基于条件迭代更新随机森林的非约束人脸特征点精确定位

发布时间：2020-08-20 09:03

【摘要】：人脸特征点定位是计算机视觉中研究和分析人脸的关键.为了提高在非约束环境中(大姿态变化、遮挡、复杂背景等)人脸特征点定位的准确性和鲁棒性,提出一种基于条件迭代更新随机森林的非约束人脸特征点定位方法.首先,为了克服遮挡和背景噪声的影响,对人脸子区域进行分类,提取人脸正子区域;然后,在人脸正子区域上估计头部姿态,根据估计的头部姿态和人脸局部子区域学习特征点的初始化条件概率模型,定位人脸特征点的初始位置;再依据特征点的初始位置建立人脸误差模型,利用误差模型在线学习并多次迭代更新随机森林的叶子节点,生成新的复合叶子概率模型,包括人脸子块类别、头部姿态、人脸形变模型、误差偏移模型;最后,引入条件权重稀疏投票对复合叶子概率模型进行回归,定位人脸特征点的精确位置.在AFW,LFW和Pointing’04这3个具有挑战性的公共人脸数据库上进行实验的结果表明,该方法在非约束人脸特征点定位中的平均误差值为0.15时,定位准确率超过95%.
【图文】：

进行分类,提取人脸正子区域;然后,在人脸正子区域上估计头部姿态,根据估计的头部姿态和人脸局部子区域学习特征点的初始化条件概率模型,定位人脸特征点的初始位置;再依据特征点的初始位置建立人脸误差偏移模型(erroroffsetmodel,EOM),利用误差模型在线学习并多次迭代更新RF的叶子节点,生成新的复合叶子概率模型,包括人脸子块类别、头部姿态、人脸形变模型(facedeformationmodel,FDM)、EOM;最后,引入条件权重稀疏投票方法对复合叶子概率模型进行回归,定位人脸特征点的精确位置.1基于CI-RF的非约束人脸特征点精确定位图1描述了基于CI-RF的非约束人脸特征点定位过程,可见通过初始化定位和迭代定位2个过程,可以精确定位特征点位置.图2所示为CI-RF方法流程图.图1基于CI-RF的非约束人脸特征点精确定位首先,为了减少背景和人脸遮挡的影响,在CI-RF的顶层对人脸、背景和遮挡子区域的提取和分类,如图2a所示.然后,CI-RF再分别初始化和精确定位人脸特征点位置,如图2b和图2c.人脸

移模型学习和更新CI-RF,迭代t次后回归人脸特征点的精确位置为11yaw,pitchargmax(|,,,)tjtttjjjiddpdHdPc,t=2,3,…,n(2)1.1人脸正/负子区域分类如图3所示,使用多姿态下训练的Viola&Jone人脸检测器[17]进行人脸区域提取,其包含了一定的噪声.为了减少非约束环境中噪声对特征点定位的影响,将提取的人脸区域分为2个子区域类,人脸正子区域类和人脸负子区域类.人脸正子区域类是去除噪声的人脸区域,对人脸特征定位有积极的影响;人脸负子区域类指的是背景区域、头发、墨镜等局部遮挡区域.图2CI-RF方法流程图人脸正/负子区域分类过程如图4所示.首先,对检测到的人脸区域进行预处理,随机提取200个不重叠的子块,并提取4尺度和8个方向下的Gabor特征符.然后,通过RF[13]离线训练人脸正/负子区域类模型T.当测试子区域P通过训练的随机森林模型T到达其叶子节点lT时,用存储在叶子节点的概率密度Tp(c|l(P))预测子区域P的类别.最后,分类得到的人脸正子区域块{P|c=1}用于人脸特征点定位.图3人脸正子区域和人脸负子区域1.2初始化CI-RF模型和特征初始定位1.2.1训练初始化CI-RF模型为了训练人脸特征定位的初始化CI-RF模型,首先对分类得到的人脸正子区域块提取复合特征集Pi={(Xi;Hi,Di|af)}.其中,Xi=(xi1,xi2,xi3)是多通道纹理特征,包括Gabor特征、LBP特征以及子块的灰度特征;Hi={Yaw,Pitch}表示头部姿态类的标注;Di=(dji,Ej)是用于特征点回归的几何特征集,dji定义为每个人脸子块中心到每个特征点的偏移距离,dpi是第i个人脸子块的中心点位置,nj是第j个特征点的位置,如1,2,,jijijjdndpjNEnF(3)图4人

瓮?b的底层通过多个概率模型回归得到,即yaw,pitch1yaw,pitchyaw,pitch11yaw,pitchargmax(|,)argmax(|,,)jiHjjidHpHPcdpdHPc(1)式(1)中,Pi是人脸子区域块特征集,c是人脸子区域块的正/负类别,1jd表示第j个人脸特征点的初始位置.人脸特征点迭代更新定位如图2c所示,基于初始位置和人脸误差偏移模型学习和更新CI-RF,迭代t次后回归人脸特征点的精确位置为11yaw,pitchargmax(|,,,)tjtttjjjiddpdHdPc,t=2,3,…,n(2)1.1人脸正/负子区域分类如图3所示,使用多姿态下训练的Viola&Jone人脸检测器[17]进行人脸区域提取,其包含了一定的噪声.为了减少非约束环境中噪声对特征点定位的影响,将提取的人脸区域分为2个子区域类,人脸正子区域类和人脸负子区域类.人脸正子区域类是去除噪声的人脸区域,对人脸特征定位有积极的影响;人脸负子区域类指的是背景区域、头发、墨镜等局部遮挡区域.图2CI-RF方法流程图人脸正/负子区域分类过程如图4所示.首先,对检测到的人脸区域进行预处理,随机提取200个不重叠的子块,并提取4尺度和8个方向下的Gabor特征符.然后,通过RF[13]离线训练人脸正/负子区域类模型T.当测试子区域P通过训练的随机森林模型T到达其叶子节点lT时,用存储在叶子节点的概率密度Tp(c|l(P))预测子区域P的类别.最后,分类得到的人脸正子区域块{P|c=1}用于人脸特征点定位.图3人脸正子区域和人脸负子区域1.2初始化CI-RF模型和特征初始定位1.2.1训练初始化CI-RF模型为了训练人脸特征定位的初始化CI-RF模型,首先对分类得到的人脸正子区域块提取复合特征集Pi={(Xi;Hi,Di|af)}.其中,Xi=(xi1,xi2,xi3)是多通?

【相似文献】

相关期刊论文 前10条

1 刘成明;张立明;;一种改进的人脸特征点定位方法[J];复旦学报(自然科学版);2006年04期

2 赵恩环;杜玲;;基于模型约束的人脸特征点跟踪[J];光盘技术;2008年10期

3 王丽婷;丁晓青;方驰;;一种鲁棒的全自动人脸特征点定位方法[J];自动化学报;2009年01期

4 郑青碧;许颖梅;;一种快速高效的人脸特征点定位方法[J];计算机应用研究;2014年04期

5 宋刚,艾海舟,徐光yP;纹理约束下的人脸特征点跟踪[J];软件学报;2004年11期

6 关鹏;张立明;;基于贝赛尔曲面的三维人脸特征点定位方法[J];复旦学报(自然科学版);2008年01期

7 金城;卜佳俊;陈华;陈纯;宋明黎;吴祺;;自底向上的人脸特征点定位[J];浙江大学学报(工学版);2008年05期

8 邹北骥;曾阳;王磊;彭小宁;;一种处理遮掩的人脸特征点定位方法[J];系统仿真学报;2009年08期

9 黄琛;丁晓青;方驰;;一种鲁棒高效的人脸特征点跟踪方法[J];自动化学报;2012年05期

10 徐国庆;;在线模板的人脸特征点对齐[J];计算机工程与设计;2013年11期

相关会议论文 前1条

1 谢琛;;基于ASM的人脸特征点定位浅析[A];中国电子学会第十六届信息论学术年会论文集[C];2009年

相关博士学位论文 前6条

1 崔滢;基于统计学习的人脸特征点定位算法研究[D];南京理工大学;2015年

2 赵海明;3D打印设计与个性化制造技术[D];浙江大学;2017年

3 王军南;人脸特征点检测方法研究[D];浙江大学;2015年

4 杜春华;人脸特征点定位及识别的研究[D];上海交通大学;2008年

5 党力;自动人脸分析与识别的若干问题研究[D];中国科学技术大学;2012年

6 冯振华;参数化统计新模型及其应用研究[D];江南大学;2015年

相关硕士学位论文 前10条

1 刘银;基于回归的人脸特征点估计算法研究[D];南京理工大学;2013年

2 刘畅翔;人脸特征点定位算法及其在人脸识别的应用研究[D];东华理工大学;2015年

3 万杨;显性形状回归的人脸对齐方法实验研究[D];大连理工大学;2015年

4 王一轲;人脸检测与人脸特征点定位方法的设计与实现[D];电子科技大学;2015年

5 张哲;三维人脸特征点的检测与标记[D];南昌航空大学;2015年

6 吴飞龙;基于机器视觉的校车安全监测系统[D];浙江大学;2016年

7 谢郑楠;基于多任务特征选择和自适应模型的人脸特征点检测[D];北京交通大学;2016年

8 黄宇驹;基于级联回归的多姿态人脸特征点检测算法研究[D];华南理工大学;2016年

9 陈t

本文编号：2797794