512627A (zh) * | 2015-12-03 | 2016-04-20 | 腾讯科技(深圳)有限公司 | 一种关键点的定位方法及终端 |
EP3392830A1 (en) * | 2015-12-14 | 2018-10-24 | Ricoh Company, Ltd. | Image processing device, object recognition device, apparatus control system, image processing method and program |
CN105426882A (zh) * | 2015-12-24 | 2016-03-23 | 上海交通大学 | 一种人脸图像中快速定位人眼的方法 |
CN105469081A (zh) * | 2016-01-15 | 2016-04-06 | 成都品果科技有限公司 | 一种用于美颜的人脸关键点定位方法及系统 |
CN105718913A (zh) * | 2016-01-26 | 2016-06-29 | 浙江捷尚视觉科技股份有限公司 | 一种鲁棒的人脸特征点定位方法 |
CN107016323A (zh) * | 2016-01-28 | 2017-08-04 | 厦门中控生物识别信息技术有限公司 | 一种手掌感兴趣区域的定位方法及装置 |
CN106127104A (zh) * | 2016-06-06 | 2016-11-16 | 安徽科力信息产业有限责任公司 | 一种Android平台下基于人脸关键点的预测系统及其方法 |
EP3264327A1 (en) * | 2016-06-27 | 2018-01-03 | Innovative Technology Limited | A system and method for determining the age of an individual |
CN106485214A (zh) * | 2016-09-28 | 2017-03-08 | 天津工业大学 | 一种基于卷积神经网络的眼睛和嘴部状态识别方法 |
CN108629335A (zh) * | 2018-06-05 | 2018-10-09 | 华东理工大学 | 自适应人脸关键特征点选择方法 |
Non-Patent Citations (2)
Title |
---|
AYAN SEAL等: "Human face recognition using random forest based fusion of à-trous 5 wavelet transform coefficients from thermal and visible images", 《INTERNATIONAL JOURNAL OF ELECTRONICS AND COMMUNICATIONS (AEÜ)》 * |
李亚运: "人脸特征点定位算法研究及其应用", 《中国优秀硕士学位论文全文数据库(信息科技辑)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109522871B (zh) | 2022-07-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2019153908A1 (zh) | 基于注意力模型的图像识别方法和系统 | |
CN103824050B (zh) | 一种基于级联回归的人脸关键点定位方法 | |
CN109214327B (zh) | 一种基于pso的反人脸识别方法 | |
CN107103613B (zh) | 一种三维手势姿态估计方法 | |
CN105205453B (zh) | 基于深度自编码器的人眼检测和定位方法 | |
JP2019510325A (ja) | マルチモーダルデジタル画像を生成する方法及びシステム | |
CN106022363B (zh) | 一种适用于自然场景下的中文文字识别方法 | |
CN109726903A (zh) | 基于注意力机制的分布式多智能体协同决策方法 | |
CN108594858A (zh) | 马尔科夫运动目标的无人机搜索方法及装置 | |
TWI226193B (en) | Image segmentation method, image segmentation apparatus, image processing method, and image processing apparatus | |
JP2018055470A (ja) | 表情認識方法、表情認識装置、コンピュータプログラム及び広告管理システム | |
CN108416805A (zh) | 一种基于深度学习的本征图像分解方法及装置 | |
CN105760834A (zh) | 一种人脸特征点定位方法 | |
WO2021051526A1 (zh) | 多视图3d人体姿态估计方法及相关装置 | |
CN103886235B (zh) | 一种正面人脸图像生物密钥生成方法 | |
CN106227043A (zh) | 自适应最优控制方法 | |
CN109583509A (zh) | 数据生成方法、装置及电子设备 | |
CN109086663A (zh) | 基于卷积神经网络的尺度自适应的自然场景文本检测方法 | |
CN110020718A (zh) | 基于变分推断的逐层神经网络剪枝方法和系统 | |
CN109584168A (zh) | 图像处理方法和装置、电子设备和计算机存储介质 | |
CN108984481A (zh) | 一种基于卷积神经网络的单应性矩阵估计方法 | |
CN109191366A (zh) | 基于人体姿态的多视角人体图像合成方法及装置 | |
CN106530383B (zh) | 基于Hermite插值神经网络回归模型的人脸面部渲染方法 | |
CN109255783A (zh) | 一种多人图像上的人体骨骼关键点的位置排布检测方法 | |
CN116543210A (zh) | 一种基于联邦学习与注意力机制的医学图像分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220727 Address after: 100085 third floor, No. 9, Shangdi East Road, Haidian District, Beijing Patentee after: Beijing havo Online Technology Co.,Ltd. Address before: 100085 No.1, South District, 6th floor, No.9 Shangdi East Road, Haidian District, Beijing Patentee before: BEIJING DASHENG ONLINE TECHNOLOGY Co.,Ltd. |