基于随机森林的级联位置回归用于人脸对齐的方法
【技术领域】
[0001] 本发明属于数字图像处理技术领域，具体是一种基于随机森林的级联位置回归用 于人脸对齐的方法。
【背景技术】
[0002] 人脸对齐在人脸识别，人脸追踪和Ξ维人脸重建中有着十分重要的地位，吸引了 越来越多的研究者，但是由于人面部表情的多样性，不同光照条件W及遮挡等情况也给研 究带来了困难和挑战。
[0003] 人脸对齐算法大致分成两类，一类是基于最优的人脸对齐算法，一类是基于回归 的人脸对齐算法。
[0004] 基于最优的对齐人脸算法通过优化误差W达到人脸对齐的目的，其性能依靠于误 差方程本身设计的优劣程度及其最优化的效果，难W得到保证。例如，T.Cootes等在 "Active appearance models"中提出的人脸对齐算法，利用外观模型重构整张人脸，然后 W最少化残留纹理的方式设计误差方程，对人脸进行修正，从而使得最终的对齐结果取决 于误差方程的设计和优化情况。
[0005] 基于回归的人脸对齐算法W估计样本S与真实的样本J接近，对训练样本的机器学 习，得到一个回归方程，该方程能够直接将人脸图像映射成人脸形状。其中，由姿态、表情、 光照等引起的复杂的人脸变化可通过学习大量的训练数据样本得到有效的抑制。先前部分 基于回归的人脸对齐是依靠参数模型，将最小化对齐误差转化成参数误差。该转换存在严 重的缺陷。因为参数误差最小并不等同于对齐误差最小，不能保证人脸对齐最优。例如， P.Dollar等的乂ascaded pose regression"算法。另一部分基于回归的人脸对齐研究工作 针对单个基准点进行回归学习，并有效地利用了对齐误差作为损失函数。然后运类方法只 利用了局部图像块进行学习，没有探索基准点之间的外观联系。因此，该方法得到的回归器 的鲁棒性较差，不能应对存在人脸姿势变化大和人脸局部遮挡的情况。同时基于模型的人 脸对齐方法对人脸初始化形状较为敏感。
【发明内容】
[0006] 本发明的目的在于针对现有技术的不足，而提供一种基于随机森林的级联位置回 归用于人脸对齐的方法。运种方法在光照、表情变化、遮挡等情况下能够保持很好的鲁棒 性，并且能提高精度、减少失败率。
[0007] 实现本发明目的的技术方案是：
[000引基于随机森林的级联位置回归用于人脸对齐的方法，包括如下步骤：
[0009] 1)得到归一化人脸图片：读入训练集图像库中的图片及对应的人脸属性，并对图 片进行归一化，人脸属性包含人脸位置矩形区域信息即XI轴、yi轴、W宽、h高信息和已知标定 的关键点坐标信息即X2轴、y2轴信息；
[0010] 2)计算人脸的平均形状:给每一个人脸训练样本确定Μ个初始化形状，除自身的形 状外，即组成NXM个训练样本，对训练样本的关键点坐标信息进行旋转、缩放相似变换，计 算出人脸的平均形状：
[0011]
[001 ^ N表示训练样本数，《表示已知标定的关键点人脸形状信息；
[0013] 3)生成人脸对齐框架的候选特征点：用随机函数生成二个关键点Vi和V2的坐标标 号，则运二个关键点中点坐标值为将中点坐标作为候选特征点μα，循环步骤3 )，产生P 个候选特征点；
[0014] 4)生成人脸形状索引灰度值Ρ:利用步骤3)得到的Ρ个候选特征点，提取候选特征 点的图片灰度值I (μα)，灰度值I (μα)作为人脸形状索引灰度值Ρ，其大小为Ν行Ρ列的矩阵； [001引5)生成人脸形状索引特征X:利用步骤4)得到的Ρ，令化康示Ρ中第i行、第j列的一 个元素值，第一层循环让i从1到N，计算Pia和Pib的差值，其中a和b的范围是1~P，循环步骤 5)，可得到大小为N行P X P列的人脸形状索引特征X;
[0016] 6)构建人脸对齐框架:所述人脸对齐框架是基于随机森林级联回归方法构建，人 脸对齐框架第一层弱回归器的级联、即弱回归器的个数为T，每一个弱回归器由一个随机森 林组成，随机森林将很多弱分类器集成为一个强分类器，实现并行结构，弱分类器即为决策 树，一个随机森林由L个决策树(rtk|k=l，2，...，レt = l，2，...，T)并行组成，其中，k和t均 表示下标号，r表示决策树，每一个决策树的构建过程一样，过程如下：
[0017] (1)选择决策树的训练样本:从N个训练样本中随机抽取Qk个样本作为该决策树 的训练样本，Qk的范围是N/8~N/2;
[0018] (2)生成节点特征:根据步骤5)中得到的人脸形状索引特征X中的值与回归目标Δ S的相关性corr( AS，Xij)，其中Xi康示X矩阵中的第i行、第j列的元素，选择F个最相关的人 脸形状索引特征，作为节点特征，F为决策树的深度，其范围5~10;
[0019] (3)生成节点阔值：阔值直接从-0.2C~0.2C范围中随机得到一个值作为阔值，其 中C表示步骤(2)过程选择的节点特征值；
[0020] (4)得到人脸形状增量即叶子节点的输出：利用上述步骤（1)中选择的Qk个训练 样本送入由步骤(2)、（3)构建的决策树，得到的叶子节点的输出即为人脸形状增量该 决策树的输出SSk，即为叶子节点的加权组合，如公式所示：
[0021]
[0022] 其中Μ为该决策树的叶子节点个数Μ = 2^
[0023] 经过上述步骤后，即可得到决策树，重复步骤（1)、（2)、（3)、（4)得到随机森林，随 机森林的输出SSt为L个决策树的加权组合，如公式所示：
[0024]
[0025] 最后对人脸形状进行更新st=sw+sst，其中st-i表示第t-1个循环过程的人脸形状 信息，同理St表示第t个循环中人脸形状信息；
[0026] 7)初始化人脸形状:采用直方图统计的方法进行人脸形状初始化，初始化过程如 下：
[0027] ①对输入的Μ个初始化形状送入人脸对齐框架模型中，执行级联回归过程的10% ;
[0028] ②得到人脸关键点的初始化坐标信息：关键点g点的坐标为
统 计xf ,…，X'fM的分布，Wx坐标值为横坐标，W频数Μ为纵坐标，划分各小区间及其对应 的频数高度，输出频数最大的区间对应的横坐标值χ|·
[0029] 对
故行相同的过程，得到潘
[0030] ③重复步骤②，得到q个人脸关键点的初始化坐标信息；
[0031] ④将步骤②中的q个人脸关键点的初始化坐标信息构成的形状
作为级联回归剩下90%的过程的初始化形状；
[0032] ⑤结合步骤①-步骤④，得到一个初始化人脸形状，其中初始化人脸形状为
，q为关键点个数，初始化形状个数记为Μ，M 个初始化形状记为5<\5<^· · ?，5<^"，把5<^"送入步骤6)构建人脸对齐框架中，不断迭代后， 输出最终的估计人脸形状。
[0033] 所述人脸训练样本个数Μ的范围是15~25个人，优选为20个人。
[0034] 所述候选特征点Ρ的个数范围是350~500个，优选为400个。
[0035] 通过对实际坐标点μαΚ步骤2)得到的人脸的平均形状MS为目标坐标点，进行旋 转、缩放相似变换。么/"，该人脸关键点气。&加上局部坐标兄+始&|。如，得到候 选特征点的坐标信息μα，即可得到该候选特征点在当前人脸形状上的人脸灰度值Ι(μα)。
[0036] 步骤5)中采用的是形状索引特征，特征值采用二个特征点的灰度差值。
[0037] 步骤6)中弱回归器的个数Τ为180~250,优选值为200;随机森林决策树L为5~15 个，优选值为8个。
[0038] 步骤7)中的q为5~68,优选值为29。
[0039] 运种方法在级联