首页 / 专利库 / 电脑编程 / 算法 / 基于二值决策树的红外局部人脸关键点获取方法

基于二值决策树的红外局部人脸关键点获取方法

阅读:877发布:2021-04-14

专利汇可以提供基于二值决策树的红外局部人脸关键点获取方法专利检索,专利查询,专利分析的服务。并且本 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,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,下面是基于二值决策树的红外局部人脸关键点获取方法专利的具体信息内容。

1.一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,对待测样本启动人脸关键点获取过程;
训练过程的步骤如下:
a1)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(0a7)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个关键点索引, 表示第l个关键点的二值特征,所有关键点的二值特征记作a8)记录预测偏差 n为样本序列号索引,并根据偏差值 调整每个叶子的权重Wi;
a9)根据叶子权重Wi更新关键点的位置;
a10)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a11;
a11)保存分类器;
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分类器预测人脸关键点位置,所述分类器具有S级,每级具有T棵所述二值决策树,进入第i(0e)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个关键点索引, 表示第l个关键点的二值特征,所有关键点的二值特征记作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。
2.如权利要求1所述的方法,其中所述构造所述二值决策树模型的步骤如下:
d1)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。
3.如权利要求1所述的方法,其中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。
4.如权利要求1所述的方法,其中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 n为样本序列号索引。
5.如权利要求1所述的方法,其中所述调整每个叶子的权重,用岭回归正则化方法求解并调整每个叶子权重W,算法如下:
其中N是样本数。
6.如权利要求1所述的方法,其中所述所有关键点的二值特征 集合为:
其中L是关键点的个数。
7.如权利要求1所述的方法,其中所述样本只包含眼周信息或单眼信息。
8.一种利用如权利要求1至7中任一权利要求所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、智能中的任意一种。

说明书全文

基于二值决策树的红外局部人脸关键点获取方法

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及测试样本;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
[0008] 优选地,其中所述步骤a中的训练过程的步骤如下:a1)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(0
[0009] 优选地,所述构造所述二值决策树模型的步骤如下:d1)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 n为样本序列号索引。
[0012] 优选地,所述调整每个叶子的权重Wi,采用如下算法
[0013]
[0014] 其中N是样本数, 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 集合为:
[0016]
[0017] 其中L是关键点的个数。
[0018] 优选地,所述步骤记录预测偏差采用岭回归正则化方法求解并调整每个叶子权重Wi。
[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左,yn左)和(xn右,yn右)分别为左右眼的二维坐标,n表示第n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(xn左,yn左)和(xn右,yn右)。设点A和点B的间距值为d,以中点o点为矩形对线的中心,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:
[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:
[0045]
[0046] 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
[0048]
[0049] 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
[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个关键点索引, 表示第l个关键点的二值特征,所有关键点的二值特征记作[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0。
[0054] 在步骤108中:记录预测偏差 n为样本序列号索引,并根据偏差值 调整每个叶子的权重Wi。
[0055] 根据本发明的一个实施例,如果步骤108中的预测偏差 大于第一阈值,则舍弃产生所述预测偏差 的相应的二值树。
[0056] 根据本发明的一个实施例,步骤108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样本标记的关键点之间的差值 n为样本序列号索引。
[0057] 根据本发明的一个实施例,步骤108中采用下述公式所示的算法,调整每个叶子的权重Wi,其中N是样本数, 是所有关键点的二值特征。
[0058]
[0059] 根据本发明的一个实施例,步骤108中获得所有关键点的二值特征 的集合如下式,其中L是关键点的个数。
[0060]
[0061] 根据本发明的一个实施例,步骤108采用岭回归正则化方法求解并调整每个叶子权重Wi。
[0062] 在步骤109中,根据叶子权重Wi更新关键点的位置。
[0063] 在步骤110中,判断是否到达最大级联S,若未到达第S级联,则返回步骤106,循环处理步骤106~步骤109直到训练完S级级联;若未达到第S级联,则进入步骤111。
[0064] 在步骤111中,保存分类器。
[0065] 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,所述构造二值决策树的步骤包括:
[0066] 在步骤201中,在关键点周围提取H个像素值差分对;
[0067] 在步骤202中,确定结点特征,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;
[0068] 在步骤203中,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;
[0069] 在步骤204中,由步骤202中得到的结点特征和步骤203中得到的结点阈值确定二值树的结点;
[0070] 在步骤205中,如果所有结点确定完毕则进入步骤206,否则重复步骤202、203,直到训练完所述二值决策树的所有结点;
[0071] 在步骤206中,由所有训练的结点确定构造的二值决策树模型。
[0072] 图5以二值树的形式直观地示出了图2所示的构造二值决策树的方法。如图5所示,[0073] a)首先,在关键点512周围提取H个像素值差分对510;
[0074] b)确定结点特征:依次以每对像素值差分对511作为特征,计算H个差分对510的熵,选择最大的熵的差分对作为结点524的特征;
[0075] c)确定结点阈值:在H个像素值差分对510里选出最大值和最小值,取两者平均值作为结点524的阈值;
[0076] d)确定结点:由结点特征和结点阈值确定一个结点,例如结点524;
[0077] e)循环以上步骤,利用H个像素值差分对510确定一棵二值决策树520的所有结点,例如二级结点523、三级结点524以及叶子结点521,即构造了一棵二值决策树。
[0078] 根据本发明的一个实施例,图1的步骤106中训练二值决策树的级联集合方法如图6所示:将图5中所示方法重复训练的二值决策树610导入级联集合620中,所述级联集合620设置有共S级,如图6中第一级621、第二级622直至S级623,并且每级具有T列树,如图6中第一列624、第二列625直至T列626。使用图5中训练二值决策树的方法重复训练S*T棵树,并按图6中所示的级联集合620将二值决策树排列,最终得到训练完毕的二值决策树的级联集合。
[0079] 当利用图1的基于二值决策树的红外局部人脸关键点获取方法对分类器进行训练之后,要使用该分类器对实际的红外局部人脸关键点进行检测。图3为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,步骤包括:
[0080] 在步骤301中,导入通过二值决策树训练所得到的分类器及测试样本;
[0081] 在步骤302中,用人眼检测器检测人眼,估计局部人脸区域;
[0082] 在步骤303中,根据步骤302估计的局部人脸区域,初始化人脸关键点;
[0083] 在步骤304中,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
[0084] 在步骤305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,记作表示第l个关键点索引, 表示第l个关键点的二值特征,所有关键点的二值特征记作[0085] 在步骤306中,获取每个叶子的权重;
[0086] 在步骤307中,更新关键点的位置;
[0087] 在步骤308中,判断是否到达最大级联S,若到达第S级联,则进入步骤309,若未达到第S级联,则进入步骤304,循环处理步骤304~308直到到达第S级级联;
[0088] 在步骤309中,保存所选取的关键点的位置。
[0089] 根据本发明的一个实施例,该方法适用于局部人脸关键点检测以及只包含眼周信息或单眼信息的人脸关键点检测。
[0090] 根据本发明的另一个方面,该方法适用于各种包括虹膜识别功能的移动终端,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。
[0091] 本发明提供的基于二值决策树的红外局部人脸关键点获取方法,可以仅利用包含人眼的局部人脸信息来获取得到完整的人脸区域,具有更大的灵活性和实用性,特别是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。
[0092] 以上只是本发明较佳的实例,并非来限制本发明实施范围,故凡依本发明申请专利范围所述的构造、特征及原理所做的等效变化或修饰,均应包括于本发明专利申请范围内。
高效检索全球专利

专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。

我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。

申请试用

分析报告

专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。

申请试用

QQ群二维码
意见反馈