基于二值決策樹的紅外局部人臉關(guān)鍵點選獲取方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種生物特征識別和信息安全技術(shù)，尤其涉及一種基于二值決策樹的 紅外局部人臉關(guān)鍵點檢測方法。
【背景技術(shù)】
[0002] 人臉關(guān)鍵點定位是在人臉檢測基礎(chǔ)上，進(jìn)一步對眼睛、眉毛、鼻子、嘴巴等輪廓的 定位，通常利用關(guān)鍵點附近的信息以及各個關(guān)鍵點之間的相互關(guān)系來定位，分為基于模型 的方法和基于回歸的方法。
[0003] 基于模型的方法以ASM (Active Shape Model)方法最為代表，ASM方法將數(shù)十個 臉部特征點的紋理和位置關(guān)系約束一起考慮來進(jìn)行計算出一個參數(shù)模型。從局部特征中檢 測到所求的關(guān)鍵點，但是這種方法對噪聲非常敏感。
[0004] 基于回歸的方法是ASM相關(guān)改進(jìn)的另外一個方向，就是對形狀模型本身的改進(jìn)。 該方法沒有用PCA(Principal Component Analysis)去約束形狀模型，而是基于訓(xùn)練樣本 的線性組合來約束形狀。在ESR(explicit shape regression)采用形狀索引特征，所謂的 形狀索引特征，就是根據(jù)關(guān)鍵點的位置和一個偏移量。取得該位置的像素值，然后計算兩個 這樣的像素的差值，從而得到了形狀索引特征。
[0005] 然而，現(xiàn)有人臉關(guān)鍵點技術(shù)由于訓(xùn)練出的分類器沒有正則化，很容易產(chǎn)生過擬合 現(xiàn)象，而且不能達(dá)到對數(shù)據(jù)的高速處理，因此需要一種能夠減輕過擬合框架的人臉關(guān)鍵點 獲取方法。

【發(fā)明內(nèi)容】

[0006] 根據(jù)本發(fā)明的一個方面，本發(fā)明提供了一種基于二值決策樹的紅外局部人臉關(guān)鍵 點獲取方法，能夠?qū)t外局部人臉解決了人臉關(guān)鍵點檢測問題，而且不需要完整的人臉區(qū) 域，通過采用局部人臉便可檢測出人臉關(guān)鍵點，本發(fā)明還可以在手機上實時運行。
[0007] 為達(dá)到上述目的，本發(fā)明采用如下技術(shù)方案：一種基于二值決策樹的紅外局部人 臉關(guān)鍵點獲取方法，所述方法包括：a)導(dǎo)入通過二值決策樹訓(xùn)練所得到的分類器；b)用人 眼檢測器檢測人眼，估計局部人臉區(qū)域；c)根據(jù)步驟b估計的局部人臉區(qū)域，初始化人臉關(guān) 鍵點；d)利用訓(xùn)練好的二值決策樹的級聯(lián)集合預(yù)測人臉關(guān)鍵點位置，所述級聯(lián)集合具有S 級，每級具有T棵所述二值決策樹，進(jìn)入第i(0〈i〈 = S)級預(yù)測；e)記錄落入每棵樹的葉子 結(jié)點；f)獲取每個葉子的權(quán)重；g)更新關(guān)鍵點的位置；h)判斷是否到達(dá)最大級聯(lián)S，若到達(dá) 第S級聯(lián)，則進(jìn)入步驟i，若未達(dá)到第S級聯(lián)，則進(jìn)入步驟d，循環(huán)處理步驟d-h直到到達(dá)第 S級級聯(lián)；i)保存所選取的關(guān)鍵點的位置。
[0008] 優(yōu)選地，其中所述步驟a中的訓(xùn)練過程的步驟如下：al)收集包括人眼的人臉樣本 作為預(yù)訓(xùn)練樣本；a2)標(biāo)定預(yù)訓(xùn)練樣本的眉毛和人眼作為人眼關(guān)鍵點信息，制作訓(xùn)練樣本； a3)根據(jù)步驟a2獲得的訓(xùn)練樣本，檢測出的人眼位置，估計局部人臉區(qū)域；a4)根據(jù)步驟a3 估計的局部人臉區(qū)域，初始化人臉關(guān)鍵點，并計算平均局部臉；a5)構(gòu)造二值決策樹模型； a6)訓(xùn)練包含步驟a5中所述二值決策樹的級聯(lián)集合，所述級聯(lián)集合具有S級，每級具有T棵 所述二值決策樹，訓(xùn)練第i級（〇〈i〈 = S)的T棵樹；a7)記錄落入每棵樹的每個葉子結(jié)點 的樣本，產(chǎn)生局部二值特征，記作嶺，L表示第L個關(guān)鍵點索；a8)記錄預(yù)測偏差<，η為樣本 序列號索引，并根據(jù)偏差值式調(diào)整每個葉子的權(quán)重W1;a9)根據(jù)葉子權(quán)重W i更新關(guān)鍵點的 位置；alO)判斷是否到達(dá)最大級聯(lián)數(shù)S，若未到達(dá)第S級聯(lián)，則返回步驟a6,循環(huán)處理步驟 a6~步驟a9直到訓(xùn)練完S級級聯(lián)；若達(dá)到第S級聯(lián)，則進(jìn)入步驟all ;all)保存分類器。
[0009] 優(yōu)選地，所述構(gòu)造所述二值決策樹模型的步驟如下：dl)在關(guān)鍵點周圍提取H個像 素值差分對；d2)確定特征：以H個像素值差分對中每一個差分對依次作為特征，計算H個 差分對的熵，選擇最大的熵的差分對作為該結(jié)點特征；d3)確定結(jié)點閾值：在H個像素值差 分對里選出最大值和最小值，取兩者平均值作為結(jié)點閾值；d4)重復(fù)步驟d2和d3，直到訓(xùn)練 完所述二值決策樹的所有結(jié)點即完成二值決策樹的構(gòu)造。
[0010] 優(yōu)選地，所述記錄落入每棵樹的每個葉子結(jié)點的樣本步驟中，樣本落入的葉子結(jié) 點標(biāo)記為1，未落入的葉子結(jié)點標(biāo)記為0。
[0011] 優(yōu)選地，所述記錄預(yù)測偏差步驟中，采用局部坐標(biāo)系標(biāo)定預(yù)測偏差，所述預(yù)測偏差 為預(yù)測關(guān)鍵點與真實值之間的差值C s η為樣本序列號索引。
[0012] 優(yōu)選地，所述調(diào)整每個葉子的權(quán)重W1，采用如下算法：
[0014] 其中N是樣本數(shù)，Cpi是所有關(guān)鍵點的二值特征。
[0015] 優(yōu)選地，所述所有關(guān)鍵點的二值特征q)i采用如下算法：
[0017] 其中L是關(guān)鍵點的個數(shù)，Φ?是第L個關(guān)鍵點的二值特征。
[0018] 優(yōu)選地，所述步驟記錄預(yù)測偏差采用嶺回歸正則化方法，利用FFT方法求解并調(diào) 整每個葉子權(quán)重W1。
[0019] 優(yōu)選地，所述樣本只包含眼周信息或單眼信息的人臉關(guān)鍵點信息。
[0020] 根據(jù)本發(fā)明的另一方面，還提供了一種利用上述的方法的移動終端，所述移動終 端選自智能電話、平板電腦、智能可穿戴設(shè)備、智能手表、智能眼鏡、智能手環(huán)、智能門鎖中 的任意一種。
[0021] 根據(jù)本發(fā)明的一種基于二值決策樹的紅外局部人臉關(guān)鍵點獲取方法，解決了現(xiàn)有 人臉關(guān)鍵點檢測技術(shù)中需要完整的人臉區(qū)域、提供豐富的人臉信息情況下才能進(jìn)行人臉關(guān) 鍵點檢測的缺陷，具有更大的靈活性和實用性，這對處理人臉嚴(yán)重遮擋時關(guān)鍵點定位問題 有非常大的實用價值；由于訓(xùn)練出來的分類器沒有正則化，導(dǎo)致分類器泛化能力差，所以現(xiàn) 有人臉關(guān)鍵點技術(shù)很容易產(chǎn)生過擬合，本發(fā)明提供一種減輕過擬合的框架；本發(fā)明采用級 聯(lián)回歸，集合了大量的弱分類器，避免了現(xiàn)有人臉關(guān)鍵點檢測技術(shù)達(dá)處理速率低的缺陷。
[0022] 應(yīng)當(dāng)理解，前述大體的描述和后續(xù)詳盡的描述均為示例性說明和解釋，并不應(yīng)當(dāng) 用作對本發(fā)明所要求保護(hù)內(nèi)容的限制。
【附圖說明】
[0023] 為了更清楚的說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn) 有技術(shù)描述中所需要使用的附圖作簡單的介紹，顯而易見地，下面描述中的附圖僅僅是本 發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以 根據(jù)這些附圖獲得其他附圖。
[0024] 圖1示出了根據(jù)本發(fā)明的基于二值決策樹的紅外局部人臉關(guān)鍵點獲取方法中訓(xùn) 練分類器的流程圖；
[0025] 圖2示出了根據(jù)本發(fā)明的基于二值決策樹的紅外局部人臉關(guān)鍵點獲取方法中構(gòu) 造二值決策樹的方法流程圖；
[0026] 圖3示出了根據(jù)本發(fā)明的基于二值決策樹的紅外局部人臉關(guān)鍵點獲取方法的流 程圖；
[0027] 圖4示出了根據(jù)本發(fā)明的預(yù)估計局部人臉區(qū)域的方法圖；
[0028] 圖5示出了根據(jù)本發(fā)明的構(gòu)造二值決策樹的方法的直觀圖；
[0029] 圖6示出了根據(jù)本發(fā)明的基于二值決策樹的級聯(lián)集合的構(gòu)造直觀圖。
【具體實施方式】
[0030] 通過參考示范性實施例，本發(fā)明的目的和功能以及用于實現(xiàn)這些目的和功能的方 法將得以闡明。然而，本發(fā)明并不受限于以下所公開的示范性實施例，可以通過不同形式來 對其加以實現(xiàn)。說明書的實質(zhì)僅僅是幫助相關(guān)領(lǐng)域技術(shù)人員綜合理解本發(fā)明的具體細(xì)節(jié)。
[0031] 圖1示出了根據(jù)本發(fā)明的基于二值決策樹的紅外局部人臉關(guān)鍵點獲取方法中訓(xùn) 練分類器的流程圖，所述訓(xùn)練步驟包括：
[0032] 在步驟101中，收集樣本，用人眼檢測器檢測人眼，把檢測出有人眼的樣本保留下 來作為預(yù)訓(xùn)練樣本。例如，可以用opencv人眼檢測器來檢測人眼。
[0033] 在步驟102中，在收集到的預(yù)訓(xùn)練樣本基礎(chǔ)上，標(biāo)定眉毛和人眼等關(guān)鍵點，作為訓(xùn) 練樣本。這里的標(biāo)定可以采取手工標(biāo)定的方法，也可以利用圖像識別技術(shù)自動標(biāo)定。
[0034] 在步驟103中，根據(jù)步驟102獲得的訓(xùn)練樣本，利用檢測出的人眼位置，預(yù)估計局 部人臉區(qū)域。
[0035] 根據(jù)本發(fā)明的一個實施例，預(yù)估計局部人臉區(qū)域的方法步驟為：
[0036] a)檢測出所有訓(xùn)練樣本的人眼位置，即樣本中人眼的二維坐標(biāo)（xn，yn)，其中（xn￡，yn￡)和（xn；e，yn；e)分別為左右眼的二維坐標(biāo)，η表示第η個樣本；
[0037] b)根據(jù)左右眼的二維坐標(biāo)確定局部人臉區(qū)域；
[0038] 根據(jù)本發(fā)明的一個實施例，圖4示出了根據(jù)人眼位置預(yù)估局部人臉區(qū)域的示意性 方法。如圖4所示，點A和點B分別為人左右眼的位置，二維坐標(biāo)即為（xnt，ynt)和（x n& yn；e)。設(shè)點A和點B的間距值為d，以中點〇點為矩形對角線的中心，作點A和點B連線 方向長度為2d、垂直于點A和點B連線方向?qū)挾葹閐的矩形，所述矩形為預(yù)估計的局部人臉 區(qū)域。
[0039] 回到圖1，在步驟104中，根據(jù)步驟103中預(yù)估計的局部人臉區(qū)域，初始化人臉關(guān)鍵 點位置，計算平均局部臉。
[0040] 根據(jù)本發(fā)明的一個實施例，計算平均局部臉的方法步驟為：
[0041] 計算局部平均臉的實施例：
[0042] 記訓(xùn)練的樣本數(shù)為：N ;記關(guān)鍵點的個數(shù)為：L。記局部平均臉為：I。
[0043] 1)讀取所有訓(xùn)練樣本的關(guān)鍵點的坐標(biāo)。
[0044] 2)計算第i個關(guān)鍵點的平均值，按下面公式計算：
[0046] 4是第i個關(guān)鍵點的均值。
[0047] 3)計算所有關(guān)鍵點的平均值，最終得到局部平均臉
[0049] I即局部平均臉。
[0050] 接著，在步驟105中，構(gòu)造二值決策樹模型。
[0051] 步驟106中：訓(xùn)練包含步驟105中所述二值決策樹的級聯(lián)集合，所述級聯(lián)集合具有 S級，每級具有T棵所述二值決策樹：訓(xùn)練第i級（0〈i〈 = S)的T棵樹。訓(xùn)練步驟將在下 文將參照圖6來具體詳述。
[0052] 在步驟107中：記錄落入每棵樹的每個葉子結(jié)點的樣本，產(chǎn)生局部二值特征，記作(|>^ , L表示第L個關(guān)鍵點索。
[0053] 根據(jù)本發(fā)明的一個實施例，步驟107中的局部二值特征采用二值決策樹方法， 若樣本落入葉子結(jié)點標(biāo)記為1，否則標(biāo)記為〇。
[0054] 在步驟108中：記錄預(yù)測偏差式，η為樣本序列號索引，并根據(jù)偏差值調(diào)整每個 葉子的權(quán)重W1。
[0055] 根據(jù)本發(fā)明的一個實施例，如果步驟108中的預(yù)測偏