0.10样本数占样本总数 的百分比；帖率指每秒执行的帖数；
[0081] 仿真内容与结果：
[0082] 本实施例与RCPR方法，W及ESR方法在C0FW和LFPW人脸库中的人脸图像验证改进 方法的有效性。
[0083] 实验结果：
[0084] 由图2-3可知，本实施例在光照、表情变化、遮挡等情况下对齐精度比ESR和R(PR模 型高，验证了本发明的人脸对齐方法更具普遍性，鲁棒性更强。
[0085] 为了验证提取的方法的整体性能W及鲁棒性，实施例也对平均误差、失败率、帖率 进行了对比，如表1和表2所示：
[00化]表1:在C0FW上性能对比 [0087]
[0090] 由上表可知，平均误差得到很大的提高，验证了该方法级联框架的可行性。
[0091] 同时实施例的人脸对齐方法失败率大大降低，帖率和RCPR相比也有所增加，证明 了初始化形状机制的可行性。
[0092] 最后，参见图3,实施例对累积误差曲线也进行了对比，图中ESR指基于显式形状回 归化xplicit化ape Regression,ESR)的人脸对齐方法；RCPR指鲁棒的级联姿态回归 (Robust Cascaded化se Regression,RCPR)的人脸对齐方法；Our Method指实施例所提出 的人脸对齐方法。累计误差指不同平均误差下对应的测试样本数占总的测试样本数的百分 比。结果显示，本实施例的累计误差曲线在同一个关键点误差值的前提下，关键集分值均比 RCPR、ESR的关键集分值高，表示性能越好。
[0093]本实施例成功地为人脸提取特征点，通过实验可W看到，实施例从定位特征点的 精度有所提高，运算成本降低。
【主权项】
1.基于随机森林的级联位置回归用于人脸对齐的方法，其特征在于，包括如下步骤： 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 X1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； 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Ν XΜ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：Ν表示训练样本数，#表示已知标定的关键点人脸形状信息； 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VjPV2的坐标标号，则 这二个关键点中点坐标值为将中点坐标作为候选特征点μ α，循环步骤3)，产生P个候 选特征点； 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ι(μα)，灰度值I (μ<0作为人脸形状索引灰度值ρ，其大小为Ν行Ρ列的矩阵； 5) 生成人脸形状索引特征X:利用步骤4)得到的Ρ，令表示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p la和plb的差值，其中a和b的范围是1到P，循环步骤5)，可 得到大小为N行Ρ X P列的人脸形状索引特征X; 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(rf |貪_= 1,2,..? = 1，2,..Γ)并行组成，其中，k和t均表不下标号， r表不决策树，每一个决策树的构建过程一样，过程如下： (1) 选择决策树的训练样本:从N个训练样本中随机抽取Ω k个样本作为该决策树的训练 样本，〇!^的范围是N/8到N/2; (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AS的 相关性corHASj^)，其中表示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; (3) 生成节点阈值:阈值直接从-0.2C到0.2C范围中随机得到一个值作为阈值，其中C表 示步骤(2)过程选择的节点特征值； (4) 得到人脸形状增量即叶子节点的输出：利用上述步骤(1)中选择的〇!^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《V，该决策树 的输出SS k，即为叶子节点的加权组合，如公式所示： 其中Μ为该决策树的叶子节点个数M=2Κ4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： / -1- · 最后对人脸形状进行更新stisM+ssS其中SM表示第t-i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； 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： 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 % ; 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= y|KS)，统计 气…的分布，以x坐标值为横坐标，以频数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巧- 对y|气y| V、yfMi行相同的过程，得到yf; ③ 重复步骤②，得到q个人脸关键点的初始化坐标信息； ④ 将步骤②中的q个点的初始化坐标信息构成的开娥Md = {(4* yf他 作为级联回归剩下90%的过程的初始化形状； 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 s伽=广~，q为关键点个数肩 个初始化形状记为s*31，，…，s%，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。2. 根据权利要求1所述的基于随机森林的级联位置回归用于人脸对齐的方法，其特征 是，所述人脸训练样本个数Μ的范围是15~25个人。3. 根据权利要求1所述的基于随机森林的级联位置回归用于人脸对齐的方法，其特征 是，所述候选特征点Ρ的个数范围是350~500个。4. 根据权利要求1所述的基于随机森林的级联位置回归用于人脸对齐的方法，其特征 是，通过对实际坐标点μα以步骤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Mg，该人脸关键点气加上局部坐标气。《+Mf。4 ,得到候选特征点 的坐标信息μ。，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)。5. 根据权利要求1所述的基于随机森林的级联位置回归用于人脸对齐的方法，其特征 是，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。6. 根据权利要求1所述的基于随机森林的级联位置回归用于人脸对齐的方法，其特征 是，步骤6)中弱回归器的个数Τ为180~250;随机森林决策树L为5~15个。7. 根据权利要求1所述的基于随机森林的级联位置回归用于人脸对齐的方法，其特征 是，步骤7)中的q为5~68。
【专利摘要】本发明公开了一种基于随机森林的级联位置回归用于人脸对齐的方法，其特征在于，包括如下步骤：1）得到归一化人脸图片；？2）计算人脸的平均形状；？3）生成人脸对齐框架的候选特征点；4）生成人脸形状索引灰度值；5）生成人脸形状索引特征X；6）构建人脸对齐框架；7）初始化人脸形状，不断迭代后，输出最终的估计人脸形状。这种方法在光照、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。
【IPC分类】G06K9/00
【公开号】CN105631436
【申请号】CN201610054837
【发明人】莫建文, 彭倜, 张彤, 袁华, 陈利霞, 首照宇, 欧阳宁, 高宇, 匡勇建
【申请人】桂林电子科技大学
【公开日】2016年6月1日
【申请日】2016年1月27日