[發(fā)明專利]基于隨機(jī)森林的級(jí)聯(lián)位置回歸用于人臉對(duì)齊的方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201610054837.3
• 申請(qǐng)日: 2016-01-27
• 公開（公告）號(hào): CN105631436B
• 公開（公告）日: 2018-12-04
• 發(fā)明（設(shè)計(jì)）人: 莫建文;彭倜;張彤;袁華;陳利霞;首照宇;歐陽寧;高宇;匡勇建
• 申請(qǐng)（專利權(quán)）人: 桂林電子科技大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00
• 代理公司: 桂林市華杰專利商標(biāo)事務(wù)所有限責(zé)任公司 45112
• 代理人: 劉梅芳

1.基于隨機(jī)森林的級(jí)聯(lián)位置回歸用于人臉對(duì)齊的方法，其特征在于，包括如下步驟：

1)得到歸一化人臉圖片：讀入訓(xùn)練集圖像庫中的圖片及對(duì)應(yīng)的人臉屬性，并對(duì)圖片進(jìn)行歸一化，人臉屬性包含人臉位置矩形區(qū)域信息即x₁軸、y₁軸、w寬、h高信息和已知標(biāo)定的關(guān)鍵點(diǎn)坐標(biāo)信息即x₂軸、y₂軸信息；

2)計(jì)算人臉的平均形狀：給每一個(gè)人臉訓(xùn)練樣本確定M個(gè)初始化形狀，除自身的形狀外，即組成N×M個(gè)訓(xùn)練樣本，對(duì)訓(xùn)練樣本的關(guān)鍵點(diǎn)坐標(biāo)信息進(jìn)行旋轉(zhuǎn)、縮放相似變換，計(jì)算出人臉的平均形狀：

N表示訓(xùn)練樣本數(shù)，表示已知標(biāo)定的關(guān)鍵點(diǎn)人臉形狀信息；

3)生成人臉對(duì)齊框架的候選特征點(diǎn)：用隨機(jī)函數(shù)生成二個(gè)關(guān)鍵點(diǎn)V₁和V₂的坐標(biāo)標(biāo)號(hào)，則這二個(gè)關(guān)鍵點(diǎn)中點(diǎn)坐標(biāo)值為將中點(diǎn)坐標(biāo)作為候選特征點(diǎn)μ_α，循環(huán)步驟3)，產(chǎn)生P個(gè)候選特征點(diǎn)；

4)生成人臉形狀索引灰度值ρ：利用步驟3)得到的P個(gè)候選特征點(diǎn)，提取候選特征點(diǎn)的圖片灰度值I(μ_α)，灰度值I(μ_α)作為人臉形狀索引灰度值ρ，其大小為N行P列的矩陣；

5)生成人臉形狀索引特征X：利用步驟4)得到的ρ，令ρ_ij表示ρ中第i行、第j列的一個(gè)元素值，第一層循環(huán)讓i從1到N，計(jì)算ρ_ia和ρ_ib的差值，其中a和b的范圍是1到P，循環(huán)步驟5)，可得到大小為N行P×P列的人臉形狀索引特征X；

6)構(gòu)建人臉對(duì)齊框架：所述人臉對(duì)齊框架是基于隨機(jī)森林級(jí)聯(lián)回歸方法構(gòu)建，人臉對(duì)齊框架第一層弱回歸器的級(jí)聯(lián)、即弱回歸器的個(gè)數(shù)為T，每一個(gè)弱回歸器由一個(gè)隨機(jī)森林組成，隨機(jī)森林將很多弱分類器集成為一個(gè)強(qiáng)分類器，實(shí)現(xiàn)并行結(jié)構(gòu)，弱分類器即為決策樹，一個(gè)隨機(jī)森林由L個(gè)決策樹(r_t^k|k＝1,2,...,L；t＝1,2,...,T)并行組成，其中，k和t均表示下標(biāo)號(hào),r表示決策樹，每一個(gè)決策樹的構(gòu)建過程一樣，過程如下：

(1)選擇決策樹的訓(xùn)練樣本：從N個(gè)訓(xùn)練樣本中隨機(jī)抽取Ω_k個(gè)樣本作為該決策樹的訓(xùn)練樣本，Ω_k的范圍是N/8到N/2；

(2)生成節(jié)點(diǎn)特征：根據(jù)步驟5)中得到的人臉形狀索引特征X中的值與回歸目標(biāo)ΔS的相關(guān)性corr(ΔS,X_ij)，其中X_ij表示X矩陣中的第i行、第j列的元素，選擇F個(gè)最相關(guān)的人臉形狀索引特征，作為節(jié)點(diǎn)特征,F為決策樹的深度,其范圍5-10；

(3)生成節(jié)點(diǎn)閾值：閾值直接從-0.2C到0.2C范圍中隨機(jī)得到一個(gè)值作為閾值，其中C表示步驟(2)過程選擇的節(jié)點(diǎn)特征值；

(4)得到人臉形狀增量即葉子節(jié)點(diǎn)的輸出：利用上述步驟(1)中選擇的Ω_k個(gè)訓(xùn)練樣本送入由步驟(2)、(3)構(gòu)建的決策樹，得到的葉子節(jié)點(diǎn)的輸出即為人臉形狀增量δS_cj，該決策樹的輸出δS_k，即為葉子節(jié)點(diǎn)的加權(quán)組合，如公式所示：

其中M為該決策樹的葉子節(jié)點(diǎn)個(gè)數(shù)M＝2^F-1，

經(jīng)過上述步驟后，即可得到?jīng)Q策樹，重復(fù)步驟(1)、(2)、(3)、(4)得到隨機(jī)森林，隨機(jī)森林的輸出δS^t為L(zhǎng)個(gè)決策樹的加權(quán)組合，如公式所示：

最后對(duì)人臉形狀進(jìn)行更新S^t＝S^t-1+δS^t，其中S^t-1表示第t-1個(gè)循環(huán)過程的人臉形狀信息，同理S^t表示第t個(gè)循環(huán)中人臉形狀信息；

7)初始化人臉形狀：采用直方圖統(tǒng)計(jì)的方法進(jìn)行人臉形狀初始化，初始化過程如下：

①對(duì)輸入的M個(gè)初始化形狀送入人臉對(duì)齊框架模型中，執(zhí)行級(jí)聯(lián)回歸過程的10％；

②得到人臉關(guān)鍵點(diǎn)的初始化坐標(biāo)信息：關(guān)鍵點(diǎn)g點(diǎn)的坐標(biāo)為統(tǒng)計(jì)的分布，以x坐標(biāo)值為橫坐標(biāo)，以頻數(shù)M為縱坐標(biāo)，劃分各小區(qū)間及其對(duì)應(yīng)的頻數(shù)高度，輸出頻數(shù)最大的區(qū)間對(duì)應(yīng)的橫坐標(biāo)值

對(duì)執(zhí)行相同的過程，得到

③重復(fù)步驟②，得到q個(gè)人臉關(guān)鍵點(diǎn)的初始化坐標(biāo)信息；

④將步驟②中的q個(gè)人臉關(guān)鍵點(diǎn)的初始化坐標(biāo)信息構(gòu)成的形狀作為級(jí)聯(lián)回歸剩下90％的過程的初始化形狀；

⑤結(jié)合步驟①-步驟④，得到一個(gè)初始化人臉形狀，其中初始化人臉形狀為q為關(guān)鍵點(diǎn)個(gè)數(shù)，初始化形狀個(gè)數(shù)記為M，M個(gè)初始化形狀記為S⁰¹，S⁰²，…，S^0m，把S^0m送入步驟6)構(gòu)建人臉對(duì)齊框架中，不斷迭代后，輸出最終的估計(jì)人臉形狀。