[發明專利]一種基于雙字典學習的遮擋魯棒性人臉對齊方法

有效

• 申請號: 202010000354.1
• 申請日: 2020-01-02
• 公開（公告）號: CN111079715B
• 公開（公告）日: 2023-04-25
• 發明（設計）人: 傅予力;謝揚;許曉燕;呂玲玲;李現峰;向友君
• 申請（專利權）人: 華南理工大學
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/772;G06V10/776
• 代理公司: 廣州市華學知識產權代理有限公司 44245
• 代理人: 蔣劍明

1.一種基于雙字典學習的遮擋魯棒性人臉對齊方法，其特征在于，所述的人臉對齊方法包括：

S1、訓練過程：

輸入訓練集并初始化人臉關鍵點、形狀字典、外觀字典；

訓練共包括L次學習過程，在第i次學習過程中，其中i＝0，1，...，L-1，根據當前人臉關鍵點的形狀特征和外觀特征，分析對齊誤差，構建誤差編碼矩陣，求解最優化的形狀字典和外觀字典；

更新人臉關鍵點；判斷是否達到最大學習次數L，若未達到，則根據更新的人臉關鍵點進行第i+1次學習，達到最大學習次數時，獲得由L個形狀字典和L個外觀字典構成的模型M；

其中，訓練過程包括以下步驟：

S11、輸入訓練集，對人臉圖片進行人臉檢測并歸一化所有人臉尺寸；計算平均人臉形狀向量作為初始人臉關鍵點P⁰；從訓練集中隨機選取m個樣本作為形狀字典和外觀字典的初始值和訓練采用批處理方式，共包括L次學習過程；

S12、在第i次學習中，提取當前檢測關鍵點Pⁱ的形狀特征Sⁱ和外觀特征Aⁱ，Sⁱ和Aⁱ分別表示人臉關鍵點的位置信息及關鍵點下的人臉外觀信息；

S13、在第i次學習中，根據步驟S12提取的形狀特征Sⁱ和外觀特征Aⁱ，分析對齊誤差，求解得到最優化的對齊誤差編碼矩陣，以及在該對齊誤差編碼矩陣下最優化的形狀字典外觀字典關鍵點特征的稀疏編碼Cⁱ；

S14、在第i次學習中，根據最優化的形狀字典和關鍵點特征的稀疏編碼Cⁱ更新人臉關鍵點坐標Pⁱ⁺¹；

S15、判斷是否達到最大學習次數L，若未達到最大學習次數，則重復步驟S12至S14進行第i+1次學習直至達到最大學習次數，獲得由L個形狀字典和L個外觀字典構成的模型M；

S2、對齊過程：輸入測試人臉并初始化人臉關鍵點，利用步驟S1中訓練得到的模型M更新人臉關鍵點坐標；更新L次后，輸出最終人臉對齊結果；

其中，對齊過程包括以下步驟：

S21、輸入一張測試圖片f，檢測人臉并歸一化人臉尺寸，將步驟S11中平均人臉形狀向量作為初始人臉關鍵點p⁰，對齊過程共包括L次更新；

S22、在第i次更新中，提取測試圖片中當前檢測關鍵點的Gabor特征作為外觀特征aⁱ，從模型M中獲取和根據和aⁱ求得測試圖片的關鍵點特征稀疏編碼cⁱ：

其中，||·||₂為向量的l₂范數，||·||₁向量的為l₁范數，λ為正則化參數，根據cⁱ更新人臉關鍵點坐標pⁱ⁺¹：

S23、判斷是否達到最大更新次數L，若未達到，則從模型中獲取進行第i+1次更新直至達到最大更新次數，輸出最終人臉對齊結果p^t。

2.根據權利要求1所述的一種基于雙字典學習的遮擋魯棒性人臉對齊方法，其特征在于，所述的S1、訓練過程中輸入訓練集后對人臉關鍵點、形狀字典、外觀字典進行初始化，具體過程如下：

對訓練圖片進行人臉檢測并歸一化所有人臉尺寸；計算平均人臉形狀向量作為初始人臉關鍵點；從訓練集中隨機選取m個樣本作為形狀字典和外觀字典的初始值和

3.根據權利要求1所述的一種基于雙字典學習的遮擋魯棒性人臉對齊方法，其特征在于，所述的S1、訓練過程中分析對齊誤差，引入關鍵點突變參數和對齊誤差權重衰減參數，求解最優化的對齊誤差編碼矩陣，以及在該對齊誤差編碼矩陣下最優化的形狀字典和外觀字典。

4.根據權利要求1所述的一種基于雙字典學習的遮擋魯棒性人臉對齊方法，其特征在于，所述的S1、訓練過程中采取批處理方式，共包括L次學習過程，每次學習保存最優化的形狀字典和外觀字典，達到最大學習次數時，獲得由L個形狀字典和L個外觀字典構成的模型M。

5.根據權利要求1所述的一種基于雙字典學習的遮擋魯棒性人臉對齊方法，其特征在于，所述的S2、對齊過程中對測試圖片進行人臉檢測并歸一化人臉尺度后采用訓練集的平均人臉形狀向量作為初始人臉關鍵點，對齊共包括L次更新過程，更新L次后，輸出最終人臉對齊結果。