人脸关键特征点检测模型的训练、检测方法及系统的制作方法
【技术领域】
[0001] 本发明涉及计算机视觉处理领域，特别是涉及一种人脸关键特征点检测模型训练 方法及系统、检测方法及系统。
【背景技术】
[0002] 人脸关键特征点是人脸识别、表情识别等人脸处理技术的基础，脸部特征点定位 的性能很大程度上影响着人脸检测方法的精度。在所有的脸部特征点中，双眼、嘴巴、鼻尖 及眉等显著性关键特征点最为重要，利用它们之间的距离比例来区分人脸。对于一般的应 用，显著性关键特征点已经能够满足处理方法的需要，能够将不同形状、大小的人脸对齐归 一化，并为进一步处理提供信息。此外，左/右眼、嘴巴、鼻尖及眉这六点也可以作为其它脸 部特征点定位的前提和基础。此外，在人机交互以及娱乐领域，对于已知双眼、嘴巴位置的 输入人脸，可以对其进行纹理、颜色、形状等变换，产生各种有趣的图片效果。眼睛特征点容 易受到包括姿态、光照、图片质量、头发眼睛遮挡等因素的影响。而由人脸表情的变化引起 的嘴巴张开与闭合也影响着嘴巴的外观。因此，精确准确地检测人脸关键特征点是一个困 难且需要解决的问题。
[0003] 人脸关键特征点的检测可视为一个求解最优的过程，将输入的人脸图片各个真 实关键特征点位置组成一个形状向量I，估计形状向量S_，使得估计值与真实值的误差最 小，如下列公式所示：
[0005] 式⑴中，求解的方式多种多样，早期使用较为普通的方法包括ASM、AAM、Stasm 等，ASM方法根据训练样本各关键特征点的特征和位置分布，训练为一个形状模型，利用该 形状模型，即可找到最为接近的真实关键特征点的形状向量。而AAM是基于ASM方式的改 进，它的训练模型不仅包含形状信息、也包含关键特征点周围的纹理信息；基于ASM、AAM改 进的关键特征点检测方法，检测对大角度、表情夸张、光照变化剧烈的人脸效果不够理想， 对关键特征点的初始位置也非常敏感；Stasm算法在更新关键特征点位置时，使用了 2维的 梯度特征（HAT特征）代替1维的边缘特征；Saragih方式使用非线性的模型训练AAM模 型。还有一种有监督梯度方法（SupervisedDecentMethod，下文简称为SDM)，求解非线性 的最小二乘问题，最终实现多角度、表情的人脸关键特征点检测。以及局部二值特征回归方 法（LocalBinaryFeaturesRegression，下文简称为LBF)采用了回归算法学习局部二值 特征集，用来表达各关键特征点。该算法速度极快，在普通台式机的运行速度可以达到3000 帧/秒，且手机端也可达到300帧/秒。
[0006] 现有的检测人脸关键特征点方法可概括为：首先，根据训练集的初始关键特征点 和真实关键特征点的特征信息，训练得到相应回归模型；其次，通过特征提取与结合回归模 型，找到各关键特征点的最佳位置；虽然在多角度和光照下，提高了人脸关键特征点的检测 精度，但仍然存在以下缺点：第一，针对于较大角度、夸张表情的人脸关键特征点检测，检测 精度远远不够；第二，在与显著性关键特征点相比而言，使用非显著性关键特征点检测精度 较差；第三，针对光照分布不均匀或光线较暗的人脸，检测的性能较差；第四，对于关键特 征点置信度的判别精度不高，容易产生误检。
【发明内容】
[0007] 鉴于以上所述现有技术的缺点，本发明的目的在于提供一种人脸关键特征点检测 模型训练方法及系统和人脸关键特征点检测方法及系统，用于解决现有技术中在特殊情况 下，如：光线较差、光照不均匀、多姿态、不同表情下，人脸关键特征点检测精度不高和容易 造成误检的问题。
[0008] 为实现上述目的及其他相关目的，本发明提供一种人脸关键特征点检测模型训练 方法，包括：
[0009]采用人脸检测算法获取输入图片的人脸位置；
[0010] 根据训练集的平均关键特征点与所述人脸位置，得到更新前的关键特征点初始位 置；
[0011] 根据真实关键特征点的位置，估计人脸的3D角度；根据该3D角度旋转人脸3D模 型，将3D模型映射至2D空间，得到更新后的关键特征点初始位置；
[0012] 根据更新前、后的关键特征点初始位置差值以及更新前的关键特征点初始位置所 提取的区域特征，训练动态初始化回归模型；
[0013]根据所述更新后的关键特征点初始位置和真实关键特征点位置的距离差以及在 更新后的关键特征点初始位置提取的区域特征，训练级联回归模型。
[0014]本发明的另一目的在于提供一种人脸关键特征点检测方法，包括：
[0015] 获取输入图片的人脸位置；
[0016] 根据平均关键特征点与所述人脸位置，得到该输入图片更新前的关键特征点初始 位置；
[0017] 根据更新前的关键特征点初始位置以及所提取的区域特征，调用所述动态初始化 回归模型，得到更新后的关键特征点的初始位置；
[0018]根据更新后的关键特征点初始位置及所提取的区域特征，调用所述级联回归模型 计算人脸关键特征点位置；
[0019] 根据所述人脸关键特征位置将输入图片经仿射变换得到对齐的人脸图片，检测所 述对齐的人脸图片是否大于预设评测分数，根据检测结果判断所述人脸关键特征点是否准 确。
[0020] 本发明的另一目的在于提供一种人脸关键特征点检测模型训练系统，包括：
[0021] 第一获取模块，适用于采用人脸检测算法获取输入图片的人脸位置；
[0022] 第一处理模块，适用于根据训练集的平均关键特征点与所述人脸位置，得到更新 前的关键特征点初始位置；
[0023]第二处理模块，适用于根据真实关键特征点的位置，估计人脸的3D角度；根据该 3D角度旋转人脸3D模型，将3D模型映射至2D空间，得到更新后的关键特征点初始位置；
[0024]第一训练模块，适用于根据更新前、后的关键特征点初始位置差值以及更新前的 关键特征点初始位置所提取的区域特征，训练动态初始化回归模型；
[0025] 第二训练模块，适用于根据所述更新后的关键特征点初始位置和真实关键特征点 位置的距离差以及在更新后的关键特征点初始位置提取的区域特征，训练级联回归模型。
[0026] 本发明的另一目的在于提供一种人脸关键特征点检测系统，包括：
[0027] 第二获取模块，适用于获取输入图片的人脸位置；
[0028] 更新前处理模块，适用于根据平均关键特征点与所述人脸位置，得到该输入图片 更新前的关键特征点初始位置；
[0029] 第一计算模块，适用于根据更新前的关键特征点初始位置以及所提取的区域特 征，调用所述动态初始化回归模型，得到更新后的关键特征点的初始位置；
[0030] 第二计算模块，适用于根据更新后的关键特征点初始位置及所提取的区域特征， 调用所述级联回归模型计算人脸关键特征点位置；
[0031] 检测模块，适用于根据所述人脸关键特征位置将输入图片经仿射变换得到对齐的 人脸图片，检测所述对齐的人脸图片是否大于预设评测分数，根据检测结果判断所述人脸 关键特征点是否准确。
[0032] 如上所述，本发明的人脸关键特征点检测模型训练方法及系统、检测方法及系统， 具有以下有益效果：
[0033] 在本发明实施例中，通过获取输入图片中人脸位置，将人脸关键特征点周围的图 像块进行直方图规定化处理，不仅减少了光线对关键特征点的影响，还在光线较差和光照 不均匀情况下，提高了人脸关键特征点的检测精度；使用监督下降法或局部二值特征回归 法训练回归模型，在动态化回归模型，使得初始状态更为多样化，能够更好地适应不同角度 的人脸关键特征点检测；相对于固定不变的平均关键特征点初始化相比，动态化的初始关 键特征点位置与真实关键特征点更为接近，能够降低回归模型训练的难度，从而提高训练 和检测精度。同时，在训练过程中，对显著性关键特征点和非显著性关键特征点的距离衡量 中引入不同的权值系数，增强了非显著性关键特征点在训练过程中的容错率，有助于增强 各个关键特征点检测的稳定性和准确性。根据检测到的关键特征点的位置对人脸图片进行 变换，再使用人脸检测器估计人脸关键特征点的分值，与传统的基于数量较小的关键特征 点训练集训练得到的关键特征点的检测模型相比，采用由大量人脸数据训练得到的人脸检 测模型通过预设分值判别更加精准。
【附图说明】
[0034]图