人臉特征點的檢測定位方法以及系統(tǒng)的制作方法
【專利摘要】提供一種人臉特征點的檢測定位方法以及系統(tǒng)。一種人臉特征點的檢測定位方法包括：對輸入的人臉圖像執(zhí)行人臉區(qū)域檢測；由檢測出的人臉區(qū)域檢測人眼瞳孔位置；根據(jù)檢測到的人眼瞳孔位置執(zhí)行特征點初始化賦值；基于初始化賦值的特征點以及人眼瞳孔位置，對檢測出的人臉區(qū)域執(zhí)行多分辨率的人臉特征點定位搜索；基于Gabor紋理特征執(zhí)行各特征點的精確定位處理，從而獲得最終的人臉特征點位置。
【專利說明】人臉特征點的檢測定位方法以及系統(tǒng)
【技術(shù)領(lǐng)域】
[0001]本申請涉及一種人臉特征點的檢測定位方法以及系統(tǒng)，尤其涉及一種通過檢測的人眼瞳孔位置進行特征點初始化賦值，再對人臉區(qū)域進行多分辨率的特征點定位搜索，此后基于Gabor紋理特征執(zhí)行特征點精確定位的特征點檢測定位方法和系統(tǒng)。
【背景技術(shù)】
[0002]人臉特征點定位所要解決的問題是，對一個待處理對象(通常是圖片或者影像)檢測出人臉區(qū)域，再進一步地定位出人臉重要五官的坐標位置。人臉特征點一般包括眉毛、眼睛、鼻子、嘴巴和臉部輪廓。這里的定位信息通常用作進一步后續(xù)處理，例如圖像主人身份的判別、表情識別、人臉追蹤和人臉合成等。
[0003]目前在人臉特征點檢測領(lǐng)域用得最多最廣的方法是主動形狀模型(ActiveShapeModel, ASM)，ASM由國外學者Cootes和Taylor在上世紀90年代提出的，它思想上源自于主動輪廓模型(Active Contour Model)。是一個基于訓練和統(tǒng)計的模型。它處理的對象通常具有特定的形狀，例如人臉五官，它的形狀樣本是由訓練圖像上的標定點的坐標向量集合表示的。訓練階段，由于處理對象可能存在大小、角度、位置的變換，因此通過對模型(點序列)進行變形(通常包括旋轉(zhuǎn)、縮放、仿射變換)，歸一化向基準對齊。傳統(tǒng)ASM利用的是局部的灰度信息建立紋理模型。在搜索過程，使用訓練學習得到的紋理信息指導特征點的走向，得到特征點新的位置，與此同時，利用形狀訓練結(jié)果，輔助修正形狀。通過循環(huán)迭代，得到理想的匹配結(jié)果。某種程度上，ASM能夠得到不錯的效果，是目前主流的人臉特征點檢測方法。
[0004]但是，由于ASM使用的是局部紋理，僅利用局部的一維灰度信息作為紋理信息，不太具有區(qū)分性，所以容易陷入局部最小，而且也無法實現(xiàn)進一步精確定位。加上標定點周圍的局部灰度信息易受光照和噪音的影響，使得算法不收斂、特征點定位不理想甚至失敗。此夕卜，ASM對初始位置十分敏感，一旦初始位置偏離目標位置較遠的時候，往往定位結(jié)果不盡如意。

【發(fā)明內(nèi)容】

[0005]本發(fā)明的目的在于提供一種人臉特征點的檢測定位方法以及系統(tǒng)，通過檢測的人眼瞳孔位置進行特征點初始化賦值，再對人臉區(qū)域進行多分辨率的特征點定位搜索，此后基于Gabor紋理特征執(zhí)行特征點精確定位，從而較為精確地定位人臉特征點。
[0006]本發(fā)明的目的在于提供一種通過網(wǎng)絡(luò)提供人臉特征點的檢測定位服務的方法和系統(tǒng)，通過從客戶機提供的人臉圖片檢測的人眼瞳孔位置進行特征點初始化賦值，再對人臉區(qū)域進行多分辨率的特征點定位搜索，此后基于Gabor紋理特征執(zhí)行特征點精確定位，并且將確定的特征點信息提供給客戶機，從而較為精確地定位人臉特征點。
[0007]根據(jù)本發(fā)明的一方面，提供一種人臉特征點的檢測定位方法，所述方法包括:對輸入的人臉圖像執(zhí)行人臉區(qū)域檢測；由檢測出的人臉區(qū)域檢測人眼瞳孔位置；根據(jù)檢測到的人眼瞳孔位置執(zhí)行特征點初始化賦值；基于初始化賦值的特征點以及人眼瞳孔位置，對檢測出的人臉區(qū)域執(zhí)行多分辨率的人臉特征點定位搜索；基于Gabor紋理特征執(zhí)行各特征點的精確定位處理，從而獲得最終的人臉特征點位置。
[0008]可根據(jù)類Haar特征以及AdaBoost人臉檢測方法執(zhí)行人臉區(qū)域的檢測。
[0009]所述由檢測出的人臉區(qū)域檢測人眼瞳孔位置的步驟可包括:將左眼估
算區(qū)域和右眼估算區(qū)域分別確定為左上角坐標分別為和
【權(quán)利要求】
1.一種人臉特征點的檢測定位方法，所述方法包括: 對輸入的人臉圖像執(zhí)行人臉區(qū)域檢測； 由檢測出的人臉區(qū)域檢測人眼瞳孔位置； 根據(jù)檢測到的人眼瞳孔位置執(zhí)行特征點初始化賦值； 基于初始化賦值的特征點以及人眼瞳孔位置，對檢測出的人臉區(qū)域執(zhí)行多分辨率的人臉特征點定位搜索； 基于Gabor紋理特征執(zhí)行各特征點的精確定位處理，從而獲得最終的人臉特征點位置。
2.如權(quán)利要求1所述的方法，其中，根據(jù)類Haar特征以及AdaBoost人臉檢測方法執(zhí)行人臉區(qū)域的檢測。
3.如權(quán)利要求1所述的方法，其中，所述由檢測出的人臉區(qū)域檢測人眼瞳孔位置的步驟包括: 將左眼估算區(qū)域和右眼估算區(qū)域分別確定為左上角坐標分別為
4.如權(quán)利要求3所述的方法，其中，所述根據(jù)檢測到的人眼瞳孔位置執(zhí)行特征點初始化賦值的步驟包括: 根據(jù)以下公式分別計算旋轉(zhuǎn)因子Θ、伸縮因子s以及平移因子X。:
5.如權(quán)利要求4所述的方法，其中，所述對檢測出的人臉區(qū)域執(zhí)行多分辨率的人臉特征點定位搜索的步驟包括: 根據(jù)金字塔圖像處理原理將檢測的人臉圖像進行多分辨率子圖像分解，得到K層不同分辨率的子圖像，其中，從低到高每層子圖像的長寬是上一層子圖像長寬的一半， 將i取值自K到1，迭代變量j初始化為1，對與i相應的層的子圖像迭代地執(zhí)行操作a)~d): a)將當前點和其法線上兩邊候選點進行Sobel梯度紋理與訓練模型的馬氏距離的比較，取最小者替換當前位置特征點， b)根據(jù)步驟a)得到的特征點，更新當前人臉特征點的形狀參數(shù)作為新的當前人臉形狀，然后以該人臉形狀取得平均臉形狀去重新計算并更新平移、伸縮、旋轉(zhuǎn)參數(shù)，以使當前獲得的人臉模型形狀和待檢測人臉的形狀更為匹配， c)在當前層，如果所有特征點與訓練模型的平均馬氏距離小于一小常數(shù)值，或者特征點的平均更新移動距離小于某一個小常數(shù)值，或者j > c*(K_i+l)，其中c為整數(shù)常量，則i=1-1，j = I，并返回 a),
d)j = j+1，返回 a)。
6.如權(quán)利要求5所述的方法，其中，所述基于Gabor紋理特征執(zhí)行各特征點的精確定位處理的步驟包括: 在經(jīng)過多分辨率的人臉特征點定位檢索得到的形狀基礎(chǔ)上，針對每個特征點執(zhí)行以下操作:選取所述特征點周圍N*N的方塊,計算所述方塊內(nèi)每一個點對該特征點的Gabor紋理特征值的相似度，選取相似度最高者為作為所述特征點對應的最終特征點。
7.—種人臉特征點的檢測定位方法，所述方法包括在服務器端執(zhí)行以下步驟: 從客戶機接收人臉圖像； 對接收的人臉圖像執(zhí)行人臉區(qū)域檢測； 由檢測出的人臉區(qū)域檢測人眼瞳孔位置； 根據(jù)檢測到的人眼瞳孔位置執(zhí)行特征點初始化賦值； 基于初始化賦值的特征點以及人眼瞳孔位置，對檢測出的人臉區(qū)域執(zhí)行多分辨率的人臉特征點定位搜索； 基于Gabor紋理特征執(zhí)行各特征點的精確定位處理，從而獲得最終的人臉特征點位置； 將標注有各個最終特征點位置的人臉圖像發(fā)送給所述客戶機。
8.—種人臉特征點的檢測定位系統(tǒng)，所述系統(tǒng)包括: 第一裝置，用于對輸入的人臉圖像執(zhí)行人臉區(qū)域檢測； 第二裝置，用于由檢測出的人臉區(qū)域檢測人眼瞳孔位置； 第三裝置，用于根據(jù)檢測到的人眼瞳孔位置執(zhí)行特征點初始化賦值； 第四裝置，用于基于初始化賦值的特征點以及人眼瞳孔位置，對檢測出的人臉區(qū)域執(zhí)行多分辨率的人臉特征點定位搜索； 第五裝置，用于基于Gabor紋理特征執(zhí)行各特征點的精確定位處理，從而獲得最終的人臉特征點位置。
9.如權(quán)利要求8所述的系統(tǒng)，其中，第一裝置根據(jù)類Haar特征以及AdaBoost人臉檢測方法執(zhí)行人臉區(qū)域的檢測。
10.如權(quán)利要求8所述的系統(tǒng)，其中，第二裝置在所述由檢測出的人臉區(qū)域檢測人眼瞳孔位置時，將左眼估算區(qū)域和右眼估算區(qū)域分別確定為左上角坐標分別為
11.如權(quán)利要求10所述的系統(tǒng)，其中，第三裝置在根據(jù)檢測到的人眼瞳孔位置執(zhí)行特征點初始化賦值時， 根據(jù)以下公式分別計算旋轉(zhuǎn)因子Θ、伸縮因子s以及平移因子X。:
12.如權(quán)利要求11所述的系統(tǒng)，其中，第四裝置在對檢測出的人臉區(qū)域執(zhí)行多分辨率的人臉特征點定位搜索時， 根據(jù)金字塔圖像處理原理將檢測的人臉圖像進行多分辨率子圖像分解，得到K層不同分辨率的子圖像，其中，從低到高每層子圖像的長寬是上一層子圖像長寬的一半， 將i取值自K到1，迭代變量j初始化為1，對與i相應的層的子圖像迭代地執(zhí)行操作a)~d): a)將當前點和其法線上兩邊候選點進行Sobel梯度紋理與訓練模型的馬氏距離的比較，取最小者替換當前位置特征點， b)根據(jù)步驟a)得到的特征點，更新當前人臉特征點的形狀參數(shù)作為新的當前人臉形狀，然后以該人臉形狀取得平均臉形狀去重新計算并更新平移、伸縮、旋轉(zhuǎn)參數(shù)，以使當前獲得的人臉模型形狀和待檢測人臉的形狀更為匹配， c)在當前層，如果所有特征點與訓練模型的平均馬氏距離小于一小常數(shù)值，或者特征點的平均更新移動距離小于某一個小常數(shù)值，或者j > c*(K_i+l)，其中c為整數(shù)常量，則i=1-1，j = I，并返回 a),
d)j = j+1，返回 a)。
13.如權(quán)利要求12所述的系統(tǒng)，其中，第五裝置在基于Gabor紋理特征執(zhí)行各特征點的精確定位處理時， 在經(jīng)過多分辨率的人臉特征點定位檢索得到的形狀基礎(chǔ)上，針對每個特征點執(zhí)行以下操作:選取所述特征點周圍N*N的方塊,計算所述方塊內(nèi)每一個點對該特征點的Gabor紋理特征值的相似度，選取相似度最高者為作為所述特征點對應的最終特征點。
14.一種在服務器端執(zhí)行人臉特征點的檢測定位的系統(tǒng)，所述系統(tǒng)包括: 第一裝置，用于從客戶機接收人臉圖像； 第二裝置，用于對接收的人臉圖像執(zhí)行人臉區(qū)域檢測； 第三裝置，用于由檢測出的人臉區(qū)域檢測人眼瞳孔位置； 第四裝置，用于根據(jù)檢測到的人眼瞳孔位置執(zhí)行特征點初始化賦值； 第五裝置，用于基于初始化賦值的特征點以及人眼瞳孔位置，對檢測出的人臉區(qū)域執(zhí)行多分辨率的人臉特征點定位搜索； 第六裝置，用于基于Gabor紋理特征執(zhí)行各特征點的精確定位處理，從而獲得最終的人臉特征點位置； 第七裝置，用于將標注有各個最終特征點位置的人臉圖像發(fā)送給所述客戶機。
【文檔編號】G06K9/00GK103824087SQ201210464085
【公開日】2014年5月28日 申請日期:2012年11月16日 優(yōu)先權(quán)日:2012年11月16日
【發(fā)明者】金連文, 葉植超, 毛慧蕓, 梁凌宇 申請人:廣州三星通信技術(shù)研究有限公司, 華南理工大學, 三星電子株式會社