基于二值决策树的红外局部人脸关键点选获取方法
【技术领域】
[0001] 本发明涉及一种生物特征识别和信息安全技术，尤其涉及一种基于二值决策树的 红外局部人脸关键点检测方法。
【背景技术】
[0002] 人脸关键点定位是在人脸检测基础上，进一步对眼睛、眉毛、鼻子、嘴巴等轮廓的 定位，通常利用关键点附近的信息以及各个关键点之间的相互关系来定位，分为基于模型 的方法和基于回归的方法。
[0003] 基于模型的方法以ASM (Active Shape Model)方法最为代表，ASM方法将数十个 脸部特征点的纹理和位置关系约束一起考虑来进行计算出一个参数模型。从局部特征中检 测到所求的关键点，但是这种方法对噪声非常敏感。
[0004] 基于回归的方法是ASM相关改进的另外一个方向，就是对形状模型本身的改进。 该方法没有用PCA(Principal Component Analysis)去约束形状模型，而是基于训练样本 的线性组合来约束形状。在ESR(explicit shape regression)采用形状索引特征，所谓的 形状索引特征，就是根据关键点的位置和一个偏移量。取得该位置的像素值，然后计算两个 这样的像素的差值，从而得到了形状索引特征。
[0005] 然而，现有人脸关键点技术由于训练出的分类器没有正则化，很容易产生过拟合 现象，而且不能达到对数据的高速处理，因此需要一种能够减轻过拟合框架的人脸关键点 获取方法。
【发明内容】
[0006] 根据本发明的一个方面，本发明提供了一种基于二值决策树的红外局部人脸关键 点获取方法，能够对红外局部人脸解决了人脸关键点检测问题，而且不需要完整的人脸区 域，通过采用局部人脸便可检测出人脸关键点，本发明还可以在手机上实时运行。
[0007] 为达到上述目的，本发明采用如下技术方案：一种基于二值决策树的红外局部人 脸关键点获取方法，所述方法包括：a)导入通过二值决策树训练所得到的分类器；b)用人 眼检测器检测人眼，估计局部人脸区域；c)根据步骤b估计的局部人脸区域，初始化人脸关 键点；d)利用训练好的二值决策树的级联集合预测人脸关键点位置，所述级联集合具有S 级，每级具有T棵所述二值决策树，进入第i(0〈i〈 = S)级预测；e)记录落入每棵树的叶子 结点；f)获取每个叶子的权重；g)更新关键点的位置；h)判断是否到达最大级联S，若到达 第S级联，则进入步骤i，若未达到第S级联，则进入步骤d，循环处理步骤d-h直到到达第 S级级联；i)保存所选取的关键点的位置。
[0008] 优选地，其中所述步骤a中的训练过程的步骤如下：al)收集包括人眼的人脸样本 作为预训练样本；a2)标定预训练样本的眉毛和人眼作为人眼关键点信息，制作训练样本； a3)根据步骤a2获得的训练样本，检测出的人眼位置，估计局部人脸区域；a4)根据步骤a3 估计的局部人脸区域，初始化人脸关键点，并计算平均局部脸；a5)构造二值决策树模型； a6)训练包含步骤a5中所述二值决策树的级联集合，所述级联集合具有S级，每级具有T棵 所述二值决策树，训练第i级（〇〈i〈 = S)的T棵树；a7)记录落入每棵树的每个叶子结点 的样本，产生局部二值特征，记作岭，L表示第L个关键点索；a8)记录预测偏差<，η为样本 序列号索引，并根据偏差值式调整每个叶子的权重W1;a9)根据叶子权重W i更新关键点的 位置；alO)判断是否到达最大级联数S，若未到达第S级联，则返回步骤a6,循环处理步骤 a6~步骤a9直到训练完S级级联；若达到第S级联，则进入步骤all ;all)保存分类器。
[0009] 优选地，所述构造所述二值决策树模型的步骤如下：dl)在关键点周围提取H个像 素值差分对；d2)确定特征：以H个像素值差分对中每一个差分对依次作为特征，计算H个 差分对的熵，选择最大的熵的差分对作为该结点特征；d3)确定结点阈值：在H个像素值差 分对里选出最大值和最小值，取两者平均值作为结点阈值；d4)重复步骤d2和d3，直到训练 完所述二值决策树的所有结点即完成二值决策树的构造。
[0010] 优选地，所述记录落入每棵树的每个叶子结点的样本步骤中，样本落入的叶子结 点标记为1，未落入的叶子结点标记为0。
[0011] 优选地，所述记录预测偏差步骤中，采用局部坐标系标定预测偏差，所述预测偏差 为预测关键点与真实值之间的差值C s η为样本序列号索引。
[0012] 优选地，所述调整每个叶子的权重W1，采用如下算法：
[0014] 其中N是样本数，Cpi是所有关键点的二值特征。
[0015] 优选地，所述所有关键点的二值特征q)i采用如下算法：
[0017] 其中L是关键点的个数，Φ?是第L个关键点的二值特征。
[0018] 优选地，所述步骤记录预测偏差采用岭回归正则化方法，利用FFT方法求解并调 整每个叶子权重W1。
[0019] 优选地，所述样本只包含眼周信息或单眼信息的人脸关键点信息。
[0020] 根据本发明的另一方面，还提供了一种利用上述的方法的移动终端，所述移动终 端选自智能电话、平板电脑、智能可穿戴设备、智能手表、智能眼镜、智能手环、智能门锁中 的任意一种。
[0021] 根据本发明的一种基于二值决策树的红外局部人脸关键点获取方法，解决了现有 人脸关键点检测技术中需要完整的人脸区域、提供丰富的人脸信息情况下才能进行人脸关 键点检测的缺陷，具有更大的灵活性和实用性，这对处理人脸严重遮挡时关键点定位问题 有非常大的实用价值；由于训练出来的分类器没有正则化，导致分类器泛化能力差，所以现 有人脸关键点技术很容易产生过拟合，本发明提供一种减轻过拟合的框架；本发明采用级 联回归，集合了大量的弱分类器，避免了现有人脸关键点检测技术达处理速率低的缺陷。
[0022] 应当理解，前述大体的描述和后续详尽的描述均为示例性说明和解释，并不应当 用作对本发明所要求保护内容的限制。
【附图说明】
[0023] 为了更清楚的说明本发明实施例或现有技术中的技术方案，下面将对实施例或现 有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本 发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以 根据这些附图获得其他附图。
[0024] 图1示出了根据本发明的基于二值决策树的红外局部人脸关键点获取方法中训 练分类器的流程图；
[0025] 图2示出了根据本发明的基于二值决策树的红外局部人脸关键点获取方法中构 造二值决策树的方法流程图；
[0026] 图3示出了根据本发明的基于二值决策树的红外局部人脸关键点获取方法的流 程图；
[0027] 图4示出了根据本发明的预估计局部人脸区域的方法图；
[0028] 图5示出了根据本发明的构造二值决策树的方法的直观图；
[0029] 图6示出了根据本发明的基于二值决策树的级联集合的构造直观图。
【具体实施方式】
[0030] 通过参考示范性实施例，本发明的目的和功能以及用于实现这些目的和功能的方 法将得以阐明。然而，本发明并不受限于以下所公开的示范性实施例，可以通过不同形式来 对其加以实现。说明书的实质仅仅是帮助相关领域技术人员综合理解本发明的具体细节。
[0031] 图1示出了根据本发明的基于二值决策树的红外局部人脸关键点获取方法中训 练分类器的流程图，所述训练步骤包括：
[0032] 在步骤101中，收集样本，用人眼检测器检测人眼，把检测出有人眼的样本保留下 来作为预训练样本。例如，可以用opencv人眼检测器来检测人眼。
[0033] 在步骤102中，在收集到的预训练样本基础上，标定眉毛和人眼等关键点，作为训 练样本。这里的标定可以采取手工标定的方法，也可以利用图像识别技术自动标定。
[0034] 在步骤103中，根据步骤102获得的训练样本，利用检测出的人眼位置，预估计局 部人脸区域。
[0035] 根据本发明的一个实施例，预估计局部人脸区域的方法步骤为：
[0036] a)检测出所有训练样本的人眼位置，即样本中人眼的二维坐标（xn，yn)，其中（xn￡，yn￡)和（xn；e，yn；e)分别为左右眼的二维坐标，η表示第η个样本；
[0037] b)根据左右眼的二维坐标确定局部人脸区域；
[0038] 根据本发明的一个实施例，图4示出了根据人眼位置预估局部人脸区域的示意性 方法。如图4所示，点A和点B分别为人左右眼的位置，二维坐标即为（xnt，ynt)和（x n& yn；e)。设点A和点B的间距值为d，以中点〇点为矩形对角线的中心，作点A和点B连线 方向长度为2d、垂直于点A和点B连线方向宽度为d的矩形，所述矩形为预估计的局部人脸 区域。
[0039] 回到图1，在步骤104中，根据步骤103中预估计的局部人脸区域，初始化人脸关键 点位置，计算平均局部脸。
[0040] 根据本发明的一个实施例，计算平均局部脸的方法步骤为：
[0041] 计算局部平均脸的实施例：
[0042] 记训练的样本数为：N ;记关键点的个数为：L。记局部平均脸为：I。
[0043] 1)读取所有训练样本的关键点的坐标。
[0044] 2)计算第i个关键点的平均值，按下面公式计算：
[0046] 4是第i个关键点的均值。
[0047] 3)计算所有关键点的平均值，最终得到局部平均脸
[0049] I即局部平均脸。
[0050] 接着，在步骤105中，构造二值决策树模型。
[0051] 步骤106中：训练包含步骤105中所述二值决策树的级联集合，所述级联集合具有 S级，每级具有T棵所述二值决策树：训练第i级（0〈i〈 = S)的T棵树。训练步骤将在下 文将参照图6来具体详述。
[0052] 在步骤107中：记录落入每棵树的每个叶子结点的样本，产生局部二值特征，记作(|>^ , L表示第L个关键点索。
[0053] 根据本发明的一个实施例，步骤107中的局部二值特征采用二值决策树方法， 若样本落入叶子结点标记为1，否则标记为〇。
[0054] 在步骤108中：记录预测偏差式，η为样本序列号索引，并根据偏差值调整每个 叶子的权重W1。
[0055] 根据本发明的一个实施例，如果步骤108中的预测偏