一种人脸特征点定位方法.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CN105760834A(43)申请公布日2016.07.13(21)申请号201610084995.3(22)申请日2016.02.14(71)申请人北京飞搜科技有限公司地址100083北京市海淀区学院路15号院7号楼17层2015(72)发明人吴岳白洪亮董远(74)专利代理机构北京细软智谷知识产权代理有限责任公司11471代理人王淑玲(51)Int.Cl.G06K9/00(2006.01)G06N3/04(2006.01)权利要求书1页说明书3页附图2页(54)发明名称一种人脸特征点定位方法(57)摘要本发明涉及一种人脸特征点定位方法，其包括以下步骤：将人脸划分为五个区域：左眼睛与左眉毛、右眼睛与右眉毛、鼻子、嘴和脸部外轮廓，并在整个人脸区域中设置特征点，使用一个卷积神经网络对所有特征点进行全部定位；使用四个卷积神经网络对整个人脸中左眼睛与左眉毛、右眼睛与右眉毛、鼻子以及嘴四个区域内包含的特征点进行局部定位；利用整个人脸中左眼睛与左眉毛、右眼睛与右眉毛、鼻子以及嘴四个区域内包含的特征点局部定位得到的位置坐标代替全部定位得到的相应区域特征点的位置坐标，得到所有特征点的最终位置坐标。本发明使用的网络数量较少，检测特征点数量多，而且不需要额外的脸部属性信息。CN105760834ACN105760834A权利要求书1/1页1.一种人脸特征点定位方法，其包括以下步骤：1)将人脸划分为五个区域：左眼睛与左眉毛、右眼睛与右眉毛、鼻子、嘴和脸部外轮廓，并在整个人脸区域中设置特征点，使用一个卷积神经网络对所有特征点进行定位，得到特征点的位置坐标并将其作为初始位置坐标，对不同的人脸区域的特征点进行分组；2)分别计算整个人脸中左眼睛与左眉毛、右眼睛与右眉毛、鼻子以及嘴四个区域内包含的特征点的横坐标的平均值和纵坐标的平均值；将横坐标的平均值和纵坐标的平均值作为所在人脸区域的中心坐标点，以所述中心坐标点为中心，截取出包含所述人脸区域的一个正方形区域；再分别使用一个卷积神经网络重新对左眼睛与左眉毛、右眼睛与右眉毛、鼻子以及嘴四个区域中截取的所述正方形区域内的所有特征点进行位置定位；3)利用左眼睛与左眉毛、右眼睛与右眉毛、鼻子以及嘴四个区域中特征点位置定位后新得到的位置坐标替换步骤1)中对应的特征点的坐标，生成所有的特征点的最终位置坐标。2.如权利要求1所述的一种人脸特征点定位方法，其特征在于：所述特征点的数量设置为194个，在左眼睛与左眉毛区域设置40个特征点，在右眼睛与右眉毛区域设置40个特征点，在鼻子区域设置17个特征点，在嘴区域设置56个特征点，在脸部外轮廓区域设置41个特征点。2CN105760834A说明书1/3页一种人脸特征点定位方法技术领域[0001]本发明属于图像识别技术领域，具体涉及一种人脸特征点定位方法。背景技术[0002]人脸特征点定位是在人脸检测基础上，进一步定位人脸的眼睛、眉毛、鼻子、嘴巴和轮廓等，其主要思想是利用特征点附近的信息以及各个特征点之间的相互关系来定位。目前，人脸特征点定位方法主要有以下三种：[0003]第一种是基于级联卷积神经网络的脸部五点特征点检测算法，该算法使用了23个卷积神经网络组建级联系统，对脸部五个点进行位置定位，其缺点主要是由于对每一个特征点都使用一个网络进行位置的优化，导致如果将此算法用于194点的特征点定位，会使用大量的网络，使得整个系统十分复杂。[0004]第二种是由粗到细级联网络的六十八点特征点检测算法，此算法使用了16个卷积神经网络对脸部的六十八个点进行定位，按照左眉毛、左眼睛、右眉毛、右眼睛、鼻子和嘴将脸部区域划分为六个部分，分别使用网络进行位置定位，缺点是划分的区域太细，导致使用了过多的网络，而且，定位的特征点数量较少，远少于194个点。[0005]第三个是基于多任务学习与迁移学习的六十八点特征点检测算法，该算法使用了人脸的多个属性标签，比如性别、姿势、是否微笑等，将人脸的多个属性标签与特征点的位置一起进行模型的训练，同时使用迁移学习的方法，从检测五个特征点的模型迁移到可以检测六十八个点的模型，缺点是需要使用额外的标注信息，同时模型的训练由于使用了迁移学习与多任务学习，十分复杂，此外，该算法没有对194点进行定位。发明内容[0006]为了解决现有技术存在的上述问题，本发明提供了一种人脸特征点定位方法。[0007]为实现上述目的，本发明采取以下技术方案：一种人脸特征点定位方法包括以下步骤：[0008]1)将人脸划分为五个区域：左眼睛与左眉毛、右眼睛与右眉毛、鼻子、嘴和脸部外轮廓，并在整个人脸区域中设置特征点，使用一个卷积神经网络对所有特征点进行定位，得到特征点的位置坐标并将其作为初始位置坐标，对不同的人脸区域的特