CN109376712A - 一种人脸额头关键点的识别方法 - Google Patents

Abstract

本发明公开了一种人脸额头关键点的识别方法，包括：确定人脸额头上的的特征点和关键点；打开Fiji图形标准工具，通过Fiji软件对提供的标记图片中感兴趣的点获取坐标，并对收集到的人脸正脸图片数据集进行标注；利用Matlab对标记图片进行预处理；下载ResNet网络，并作为人脸轮廓关键点识别中的特征提取器；用确定好的人脸额头关键点数据对网络进行训练，训练的目标函数是图像的交叉熵损失函数，用梯度下降法求解使得损失函数取得全局最小值或局部最小值对应的模型参数，得到训练完成的神经网络模型。可以快速、精准地识别人的正脸额头。这为诸如人脸轮廓提取、肌肤测评等其他人脸识别任务提供了很好的技术上的支持。

Description

一种人脸额头关键点的识别方法

技术领域

本发明涉及模式识别技术领域，尤其涉及一种检测人脸额头关键点的模式识别方法。

背景技术

现有的识别人脸关键点识别的算法往往只是针对人脸的下颚、五官的关键位置来进行识别，却没有识别人脸额头关键点的算法。因为人脸额头往往会受到人的发型影响，不同的发型其刘海千差万别，这为识别人脸额头的关键点增加了不小的难度。本发明提出的一种人脸额头关键点的识别方法，这个算法利用了目前先进的深度神经网络，具有很好的图像理解能力，再加上合理的人脸额头关键点的选取从而解决了识别人脸额头的问题。这个识别额头关键点的技术，为人脸识别方面的多种任务提供了可能，譬如结合现有识别下颚、五官关键点的算法，可以达到扣取整个人脸轮廓的目的。

发明内容

为解决上述技术问题，本发明的目的是提供一种人脸额头关键点的模式识别方法。

本发明的目的通过以下的技术方案来实现：

一种人脸额头关键点的识别方法，包括：

A确定人脸额头上的的特征点和关键点；

B打开Fiji图形标准工具，通过Fiji软件对提供的标记图片中感兴趣的点获取坐标，并对收集到的人脸正脸图片数据集进行标注；

C利用Matlab对标记图片进行预处理；

D下载ResNet网络，并作为人脸轮廓关键点识别中的特征提取器；

E用确定好的人脸额头关键点数据对网络进行训练，训练的目标函数是图像的交叉熵损失函数，用梯度下降法求解使得损失函数取得全局最小值或局部最小值对应的模型参数，得到训练完成的神经网络模型。

与现有技术相比，本发明的一个或多个实施例可以具有如下优点：

实现对任意的人脸的上额部分的轮廓进行提取，为后续人脸识别的步骤提供基础性的技术支持。

附图说明

图1是额头关键点识别方法流程框图；

图2是ResNet网络的基础结构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合实施例及附图对本发明作进一步详细的描述。

本实施例提供了一种人脸额头关键点的识别方法，该方法是先将人脸的图片转换为一个二维矩阵，然后通过ResNet预训练网络将二维矩阵编码为一个张量；RestNet的结构的第一层是zero-padding层，其作用是保证图片卷积之后不改变大小。然后，由重复的卷积层、批量标准化层、池化层和激活层，以及shortcut路径构成。预训练好的RestNet具有很强的图像“理解”能力，可以对图片进行编码。之后，再将RestNet接入输出20维向量的全连接层从而构成整个网络。然后，在人的额头上合理选取显著关键点与非显著关键点，并用Fiji标记软件为每张样本图片进行标注。再用标记好额头的样本数据将网络训练成识别额头关键点的专用网络。此网络可以快速、精准地识别人的正脸额头。这为诸如人脸轮廓提取、肌肤测评等其他人脸识别任务提供了很好的技术上的支持。

如图1所示，为额头关键点识别方法流程，包括人脸额头坐标确定阶段；数据标记阶段；图片预处理阶段；预训练网络搭建阶段和网络训练阶段；具体包括如下步骤：

步骤10确定人脸额头上的的特征点和关键点；

步骤20打开Fiji图形标准工具，通过Fiji软件对提供的标记图片中感兴趣的点获取坐标，并对收集到的人脸正脸图片数据集进行标注；

步骤30利用Matlab对标记图片进行预处理；

步骤40下载ResNet网络，并作为人脸轮廓关键点识别中的特征提取器；

步骤50用确定好的人脸额头关键点数据对网络进行训练，训练的目标函数是图像的交叉熵损失函数，用梯度下降法求解使得损失函数取得全局最小值或局部最小值对应的模型参数，得到训练完成的神经网络模型。

上述步骤10具体包括：

先确定人脸额头上易于辨识的特征点，包括额头顶点、通过人脸左右眉毛毛尖的法线与人脸轮廓的交点，并称为眉尖法交点；

然后确定不太易于辨识的关键点，包括通过左眉尖法交点到额头顶点之间等距取5个点，右眉尖法交点到额头顶点之间等距取5个点，共计十个点。易于辨识的特征点，是可以被这里的深度学习算法准确识别出来的，起到确定额头轮廓的左右边界的作用。不太易于辨识的关键点，主要起到构建额头轮廓的作用，本算法可以保证这十个点大致均匀地分布在额头的轮廓线上。

上述步骤20是在linux/ubuntu操作***环境下，打开Fiji图形标准工具软件，利用软件提供的标记图片中感兴趣的点并获取其坐标的工具，对收集到的人脸正脸图片数据集进行标注；并将标注的关键点以CSV文件格式存储，方便后续数据的读取。

上述步骤30利用Matlab编写程序在保证图片的比例不改变的前提下对图片的边缘进行补零处理，使所有图片尺寸相同，具体过程包括以下步骤：

(1)求出所有图片的最大宽度和高度

MaxWidth＝max{pic(i)(width)},i＝1,…,n

MaxHeight＝max{pic(i)(height)},i＝1,…,n

其中n表示样本个数；

(2)对每张图片进行横向补零处理：

A_new＝[B_H×M,A_H×W,B_H×K]

其中，H为图片的高度，W为宽度；K＝MaxWidth-M，[.]表示高斯取整函数；

(3)对每张图片进行纵向补零处理：

A_new＝[B_P×MaxWidth；A_H×MaxWidth；B_Q×MaxWidth]

其中，H为图片的高度，W为宽度；Q＝MaxHeight-P，[.]表示高斯取整函数。

上述步骤40具体包括：从网络上下载已经构建好的在数据集ImageNet上经过预先训练的ResNet网络作为整个算法的特征提取器；ResNet的一个基本结构，可用如下函数表示：

F＝W₂σ(W₁x)

y＝F(x,W₁,W₂)+x

其中，x、y分别表示网络的输入、输出；σ表示ReLU激活函数，W₁、W₂分别表示第一、二层网络的权重；整个ResNet网络结构由此基本结构层层叠加而成；ResNet的网络的基本结构如图2所示。

上述步骤50中网络训练的内容包括：

网络的训练可由如下最优化公式：

其中p_out表示神经网络的模型，是关于网络权重的函数；N_ap表示样本个数；然后利用梯度下降法求解出使得上述方程取值最小时所对应的神经网络权重，获得训练完成的神经网络模型。

虽然本发明所揭露的实施方式如上，但所述的内容只是为了便于理解本发明而采用的实施方式，并非用以限定本发明。任何本发明所属技术领域内的技术人员，在不脱离本发明所揭露的精神和范围的前提下，可以在实施的形式上及细节上作任何的修改与变化，但本发明的专利保护范围，仍须以所附的权利要求书所界定的范围为准。

Claims (6)

1.一种人脸额头关键点的识别方法，其特征在于，所述方法包括：

A确定人脸额头上的的特征点和关键点；

B打开Fiji图形标准工具，通过Fiji软件对提供的标记图片中感兴趣的点获取坐标，并对收集到的人脸正脸图片数据集进行标注；

C利用Matlab对标记图片进行预处理；

D下载ResNet网络，并作为人脸轮廓关键点识别中的特征提取器；

E用确定好的人脸额头关键点数据对网络进行训练，训练的目标函数是图像的交叉熵损失函数，用梯度下降法求解使得损失函数取得全局最小值或局部最小值对应的模型参数，得到训练完成的神经网络模型。

2.如权利要求1所述的人脸额头关键点的识别方法，其特征在于，所述步骤A具体包括：

先确定人脸额头上易于辨识的特征点，包括额头顶点、通过人脸左右眉毛毛尖的法线与人脸轮廓的交点，并称为眉尖法交点；

然后确定不太易于辨识的关键点，包括通过左眉尖法交点到额头顶点之间等距取5个点，右眉尖法交点到额头顶点之间等距取5个点。

3.如权利要求1所述的人脸额头关键点的识别方法，其特征在于，所述步骤B中：在linux/ubuntu操作***环境下，打开Fiji图形标准工具软件，利用软件提供的标记图片中感兴趣的点并获取其坐标的工具，对收集到的人脸正脸图片数据集进行标注，并将标注的关键点以CSV文件格式存储，方便后续数据的读取。

4.如权利要求1所述的人脸额头关键点的识别方法，其特征在于，所述步骤C具体包括：利用Matlab编写程序对图片的边缘进行补零处理，使所有图片尺寸相同，具体过程包括以下步骤：

(1)求出所有图片的最大宽度和高度

MaxWidth＝max{pic(i)(width)},i＝1,…,n

MaxHeight＝max{pic(i)(height)},i＝1,…,n

其中n表示样本个数；

(2)对每张图片进行横向补零处理：

A_new＝[B_H×M,A_H×W,B_H×K]

其中，H为图片的高度，W为宽度；K＝MaxWidth-M，[.]表示高斯取整函数；

(3)对每张图片进行纵向补零处理：

A_new＝[B_P×MaxWidth；A_H×MaxWidth；B_Q×MaxWidth]

其中，H为图片的高度，W为宽度；Q＝MaxHeight-P；[.]表示高斯取整函数。

5.如权利要求1所述的人脸额头关键点的识别方法，其特征在于，所述步骤D具体包括：

从网络上下载已经构建好的在数据集ImageNet上经过预先训练的ResNet网络作为整个算法的特征提取器；ResNet的一个基本结构，可用如下函数表示：

F＝W₂σ(W₁x)

y＝F(x,W₁,W₂)+x

其中，x、y分别表示网络的输入、输出；σ表示ReLU激活函数，W₁、W₂分别表示第一、二层网络的权重；整个ResNet网络结构由此基本结构层层叠加而成。

6.如权利要求1所述的人脸额头关键点的识别方法，其特征在于，所述步骤E中网络训练的内容包括：

网络的训练可由如下最优化公式：

其中p_out表示神经网络的模型，是关于网络权重的函数；N_ap表示样本个数；然后利用梯度下降法求解出使得上述方程取值最小时所对应的神经网络权重，获得训练完成的神经网络模型。