一種級聯(lián)的二維圖像人臉姿態(tài)估計方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計算機應(yīng)用技術(shù)和計算機視覺領(lǐng)域，特別涉及一種級聯(lián)的二維圖像人 臉姿態(tài)估計方法。
【背景技術(shù)】
[0002] 人臉的姿態(tài)是指人頭在三維空間中相對于自身的內(nèi)在坐標(biāo)軸的旋轉(zhuǎn)角度，包括繞 X軸旋轉(zhuǎn)的俯仰角度(α)、繞Y軸旋轉(zhuǎn)的偏轉(zhuǎn)角度(β)和繞Z軸的傾斜角度（γ )。人臉姿態(tài)信息 在人機交互、人臉識別、注視點檢測等應(yīng)用中起著非常重要的作用。
[0003] 目前，從單張二維人臉圖像估計其中人臉的三維姿態(tài)角度的方法主要包括:基于 特征點的方法和基于表觀特征的方法。
[0004] 基于特征點的方法首先從輸入的人臉圖像上檢測出關(guān)鍵特征點（如雙眼瞳孔中 心、鼻尖和左右嘴角）的位置，然后根據(jù)這些特征點的相對位置關(guān)系估算人臉的姿態(tài)角度。 這一過程往往借助于一個三維人臉平均模型來實現(xiàn)?；谔卣鼽c的方法的主要缺點在于特 征點檢測的精度隨著人臉姿態(tài)角度變化范圍的增加會下降，進而影響人臉姿態(tài)估計的精 度。
[0005] 基于表觀特征的方法直接從人臉圖像上提取特征，然后在提取出的特征和人臉姿 態(tài)角度之間建立分類或者回歸方法，從而實現(xiàn)對輸入人臉圖像姿態(tài)的估計。基于表觀特征 的方法無需定位人臉特征點，容易實施，但是受訓(xùn)練數(shù)據(jù)的影響對姿態(tài)角度的區(qū)分度可能 較低(比如以5度或者10度為間隔）。
[0006] 總的說來，現(xiàn)有的人臉姿態(tài)估計方法存在各自的優(yōu)缺點，比如在姿態(tài)角度變大時 估計誤差也變大，或者姿態(tài)估計的區(qū)分能力受訓(xùn)練數(shù)據(jù)限制較大，從而影響了人臉姿態(tài)估 計的精度。

【發(fā)明內(nèi)容】

[0007] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)中所存在的上述不足，提供一種提高人臉姿態(tài)估 計精度的級聯(lián)的二維圖像人臉姿態(tài)估計方法。
[0008] 為了實現(xiàn)上述發(fā)明目的，本發(fā)明采用的技術(shù)方案是：
[0009] -種級聯(lián)的二維圖像人臉姿態(tài)估計方法，本發(fā)明中，根據(jù)指定角度間隔，預(yù)存各個 姿態(tài)角度的人臉特征點定位模型;還包括如下步驟：
[0010] 步驟一、將輸入的二維人臉圖像上的人臉區(qū)域檢測并分割出來，歸一化到預(yù)定尺 寸，提取其紋理特征，以特征向量FeRN表示該紋理特征；
[0011]步驟二、根據(jù)步驟一中得到的二維人臉圖像的特征向量計算其在不同姿態(tài)角的可 能性；
[0012]步驟三、選擇具有最大可能性的姿態(tài)角作為該輸入的二維人臉圖像的姿態(tài)初始估 計結(jié)果，根據(jù)所述具有最大可能性的姿態(tài)角度選擇相應(yīng)姿態(tài)的人臉特征點定位模型，檢測 該二維人臉圖像上的特征點位置；
[0013] 步驟四、根據(jù)步驟三中檢測得到的特征點，采用基于特征點的方法進一步精確估 計輸入人臉圖像中的人臉姿態(tài)角度。
[0014] 所述步驟二具體為：
[0015] 首先根據(jù)下式計算每個特征維度下的姿態(tài)回歸系數(shù)，
[0016]
[0017] 其中，φχ(α)、φ%)和φΖ( γ )分別表示關(guān)于俯仰角的p階、關(guān)于偏轉(zhuǎn)角的q階和關(guān) 于傾斜角的r階多項式，為第η維特征的姿態(tài)回歸參數(shù)；
[0018] 然后根據(jù)所述姿態(tài)回歸系數(shù)計算輸入人臉圖像屬于不同姿態(tài)角的可能性，計算公 式如下：
[0019]
[0020]步驟二中的參數(shù)使用梯度下降算法根據(jù)訓(xùn)練數(shù)據(jù)學(xué)習(xí)得到。
[0021] 所述步驟三中檢測人臉圖像上的特征點位置具體為：
[0022] 采取由相應(yīng)姿態(tài)角度的數(shù)據(jù)訓(xùn)練得到的活動形狀模型(ASM)或者基于級聯(lián)回歸的 人臉特征點檢測器進行檢測。
[0023]所述步驟四具體為：
[0024]采用擬合一個平均三維人臉模型上的特征點到輸入二維圖像的方法，通過調(diào)整姿 態(tài)角度來優(yōu)化三維人臉模型上的特征點投影到二維圖像上后與輸入二維人臉圖像上特征 點之間的重合度。
[0025] 與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果：
[0026] 本發(fā)明綜合了基于表觀特征和基于特征點的姿態(tài)估計方法，能夠克服這兩類方法 各自的缺點，通過級聯(lián)的方式由粗到細地估計姿態(tài)角度，有效提高了姿態(tài)估計的精度。
【附圖說明】：
[0027] 圖1是本發(fā)明實施例中的方法流程圖。
【具體實施方式】
[0028] 下面結(jié)合【具體實施方式】對本發(fā)明作進一步的詳細描述。但不應(yīng)將此理解為本發(fā)明 上述主題的范圍僅限于以下的實施例，凡基于本
【發(fā)明內(nèi)容】
所實現(xiàn)的技術(shù)均屬于本發(fā)明的范 圍。
[0029] 本發(fā)明提出一種級聯(lián)的二維人臉圖像姿態(tài)估計方法。該方法結(jié)合了基于表觀的和 基于特征點的方法，從而有效克服了單純使用基于表觀的方法受限于訓(xùn)練數(shù)據(jù)的角度范圍 的缺點，以及單純使用基于特征點的方法在角度變化范圍較大時姿態(tài)估計精度下降的缺 點，提尚了姿態(tài)估計的精度。
[0030] 圖1為本發(fā)明實施例示出的級聯(lián)的二維圖像人臉姿態(tài)估計方法流程圖，具體包括 以下步驟：
[0031] 為了解決基于特征點的方法中，當(dāng)使用單一三維人臉平均模型時，存在的特征點 檢測的精度隨著人臉姿態(tài)角度變化范圍的增加會下降，進而影響人臉姿態(tài)估計的精度的問 題，預(yù)先設(shè)置各個姿態(tài)角的人臉特征定位模型;進而采用如下步驟進行人臉姿態(tài)估算;首先 根據(jù)指定角度間隔(本實施例中指定角度間隔為5度，實際應(yīng)用中，可根據(jù)需要在1度至15度 間選擇該指定角度間隔，實際上2度、3度、4度、6度、7度、10度均可很好的實現(xiàn)本發(fā)明目的）， 預(yù)存各個姿態(tài)角度的人臉特征點定位模型;進而包括如下步驟
[0032] 步驟一、將輸入的二維人臉圖像上的人臉區(qū)域檢測并分割出來，歸一化到預(yù)定尺 寸，提取其紋理特征，以特征向量FeRN表示該紋理特征；
[0033] 步驟二、根據(jù)步驟一中得到的二維人臉圖像的特征向量計算其在不同姿態(tài)角的可 能性；
[0034] 步驟三、選擇具有最大可能性的姿態(tài)角作為該輸入的二維人臉圖像的姿態(tài)初始估 計結(jié)果，假設(shè)該姿態(tài)角度為該二維人臉圖像的最大可能姿態(tài)角度，從而進一步的選擇相應(yīng) 姿態(tài)角度的人臉特征點定位模型，結(jié)合選定的人臉特征點定位模型檢測該二維人臉圖像上 的特征點位置；
[0035] 步驟四、根據(jù)步驟三中檢測得到的特征點，采用基于特征點的方法進一步精確估 計輸入人臉圖像中的人臉姿態(tài)角度。
[0036]具體的，所述步驟二具體為：
[0037] 首先根據(jù)下式計算每個特征維度下的姿態(tài)回歸系數(shù)，
[0038]
[0039]其中，ΦΧ(α)、φγ(β)和φζ( γ )分別表示關(guān)于俯仰角的p階、關(guān)于偏轉(zhuǎn)角的q階和關(guān) 于傾斜角的r階多項式，碟為第η維特征的姿態(tài)回歸參數(shù)；
[004