人脸对齐模型的训练方法、人脸对齐方法和装置.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN106845327A(43)申请公布日2017.06.13(21)申请号201510894091.2(22)申请日2015.12.07(71)申请人展讯通信（天津）有限公司地址300456天津市塘沽区天津港保税区通达广场1号A2-408(72)发明人潘博阳陈敏杰刘阳郭春磊林福辉(74)专利代理机构北京集佳知识产权代理有限公司11227代理人张凤伟吴敏(51)Int.Cl.G06K9/00(2006.01)权利要求书3页说明书10页附图4页(54)发明名称人脸对齐模型的训练方法、人脸对齐方法和装置(57)摘要一种人脸对齐模型的训练方法、人脸检测方法和装置。所述训练方法包括：利用已标定面部特征点的第i个训练样本的各面部特征点训练回归模型对应于第i个训练样本的参数，经P轮的训练，得到所述第i个训练样本的回归模型，根据所述第i个训练样本对应的回归模型标定第j个训练样本的面部特征点，重复训练过程，直至分别获得N个训练样本对应的回归模型；将所获得的最后一个训练样本对应的回归模型作为所述人脸对齐模型。其中，当1≤p≤K时，所述对应的线性回归的方法为全局回归方法，当K+1≤p≤P时，所述对应的线性回归的方法为部分回归方法。应用上述训练方法得到的人脸对齐模型的精度较高。CN106845327ACN106845327A权利要求书1/3页1.一种人脸对齐模型的训练方法，其特征在于，包括：采集人脸图像作为训练样本集，其中，每一人脸图像为所述训练样本集的一训练样本；利用已标定面部特征点的第i个训练样本的各面部特征点训练回归模型对应于第i个训练样本的参数，经P轮的训练，得到所述第i个训练样本的回归模型，包括：根据第p轮训练得到的回归模型，调整第p+1轮训练过程，并将第P轮训练得到的回归模型作为与所述第i个训练样本对应的回归模型，其中：按照如下步骤执行第p轮的训练过程：获取与所述已标定面部特征点一一对应的特征映射函数，利用所述特征映射函数，采用对应的线性回归的方法训练回归模型的参数，得到第p轮的回归模型；且当1≤p≤K时，所述对应的线性回归的方法为全局回归方法，当K+1≤p≤P时，所述对应的线性回归的方法为部分回归方法；1≤p≤K＜P，p、K及P均为整数；根据所述第i个训练样本对应的回归模型标定第j个训练样本的面部特征点，重复训练过程，直至分别获得N个训练样本对应的回归模型，其中i及j均为正整数，且j≤N，i≤N，i≠j，N为所述训练样本集中训练样本的数目，所述第i个训练样本及第j个训练样本均为所述训练样本集中未进行训练的训练样本；将所获得的最后一个训练样本对应的回归模型作为所述人脸对齐模型。2.如权利要求1所述的人脸对齐模型的训练方法，其特征在于，所述获取与所述已标定面部特征点一一对应的特征映射函数，包括以下其中一种：采用随机森林算法学习得到与所述已标定面部特征点一一对应的特征映射函数；采用卷积神经网络算法学习得到与所述已标定面部特征点一一对应的特征映射函数。3.如权利要求2所述的人脸对齐模型的训练方法，其特征在于，所述采用随机森林算法学习并得到与各所述面部特征点一一对应的特征映射函数，包括：分别在以各所述面部特征点为中心的第一区域内，随机选择形状索引特征；利用所述形状索引特征训练所述随机森林中各决策树的分裂节点，直至终止分裂，对应获得各决策树的叶子节点；根据所述各决策树的叶子节点获得与所述面部特征点一一对应的特征映射函数。4.如权利要求3所述的人脸对齐模型的训练方法，其特征在于，所述训练所述随机森林中各决策树的分裂节点包括：采用最大方差下降准则，训练所述随机森林中各决策树的分裂节点。5.如权利要求3所述的人脸对齐模型的训练方法，其特征在于，所述根据所述第p轮训练得到的回归模型，调整第p+1轮训练过程包括：根据所述第p轮训练得到的回归模型，进行人脸对齐测试；根据测试结果，缩小第p+1轮中以各所述面部特征点为中心的第一区域面积，以按照缩小后的所述第一区域的面积执行第p+1轮训练。6.如权利要求1所述的人脸对齐模型的训练方法，其特征在于，当所述对应的线性回归的方法为部分回归方法时，所述利用所述特征映射函数，采用对应的线性回归的方法训练回归模型的参数，得到与训练轮数对应的回归模型，包括：将所述i个训练样本的面部特征点分为以下五个区域，并分别获取各个区域的面部特征点的特征映射函数：左眼睛和左眉毛区域、右眼睛和右眉毛区域、鼻子区域、嘴巴区域、脸颊区域；2CN106845327A权利要求书2/3页利用所述各个区域的面部特征点的特征映射函数，训练回归模型的参数，分别得到与训练轮数对应的各个区域的回归模型。7.如权利要求1所述的人脸对齐模型的训练方法，其特征在于，所述回归模型中设置有用于正则化