面部標志檢測方法
【專利摘要】可通過首先剪切圖像中的所檢測面部的面部矩形區(qū)域、并且至少部分基于該面部矩形區(qū)域生成積分圖像來執(zhí)行檢測圖像中所檢測的面部的面部標志。隨后，可對面部矩形區(qū)域的每個面部標志運行級聯(lián)分類器，以便至少部分基于積分圖像來產(chǎn)生每個面部標志的一個響應(yīng)圖像?？山⒍鄠€主動形狀模型（ASM）初始化。ASM搜索可至少部分基于響應(yīng)圖像對每個ASM初始化來執(zhí)行，每個ASM搜索產(chǎn)生具有成本的搜索結(jié)果。最后，可選擇具有最低成本函數(shù)的ASM搜索的搜索結(jié)果，所選搜索結(jié)果指示圖像中的面部標志的位置。
【專利說明】面部標志檢測方法
【技術(shù)領(lǐng)域】
[0001]一般來說，本公開涉及圖像處理領(lǐng)域。更具體來說，本發(fā)明的一實施例涉及由處理系統(tǒng)中的處理器所運行以用于分析面部圖像的面部標志檢測處理。
【背景技術(shù)】
[0002]隨著嵌入式計算裝置中的增加計算能力的進步，面部識別應(yīng)用變得越來越普遍，例如數(shù)碼相機中的自動聚焦/自動白平衡/自動曝光(3A)處理和微笑快門、智能電話上的基于化身的通信以及手持計算裝置上的面部識別登錄能力。在這些面部分析應(yīng)用中，面部標志檢測是重要處理步驟，這是因為面部標志檢測模塊的輸出結(jié)果的精度極大地影響隨后的面部圖像處理步驟的性能。另外，面部標志檢測是面部識別處理流水線中最費時模塊之一。因此，快速面部標志檢測處理對于面部分析應(yīng)用、特別是對于具有有限計算能力的嵌入式平臺(例如智能電話和移動因特網(wǎng)裝置(MID))會是重要的。
[0003]近來，對面部標志檢測技術(shù)的研究已經(jīng)增加。人的面部上的主要標志點包括眼角、嘴角和鼻尖。檢測任務(wù)是在找到面部的近似區(qū)域之后識別這些點的準確位置。這通常是不平凡的任務(wù)，因為面部特征的外觀因不同的頭部姿勢、面部表情、不均勻照明、附件和潛在閉塞而存在顯著變化。良好的面部標志檢測過程應(yīng)當能夠處理所有這些變化。
[0004]至少存在若干已知方式，其中主動形狀模型(ASM)和主動外觀模型(AAM)是最典型的方法。在 T.F.Cootes 和 C.J.Taylor 的 “Statistical Models of Appearance forComputer Vision (用于計算機視覺的外觀的統(tǒng)計模型)” (University of Manchester,2004年3月8日)中示出這些模型。ASM/AAM使用統(tǒng)計方法來捕獲訓(xùn)練集合中的示例變化，并且優(yōu)化成本函數(shù)以使形狀模型適合新示例。近年來，在ASM/AAM框架中提出了改進，例如利用高級圖像特征或者分級的由粗到細搜索。這些方法改進標志檢測的精度，但是另一方面，計算成本顯著增加，并且它不能在現(xiàn)代嵌入式計算平臺上達到實時性能。例如，如LiZhang、Haizhou Ai 和 Shihong Lao 的“Robust Face Alignment Based on HierarchicalClassifier Network (基于分級分類器網(wǎng)絡(luò)的健壯面部對齊)” (Proceedings of theEuropean Conference on Computer Vision (ECCV) Workshop Human Computer Interface(HCI) 2006，第1-11頁)中公開的一種方法對于由已知處理系統(tǒng)進行的近實時使用過慢。相應(yīng)地，期望面部標志檢測處理的更好并且更高效方法。
【專利附圖】

【附圖說明】
[0005]參照附圖提供詳細描述。不同附圖中的相同參考標號的使用表示相似或相同項。
[0006]圖1是按照本發(fā)明的一個實施例、作為面部圖像處理系統(tǒng)的部分的面部標志檢測部件的圖。
[0007]圖2是按照本發(fā)明的一個實施例的面部標志檢測處理的流程圖。
[0008]圖3是按照本發(fā)明的一個實施例、用于對象檢測的分類器級聯(lián)的圖。
[0009]圖4是按照本發(fā)明的一個實施例、用于嘴角分類器的一組示例訓(xùn)練圖像。[0010]圖5是按照本發(fā)明的一個實施例的響應(yīng)圖像和平滑結(jié)果的示例。
[0011]圖6是按照本發(fā)明的一個實施例的標志點之間的幾何關(guān)系。
[0012]圖7是按照本發(fā)明的一個實施例的面部圖像中的一組示例檢測標志點。
[0013]圖8是按照本發(fā)明的一個實施例的不實用面部形狀的圖。
[0014]圖9是示出按照本發(fā)明的一個實施例的面部特征的比率分布的一組圖表。
[0015]圖10是按照本發(fā)明的一個實施例、對形狀參數(shù)的三個示例ASM初始化的圖。
[0016]圖11是按照本發(fā)明的一個實施例的面部標志檢測結(jié)果的誤差分布的圖。
[0017]圖12-14是按照本發(fā)明的一個實施例的面部標志的一組示例檢測結(jié)果。
[0018]圖15和圖16示出可用于實現(xiàn)本文所論述的一些實施例的處理系統(tǒng)的實施例的框圖。
【具體實施方式】
[0019]本發(fā)明的實施例提供用于面部標志檢測的快速有效方法。在一個實施例中，哈爾(Haar)級聯(lián)分類器可投入主動形狀模型(ASM)框架中。級聯(lián)分類器可成功地用于面部檢測中，并且哈爾型特征能夠通過積分圖像來加速，其使面部標志檢測準確并且迅速。ASM框架確保形狀擬合處于有效形狀空間中。為了防止ASM搜索落入局部最小值，多個配置可用于初始化形狀參數(shù)。為了節(jié)省計算，本發(fā)明的實施例僅檢測六個標志點(雙眼的內(nèi)/外角、嘴的左/右角)。這六個點對于面部對齊和許多其它面部相關(guān)任務(wù)一般是充分的。本發(fā)明的實施例執(zhí)行面部標志檢測處理比已知現(xiàn)有技術(shù)方法快大約五倍。
[0020]在以下描述中，提出許多具體細節(jié)，以便提供對各個實施例的透徹理解。但是，即使沒有這些具體細節(jié)也可實施本發(fā)明的各個實施例。在其它情況下，沒有詳細描述眾所周知的方法、過程、部件和電路，以免影響對本發(fā)明的具體實施例的理解。此外，可使用諸如集成半導(dǎo)體電路(“硬件”)、組織成計算機可讀存儲介質(zhì)上存儲的一個或多個程序的計算機可讀指令(“軟件”)或者硬件和軟件的某種組合之類的各種手段，來執(zhí)行本發(fā)明的實施例的各個方面。為了便于本公開，提到“邏輯”將表示硬件、軟件(包括例如控制處理器的操作的微碼)、固件或者它們的某種組合。
[0021]哈爾型特征是對象識別處理中使用的數(shù)字圖像特征。其得名是因為它們與哈爾小波的直觀相似性，并且用于第一實時面部檢測器中。歷史上，僅與圖像強度(即，在圖像的每個和每一個像素的RGB像素值)一起工作使特征計算的任務(wù)是計算量極大的。在Constantine Papageorgiou、Michael Oren 和 Tomaso Poggio 的“A General Frameworkfor Object Detection(對象檢測的一般框架)，，( International Conference on ComputerVision, 1998)中，Papageorgiou等人論述了與基于哈爾小波的備選特征集合而不是通常的圖像強度一起工作。如 Paul Viola 和 Michael Jones 的“Rapid Object Detection Usinga Boosted Cascade of Simple Features (使用簡單特征的增強級聯(lián)的快速對象檢測)”(Conference on Computer Vision and Pattern Recognition, 2001)中所公開，Viola 和Jones適配了使用哈爾小波的概念，并且開發(fā)了所謂的哈爾型特征。哈爾型特征考慮在檢測窗口的特定位置的相鄰矩形區(qū)域，合計這些區(qū)域中的像素強度，并且計算它們之間的差。這個差然后用于分類圖像的分部。例如，考慮具有人的面部的圖像數(shù)據(jù)庫。共同觀察結(jié)果是，在所有面部之中，眼部區(qū)域比臉頰區(qū)域要暗。因此，用于面部檢測的共同哈爾特征是位于眼部和臉頰區(qū)域上方的一組兩個相鄰矩形。這些矩形的位置相對于就像目標對象(這種情況下的面部)的邊界框那樣起作用的檢測窗口來定義。
[0022]在Viola-Jones對象檢測框架的檢測階段，目標大小的窗口在輸入圖像之上移動，并且對于圖像的各分部來計算哈爾型特征。這個差然后與將非對象與對象分離的已學(xué)習(xí)閾值進行比較。因為這種哈爾型特征只是弱學(xué)習(xí)器或分類器(其檢測質(zhì)量比隨機猜測略高)，所以大量哈爾型特征是以充分精度來描述對象所需的。在Viola-Jones對象檢測框架中，哈爾型特征因此按照稱作分類器級聯(lián)的某種形式來組織，以便形成強學(xué)習(xí)器或分類器。哈爾型特征優(yōu)于大多數(shù)其它特征的一個優(yōu)點是其計算速度。由于積分圖像的使用，任何大小的哈爾型特征可在恒定時間(在一種情況下，對于2矩形特征大約60個微處理器指令)來計算。
[0023]本發(fā)明的實施例處理從照相機所捕獲的面部圖像。圖1是按照本發(fā)明的一些實施例的處理系統(tǒng)100的圖。處理系統(tǒng)包括應(yīng)用102、照相機104和顯示器111。在各個實施例中，處理系統(tǒng)可以是個人計算機(PC)、膝上型計算機、上網(wǎng)本、平板計算機、手持計算機、智能電話、移動因特網(wǎng)裝置(MID)或者任何其它固定或移動處理裝置。在一些實施例中，照相機可以是處理系統(tǒng)的整體部分。在其它實施例中，照相機可以是處理系統(tǒng)外部的，但是在通信上與處理系統(tǒng)耦合。在一個實施例中，由照相機所捕獲的圖像可通過網(wǎng)絡(luò)或者有線或無線接口傳遞給處理系統(tǒng)供分析。應(yīng)用102可以是將要在處理系統(tǒng)上運行的應(yīng)用程序。在各個實施例中，例如，應(yīng)用程序可以是獨立程序或者另一個程序的一部分(例如諸如插件)、萬維網(wǎng)瀏覽器、圖像處理應(yīng)用、游戲或者多媒體應(yīng)用。應(yīng)用102可包括面部分析部件106，面部分析部件106分析由照相機所捕獲的圖像以檢測人的面部。在一個實施例中，面部分析部件106可包括:面部檢測部件107，檢測圖像中的人的面部；面部標志檢測部件108，檢測所檢測面部中的面部標志；以及其它面部分析部件109。在各個實施例中，其它面部分析部件109包括執(zhí)行面部對齊、性別識別、微笑識別和/或面部識別處理中的一個或多個的部件。在一個實施例中，應(yīng)用102、面部分析部件106、面部檢測部件107、面部標志檢測部件108和/或其它面部分析部件109可實現(xiàn)為硬件部件、固件部件、軟件部件或者硬件、固件和/或軟件部件中的一個或多個的組合而作為處理系統(tǒng)100的部分。
[0024]在一個實施例中，用戶可操作處理系統(tǒng)100，以便從照相機104捕獲一個或多個圖像。所捕獲的一個或多個圖像可為了各種目的而輸入到應(yīng)用102。應(yīng)用可將一個或多個圖像傳遞給面部分析部件106，以用于確定一個或多個圖像中的面部特性。面部分析部件106可使用面部標志檢測部件108來檢測一個或多個圖像中的面部標志。包括面部分析的應(yīng)用處理的結(jié)果可在顯示器111上示出。
[0025]面部檢測處理可對于來自照相機的輸入圖像來執(zhí)行，以便檢測圖像中的面部?？墒褂萌魏我阎拿娌繖z測過程，只要該過程產(chǎn)生所檢測面部的矩形圖像。輸入數(shù)據(jù)包括一個或多個2D圖像。在一個實施例中，2D圖像包括某個幀速率fps的視頻幀序列，其中每個視頻幀具有圖像分辨率(WXH)。大多數(shù)現(xiàn)有面部檢測方式遵循Paul Viola和MichaelJones 的“Rapid Object Detection Using a Boosted Cascade of Simple Features，，(Conference on Computer Vision and Pattern Recognition, 2OOl)中所不的眾所周知Viola-Jones框架。但是，基于本發(fā)明人所執(zhí)行的實驗，在一個實施例中，Gabor特征和級聯(lián)模型與Viola-Jones框架配合使用可實現(xiàn)面部檢測的相對高精度。為了改進處理速度，在本發(fā)明的實施例中，面部檢測可分解為多個連續(xù)幀。可對每一個視頻幀來預(yù)測面部數(shù)量#1幀中的位置(x，y)以及采用寬度和高度(w，h)表示的面部大小。面部檢測處理107產(chǎn)生一個或多個面部數(shù)據(jù)集(#f，[χ, y，w，h])。
[0026]一些已知面部檢測算法將面部檢測任務(wù)實現(xiàn)為二值模式分類任務(wù)。也就是說，將圖像的給定部分的內(nèi)容變換為特征，此后對示例面部所訓(xùn)練的分類器判定圖像的那個特定區(qū)域是否為面部。通常采用窗口滑動技術(shù)。也就是說，分類器用于將所有位置和標度的圖像的(通常正方形或矩形)部分分類為面部或非面部(背景圖案)。
[0027]面部模型能夠包含面部的外觀、形狀和運動。Viola-Jones對象檢測框架是實時提供競爭對象檢測速率的對象檢測框架。它主要通過面部檢測的問題來推動。
[0028]對象檢測框架的部件包括特征類型和評估、學(xué)習(xí)算法以及級聯(lián)架構(gòu)。在特征類型和評估部件中，由對象檢測框架所采用的特征普遍涉及矩形區(qū)域中的圖像像素之和。通過使用稱作積分圖像的圖像表示，能夠以恒定時間評估矩形特征，這給予它們優(yōu)于其更復(fù)雜相對體的顯著速度優(yōu)點。
[0029]在本發(fā)明的實施例中，新形狀模型可用于描述六個面部標志點(例如左眼角、右眼角和嘴角)的位置。在傳統(tǒng)ASM中，形狀變化模式通過對樣本數(shù)據(jù)集的統(tǒng)計分析來得出，但是本發(fā)明的實施例的形狀模型可通過先驗知識來人為定義。這使形狀模型描述更為緊湊并且使每個變化模式更為語義的。盡管僅使用幾個形狀參數(shù)，但本發(fā)明的實施例的形狀模型設(shè)法適合大范圍的面部變化。為了防止ASM搜索落入局部最小值，可使用執(zhí)行多個初始化的新的有效方法。初始化基于來自哈爾級聯(lián)分類器的概率響應(yīng)。將具有成本函數(shù)的最小值的搜索結(jié)果視作最終輸出。 這個策略極大地改進面部標志檢測處理的精度。
[0030]在級聯(lián)架構(gòu)部件中，通過學(xué)習(xí)過程所生成的強分類器的評估能夠迅速進行，但不是快到足以實時運行。為此，強分類器按照復(fù)雜度順序級聯(lián)地設(shè)置，其中各連續(xù)分類器僅對通過先前分類器的那些所選樣本來訓(xùn)練。如果在級聯(lián)中的任何級，分類器拒絕檢測中的子窗口，則不執(zhí)行進一步處理，并且級聯(lián)架構(gòu)部件繼續(xù)搜索下一個子窗口。
[0031]在面部檢測處理107期間定位面部區(qū)域之后，本發(fā)明的實施例檢測諸如嘴和眼角之類的面部特征的準確位置。標志是面部中的感興趣點。左眼、右眼和鼻子基部都是標志的示例。標志檢測過程影響面部相關(guān)應(yīng)用的整體系統(tǒng)性能，這是因為其精度顯著影響連續(xù)處理的性能，例如面部對齊、面部識別和化身動畫。用于面部標志檢測處理的兩種典型方法是主動形狀模型(ASM)和主動外觀模型(AAM)。ASM和AAM使用從加標簽的數(shù)據(jù)所訓(xùn)練的統(tǒng)計模型，以便捕獲形狀和紋理的變化。在T.F.Cootes和C.F.Taylor的“Statistical Modelsof Appearance for Computer Vision，，(Imaging Science and Biomedical Engineering,University of Manchester, 2004 年 3 月 8 日)中公開了 ASM。
[0032]在一個實施例中，面部標志檢測處理108采用健壯的增強分類器來捕獲局部紋理的各種變化。另外，為了防止最佳形狀搜索落入局部最小值，多個配置可用于初始化形狀參數(shù)。
[0033]在一個實施例中，級聯(lián)分類器可在面部圖像的感興趣區(qū)域運行，以便生成每個面部標志的概率響應(yīng)圖像。在位置(x，y)的級聯(lián)分類器的概率輸出近似為:

Jfeil.v)
蛛》?F) = 1- Wfl,

r*l其中，/；.是訓(xùn)練過程期間所指定的第i級分類器的假肯定率(/；.的典型值為0.5)，以及k Cr，_F)指示在當前位置成功地通過多少級分類器。能夠看到，得分越大，則當前像素屬于目標面部標志的概率越高。
[0034]圖2是按照本發(fā)明的一個實施例的面部標志檢測處理的流程圖。如果在輸入圖像中檢測面部，則在框202處，可剪切圖像的面部矩形區(qū)域，并且可計算積分圖像。積分圖像又稱作求和面積表，其用于快速計算哈爾型特征。
[0035]在框204，對于圖像中的每個面部特征，可訓(xùn)練單獨級聯(lián)分類器，并且運行每個級聯(lián)分類器以輸出當前潛在面部標志的概率得分。這樣，在框206處，可得到圖像的每個潛在面部標志的至少一個響應(yīng)圖像，其表示在所剪切圖像的位置的面部標志的可能性。
[0036]但是，級聯(lián)分類器的輸出可能不夠準確，并且有時可返回多個響應(yīng)。還需要考慮不同標志之間的幾何限制。幾何關(guān)系可在ASM訓(xùn)練中學(xué)習(xí)，以及每個潛在面部標志的概率響應(yīng)圖像可用于計算ASM搜索期間的每個潛在標志點的成本。為了防止局部最小值被選擇，可在框208處建立多個ASM初始化。
[0037]可在框210、210、…214處對每個ASM初始化執(zhí)行ASM搜索，其中每個ASM搜索輸出搜索結(jié)果。搜索結(jié)果包括表示六個面部特征可能所在的圖像中的點的六對坐標。在框216，可選擇搜索結(jié)果。在一個實施例中，從框210、212、...214所輸出的具有最低成本函數(shù)的搜索結(jié)果可被選擇作為面部標志檢測部件108的輸出數(shù)據(jù)。這個輸出數(shù)據(jù)表示圖像中的六個標志點的最可能位置((X1, Y1)，(x2, y2), (x3, y3), (χ4，y4)，(X5Js), (x6，y6))。
[0038]在一個實施例中，級聯(lián)分類器和概率響應(yīng)圖像可確定如下。圖3是按照本發(fā)明的一個實施例、用于對象檢測的分類器級聯(lián)的圖。如圖3所示，級聯(lián)結(jié)構(gòu)包括一系列級分類器302、304、…306。在一個實 Boosted Cascade of Simple Features，， (Conference onComputer Vision and Pattern Recognition (CVPR), 2001)中所不那樣來設(shè)置。級聯(lián)分類器是一組連鎖級分類器，其中不可能的示例會在早期級被拒絕。當檢測窗口 300經(jīng)過分類器的級聯(lián)結(jié)構(gòu)時，它通過的級越多，則越可能是肯定示例。
[0039]在一個實施例中，可對每個潛在面部標志來訓(xùn)練單獨級聯(lián)分類器。在一個實施例中，在圣地亞哥的加利福尼亞大學(xué)(UCSD)的機器感知實驗室(MPLab) GENKI面部數(shù)據(jù)庫可用作訓(xùn)練數(shù)據(jù)集。MPLab GENKI數(shù)據(jù)庫是包含跨越大范圍的照明條件、地理位置、個人身份和種族性的面部的圖像的擴大數(shù)據(jù)庫。GENKI數(shù)據(jù)庫可見于因特網(wǎng)的http://mplab-ucsd_edu/wordpress/?page_id=398 (其中每個“.”用取代，以防止從本文檔的萬維網(wǎng)訪問)。面部圖像可歸一化成96X96像素，并且然后采用圍繞面部標志點的16X16像素的小片(patch)來剪切而作為訓(xùn)練示例。由于嘴/眼的左/右角看起來是對稱的，所以在一個實施例中，可以僅需要訓(xùn)練兩個分類器。一個分類器用于左眼角，另一分類器用于左嘴角。圖像小片可水平地翻轉(zhuǎn)，以便檢測右角。
[0040]圖4是按照本發(fā)明的一個實施例、用于嘴角分類器的一組示例訓(xùn)練圖像。嘴角分類器可用于依次分析每個面部圖像小片以訓(xùn)練分類器。
[0041]圖5是按照本發(fā)明的一個實施例的響應(yīng)圖像和平滑結(jié)果的圖。在本例中，當左嘴角的級聯(lián)分類器應(yīng)用于圖5的樣本面部圖像500時，結(jié)果是概率響應(yīng)圖像502。在一個實施例中，高斯平滑過程可應(yīng)用于概率響應(yīng)圖像502，從而產(chǎn)生平滑圖像504。能夠看到，圍繞左嘴角的區(qū)域獲得比其它區(qū)域要高許多的響應(yīng)。
[0042]由于概率響應(yīng)通常不是足夠可靠的，所以在一個實施例中，可分析不同面部標志點之間的幾何關(guān)系。在一個實施例中，這能夠通過構(gòu)建參數(shù)形狀模型并且使用ASM搜索框架進行。
[0043]在ASM搜索中，每個標志點的成本可表示為:
其中，(χ, y)是在位置(X，y)的標志的概率得分。
[0044]ASM成本函數(shù)可定義為:
【權(quán)利要求】
1.一種檢測圖像中所檢測的面部中的面部標志的方法，包括: 剪切所述圖像中的所檢測面部的面部矩形區(qū)域，并且至少部分基于所述面部矩形區(qū)域來生成積分圖像； 對所述面部矩形區(qū)域的每個面部標志運行級聯(lián)分類器，以便至少部分基于所述積分圖像來產(chǎn)生每個面部標志的響應(yīng)圖像； 建立多個主動形狀模型(ASM)初始化； 至少部分基于所述響應(yīng)圖像對每個所述ASM初始化來執(zhí)行ASM搜索，每個ASM搜索產(chǎn)生具有成本的搜索結(jié)果；以及 選擇具有最低成本函數(shù)的所述ASM搜索的搜索結(jié)果，所述所選搜索結(jié)果指示所述圖像中的所述面部標志的位置。
2.如權(quán)利要求1所述的方法，其中，所述面部標志包括面部的內(nèi)眼角和外眼角以及左嘴角和右嘴角。
3.如權(quán)利要求2所述的方法，其中，所述搜索結(jié)果包括表示所述面部標志在所述圖像中所在的位置的六對坐標。
4.如權(quán)利要求1所述的方法，其中，所述ASM初始化至少部分基于來自級聯(lián)分類器的概率響應(yīng)。
5.如權(quán)利要求1所述的方法，其中，分類器按照復(fù)雜度順序級聯(lián)設(shè)置，其中每個連續(xù)分類器僅對通過先前分類器的那些所選樣本來訓(xùn)練。
6.如權(quán)利要求1所述的方法，其中，ASM搜索包括分析不同面部標志點之間的幾何關(guān)系O
7.一種執(zhí)行圖像分析處理的處理系統(tǒng)，包括: 面部檢測部件，分析圖像以檢測所述圖像中的面部；以及 面部標志檢測部件，分析所述面部圖像以檢測面部標志，所述面部標志檢測部件適合:剪切所述圖像中的所檢測面部的面部矩形區(qū)域，并且至少部分基于所述面部矩形區(qū)域來生成積分圖像；對所述面部矩形區(qū)域的每個面部標志運行級聯(lián)分類器以至少部分基于所述積分圖像來產(chǎn)生每個面部標志的響應(yīng)圖像；建立多個主動形狀模型(ASM)初始化；至少部分基于所述響應(yīng)圖像來執(zhí)行每個所述ASM初始化的ASM搜索，每個ASM搜索產(chǎn)生具有成本的搜索結(jié)果；以及選擇具有最低成本函數(shù)的所述ASM搜索的搜索結(jié)果，所述所選搜索結(jié)果指示所述圖像中的所述面部標志的位置。
8.如權(quán)利要求7所述的處理系統(tǒng)，其中，所述面部標志包括面部的內(nèi)眼角和外眼角以及左嘴角和右嘴角。
9.如權(quán)利要求8所述的處理系統(tǒng)，其中，所述搜索結(jié)果包括表示所述面部標志在所述圖像中所在的位置的六對坐標。
10.如權(quán)利要求7所述的處理系統(tǒng)，其中，所述面部標志檢測部件還適合至少部分基于來自級聯(lián)分類器的概率響應(yīng)來執(zhí)行ASM初始化。
11.如權(quán)利要求7所述的處理系統(tǒng)，其中，分類器按照復(fù)雜度順序級聯(lián)設(shè)置，其中每個連續(xù)分類器僅對通過先前分類器的那些所選樣本來訓(xùn)練。
12.如權(quán)利要求7所述的處理系統(tǒng)，其中，所述面部標志檢測部件還適合通過分析不同面部標志點之間的幾何關(guān)系來執(zhí)行ASM搜索。
13.一種執(zhí)行圖像分析處理的處理系統(tǒng)，包括: 照相機，捕獲圖像； 面部檢測部件，分析所述圖像以檢測所述圖像中的面部； 面部標志檢測部件，分析所述面部圖像以檢測面部標志，所述面部標志檢測部件適合:剪切所述圖像中的所檢測面部的面部矩形區(qū)域，并且至少部分基于所述面部矩形區(qū)域來生成積分圖像；對所述面部矩形區(qū)域的每個面部標志運行級聯(lián)分類器以至少部分基于所述積分圖像來產(chǎn)生每個面部標志的響應(yīng)圖像；建立多個主動形狀模型(ASM)初始化；至少部分基于所述響應(yīng)圖像來執(zhí)行每個所述ASM初始化的ASM搜索，每個ASM搜索產(chǎn)生具有成本的搜索結(jié)果；以及選擇具有最低成本函數(shù)的所述ASM搜索的搜索結(jié)果，所述所選搜索結(jié)果指示所述圖像中的所述面部標志的位置；以及 顯示器，顯示所述圖像。
14.如權(quán)利要求13所述的處理系統(tǒng)，其中，所述面部標志包括面部的內(nèi)眼角和外眼角以及左嘴角和右嘴角。
15.如權(quán)利要求14所述的處理系統(tǒng)，其中，所述搜索結(jié)果包括表示所述面部標志在所述圖像中所在的位置的六對坐標。
16.如權(quán)利要求13所述的處理系統(tǒng)，其中，所述面部標志檢測部件還適合至少部分基于來自級聯(lián)分類器的概率響應(yīng)來執(zhí)行ASM初始化。
17.如權(quán)利要求13所述的處理系統(tǒng)，其中，分類器按照復(fù)雜度順序級聯(lián)設(shè)置，其中每個連續(xù)分類器僅對通過先前分類器的那些所選樣本來訓(xùn)練。.
18.如權(quán)利要求13所述的處理系統(tǒng)，其中，所述面部標志檢測部件還適合通過分析不同面部標志點之間的幾何關(guān)系來執(zhí)行ASM搜索。
19.在被運行時設(shè)置成實現(xiàn)如以上權(quán)利要求中的任一項所述的方法或設(shè)備的機器可讀指令。
20.存儲如權(quán)利要求19所述的機器可讀指令的機器可讀存儲裝置。
【文檔編號】G06K9/00GK103443804SQ201180069791
【公開日】2013年12月11日 申請日期:2011年3月31日 優(yōu)先權(quán)日:2011年3月31日
【發(fā)明者】劉昂, Y.杜, 王濤, 李建國, 栗強, 張益民 申請人:英特爾公司