CN110348286A - 一种基于最小二乘法的脸型拟合与匹配方法 - Google Patents

一种基于最小二乘法的脸型拟合与匹配方法 Download PDF

Info

Publication number
CN110348286A
CN110348286A CN201910439638.8A CN201910439638A CN110348286A CN 110348286 A CN110348286 A CN 110348286A CN 201910439638 A CN201910439638 A CN 201910439638A CN 110348286 A CN110348286 A CN 110348286A
Authority
CN
China
Prior art keywords
shape
face
point
inflection point
power function
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910439638.8A
Other languages
English (en)
Other versions
CN110348286B (zh
Inventor
谢光强
禤骏
李杨
陈俊丰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201910439638.8A priority Critical patent/CN110348286B/zh
Publication of CN110348286A publication Critical patent/CN110348286A/zh
Application granted granted Critical
Publication of CN110348286B publication Critical patent/CN110348286B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/172—Classification, e.g. identification

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Collating Specific Patterns (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于最小二乘法的脸型拟合与匹配方法，利用二维的人脸特征点，通过寻找脸型特征点的拐点(颧骨处)，把脸型特征点划分为两个集合。然后针对每一个集合，利用特征点的二维坐标通过优化的最小二乘法拟合一个幂函数用以拟合脸型，最后得出一组拐点和幂函数的参数组合用于描述脸型。本发明根据得出的拐点和幂函数参数组合，通过拐点的位置与幂函数参数加权比对，得出两个脸型的相似度。本发明具有较高的精确度。

Description

一种基于最小二乘法的脸型拟合与匹配方法
技术领域
本发明涉及人脸识别的技术领域，尤其涉及到一种基于最小二乘法的脸型拟合与匹配方法。
背景技术
随着图像处理技术的发展和机器学习算法的改进，人脸识别技术广泛应用于社交网络、安保以及电子商务等多个领域。
其中，人脸识别中的人脸颜值评估应用也是当下一个比较热点的应用，颜值评估包括基于大数据的颜值匹配方法以及基于人脸五官评估的颜值匹配方法。
本发明能够为颜值评估应用提供一种针对脸型的拟合与匹配的方法。
发明内容
本发明的目的在于提供一种基于最小二乘法的脸型拟合与匹配方法，以解决基于特征点检测的人脸识别应用中描述脸型和匹配脸型的问题，具有较高的精确度。
为实现上述目的，本发明所提供的技术方案为：
包括以下步骤：
S1：求得脸型特征点的拐点，根据拐点划分特征点集合；
S2：针对每一个集合，利用经过优化的最小二乘法求取用于拟合脸型的幂函数，得出用于描述脸型的幂函数集合和拐点信息的组合；
S3：根据特定的规则得出任意两个脸型的拐点相似度和对应幂函数的相似度并加权求和的得出脸型相似度。
进一步地，所述步骤S1的具体过程如下：
S11：分别对左右脸型特征点进行拐点分析；
S12：根据任意一边脸型特征点的二维坐标信息，分别求取相邻坐标点的斜率，并得出一组斜率；
S13：根据得出的斜率，分别求取相邻斜率的差值，找出求得差值的最大值，并把组成最大差值的两个斜率的公共点作为拐点；
S14：根据求得的两个拐点，把脸型集合分为两个拐点以上和以下两个集合。
进一步地，所述步骤S2的过程包括：
S21：取出划分好的其中一个集合，对集合中的点用优化过的最小二乘法求出幂函数，具体过程如下：
设拟合多项式为：
y＝a0+a1x+...+akxk；
各点到这条曲线的距离之和，即偏差平方和如下：
为了求得符合条件的a值，对等式右边求ai偏导数，得到：
......
对等式左边进行化简，得到下面的等式：
......
把这些等式表示为矩阵的形式，得到下面的矩阵：
即X*A＝Y；
由于只需要拟合幂函数曲线，因此a0～ak-1均置为0，只需解一个一元k次方程；
S22：把两个集合求得的幂函数的参数与拐点分别组合在一起，得出两个幂函数和拐点的组合用以描述脸型。
进一步地，所述步骤S3的具体过程如下：
S31：对脸型特征点进行标号，对于任意两个脸型，计算左拐点的序号值的差，计算右拐点的序号值的差，把两个差值求倒数并相加得出序号值的相似度；
S32：对于任意两个脸型，分别计算上下两个幂函数的参数的差值求倒数并相加得出幂函数相似度；
S33：把拐点相似度和幂函数相似度分别乘以加权系数后相加得出脸型相似度。
与现有技术相比，本方案原理和优点如下：
本方案利用二维的人脸特征点，通过寻找脸型特征点的拐点(颧骨处)，把脸型特征点划分为两个集合。然后针对每一个集合，利用特征点的二维坐标通过优化的最小二乘法拟合一个幂函数用以拟合脸型，最后得出一组拐点和幂函数的参数组合用于描述脸型。本方法根据得出的拐点和幂函数参数组合，通过拐点的位置与幂函数参数加权比对，得出两个脸型的相似度。本方案具有较高的精确度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一种基于最小二乘法的脸型拟合与匹配方法的算法流程图；
图2为脸型拐点示意图；
图3为拟合脸型上部幂函数的示意图；
图4为拟合脸型下部幂函数的示意图；
图5为脸型特征点编号的示意图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
如图1所示，本实施例所述的一种基于最小二乘法的脸型拟合与匹配方法，包括以下步骤：
S1：参照附图2，对输入的脸型特征点集合，按以下步骤处理：
S11：分别对左右脸型特征点进行拐点分析。
S12：根据任意一边脸型特征点的二维坐标信息，分别求取相邻坐标点的斜率，并得出一组斜率。
S13：根据得出的斜率，分别求取相邻斜率的差值，找出求得差值的最大值，并把组成最大差值的两个斜率的公共点作为拐点。
S14：根据求得的两个拐点，把脸型集合分为两个拐点以上和以下两个集合。
S2：对已经获取拐点的脸型特征点集合，按以下步骤处理：
S21：取出划分好的其中一个集合，对集合中的点用优化过的最小二乘法求出幂函数，具体过程如下：
设拟合多项式为：
y＝a0+a1x+...+akxk；
各点到这条曲线的距离之和，即偏差平方和如下：
为了求得符合条件的a值，对等式右边求ai偏导数，得到：
......
对等式左边进行化简，得到下面的等式：
......
把这些等式表示为矩阵的形式，得到下面的矩阵：
即X*A＝Y；
由于只需要拟合幂函数曲线，因此a0～ak-1均置为0，只需解一个一元k次方程；
S22：把两个集合求得的幂函数的参数与拐点分别组合在一起，得出两个幂函数和拐点的组合用以描述脸型。幂函数拟合脸型的示意图如图3和4所示。
S3：对已经获取描述好的脸型特征点集合，按以下步骤处理：
S31：对脸型特征点进行标号，对于任意两个脸型，计算左拐点的序号值的差，计算右拐点的序号值的差，把两个差值求倒数并相加得出序号值的相似度；
S32：对于任意两个脸型，分别计算上下两个幂函数的参数的差值求倒数并相加得出幂函数相似度；
S33：把拐点相似度和幂函数相似度分别乘以加权系数后相加得出脸型相似度。
本实施例利用二维的人脸特征点，通过寻找脸型特征点的拐点(颧骨处)，把脸型特征点划分为两个集合。然后针对每一个集合，利用特征点的二维坐标通过优化的最小二乘法拟合一个幂函数用以拟合脸型，最后得出一组拐点和幂函数的参数组合用于描述脸型。本实施例根据得出的拐点和幂函数参数组合，通过拐点的位置与幂函数参数加权比对，得出两个脸型的相似度。本实施例具有较高的精确度。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (4)

1.一种基于最小二乘法的脸型拟合与匹配方法，其特征在于，包括以下步骤：
S1：求得脸型特征点的拐点，根据拐点划分特征点集合；
S2：针对每一个集合，利用经过优化的最小二乘法求取用于拟合脸型的幂函数，得出用于描述脸型的幂函数集合和拐点信息的组合；
S3：根据特定的规则得出任意两个脸型的拐点相似度和对应幂函数的相似度并加权求和的得出脸型相似度。
2.根据权利要求1所述的一种基于最小二乘法的脸型拟合与匹配方法，其特征在于，所述步骤S1的具体过程如下：
S11：分别对左右脸型特征点进行拐点分析；
S12：根据任意一边脸型特征点的二维坐标信息，分别求取相邻坐标点的斜率，并得出一组斜率；
S13：根据得出的斜率，分别求取相邻斜率的差值，找出求得差值的最大值，并把组成最大差值的两个斜率的公共点作为拐点；
S14：根据求得的两个拐点，把脸型集合分为两个拐点以上和以下两个集合。
3.根据权利要求1所述的一种基于最小二乘法的脸型拟合与匹配方法，其特征在于，所述步骤S2的过程包括：
S21：取出划分好的其中一个集合，对集合中的点用优化过的最小二乘法求出幂函数，具体过程如下：
设拟合多项式为：
y＝a0+a1x+...+akxk；
各点到这条曲线的距离之和，即偏差平方和如下：
为了求得符合条件的a值，对等式右边求ai偏导数，得到：
......
对等式左边进行化简，得到下面的等式：
......
把这些等式表示为矩阵的形式，得到下面的矩阵：
即X*A＝Y；
由于只需要拟合幂函数曲线，因此a0～ak-1均置为0，只需解一个一元k次方程；
S22：把两个集合求得的幂函数的参数与拐点分别组合在一起，得出两个幂函数和拐点的组合用以描述脸型。
4.根据权利要求1所述的一种基于最小二乘法的脸型拟合与匹配方法，其特征在于，所述步骤S3的具体过程如下：
S31：对脸型特征点进行标号，对于任意两个脸型，计算左拐点的序号值的差，计算右拐点的序号值的差，把两个差值求倒数并相加得出序号值的相似度；
S32：对于任意两个脸型，分别计算上下两个幂函数的参数的差值求倒数并相加得出幂函数相似度；
S33：把拐点相似度和幂函数相似度分别乘以加权系数后相加得出脸型相似度。
CN201910439638.8A 2019-05-24 2019-05-24 一种基于最小二乘法的脸型拟合与匹配方法 Active CN110348286B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910439638.8A CN110348286B (zh) 2019-05-24 2019-05-24 一种基于最小二乘法的脸型拟合与匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910439638.8A CN110348286B (zh) 2019-05-24 2019-05-24 一种基于最小二乘法的脸型拟合与匹配方法

Publications (2)

Publication Number Publication Date
CN110348286A true CN110348286A (zh) 2019-10-18
CN110348286B CN110348286B (zh) 2023-05-23

Family

ID=68174093

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910439638.8A Active CN110348286B (zh) 2019-05-24 2019-05-24 一种基于最小二乘法的脸型拟合与匹配方法

Country Status (1)

Country Link
CN (1) CN110348286B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949495A (zh) * 2021-03-04 2021-06-11 安徽师范大学 一种基于大数据的智能识别***

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10162153A (ja) * 1996-11-28 1998-06-19 Nippon Telegr & Teleph Corp <Ntt> 形状処理方法
JP2003044841A (ja) * 2002-06-20 2003-02-14 Sharp Corp モデル生成装置およびモデル生成方法ならびにモデル生成プログラムを記録した記録媒体
CN101339612A (zh) * 2008-08-19 2009-01-07 陈建峰 一种脸型轮廓的检测与分类方法
CN102968636A (zh) * 2012-12-11 2013-03-13 山东神思电子技术股份有限公司 一种人脸轮廓的提取方法
CN106203262A (zh) * 2016-06-27 2016-12-07 辽宁工程技术大学 一种基于眼睑曲线相似度与眼型指数的眼型分类方法
CN106909875A (zh) * 2016-09-12 2017-06-30 湖南拓视觉信息技术有限公司 人脸脸型分类方法和***
CN106971164A (zh) * 2017-03-28 2017-07-21 北京小米移动软件有限公司 脸型匹配方法及装置
CN109186991A (zh) * 2018-10-25 2019-01-11 四川绵竹鑫坤机械制造有限责任公司 纵树型叶根自动拟合与匹配的方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH10162153A (ja) * 1996-11-28 1998-06-19 Nippon Telegr & Teleph Corp <Ntt> 形状処理方法
JP2003044841A (ja) * 2002-06-20 2003-02-14 Sharp Corp モデル生成装置およびモデル生成方法ならびにモデル生成プログラムを記録した記録媒体
CN101339612A (zh) * 2008-08-19 2009-01-07 陈建峰 一种脸型轮廓的检测与分类方法
CN102968636A (zh) * 2012-12-11 2013-03-13 山东神思电子技术股份有限公司 一种人脸轮廓的提取方法
CN106203262A (zh) * 2016-06-27 2016-12-07 辽宁工程技术大学 一种基于眼睑曲线相似度与眼型指数的眼型分类方法
CN106909875A (zh) * 2016-09-12 2017-06-30 湖南拓视觉信息技术有限公司 人脸脸型分类方法和***
CN106971164A (zh) * 2017-03-28 2017-07-21 北京小米移动软件有限公司 脸型匹配方法及装置
CN109186991A (zh) * 2018-10-25 2019-01-11 四川绵竹鑫坤机械制造有限责任公司 纵树型叶根自动拟合与匹配的方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112949495A (zh) * 2021-03-04 2021-06-11 安徽师范大学 一种基于大数据的智能识别***

Also Published As

Publication number Publication date
CN110348286B (zh) 2023-05-23

Similar Documents

Publication Publication Date Title
CN107680054B (zh) 雾霾环境下多源图像融合方法
CN109859256B (zh) 一种基于自动对应点匹配的三维点云配准方法
CN103582884A (zh) 用于视觉搜索的稳健特征匹配
Rahman et al. Person identification using ear biometrics
CN107301643B (zh) 基于鲁棒稀疏表示与拉普拉斯正则项的显著目标检测方法
CN104715251B (zh) 一种基于直方图线性拟合的显著目标检测方法
CN104200461A (zh) 基于互信息图像选块和sift特征的遥感图像配准方法
Chakraborty et al. Recursive frechet mean computation on the grassmannian and its applications to computer vision
CN104392462B (zh) 一种基于显著分割子区域对的sar图像配准方法
Premaratne et al. Image matching using moment invariants
Xiao et al. Gesture image segmentation with Otsu’s method based on noise adaptive angle threshold
CN107529071B (zh) 一种视频数据处理方法以及装置
CN113361542A (zh) 一种基于深度学习的局部特征提取方法
CN116994022A (zh) 对象检测方法、模型训练方法、装置、电子设备和介质
CN110348286A (zh) 一种基于最小二乘法的脸型拟合与匹配方法
CN106415606A (zh) 一种基于边缘的识别、***和方法
Joodi et al. Increasing validation accuracy of a face mask detection by new deep learning model-based classification
CN110147769A (zh) 一种手指静脉图像匹配方法
CN110909678B (zh) 一种基于宽度学习网络特征提取的人脸识别方法及***
Okarma et al. Entropy-based combined metric for automatic objective quality assessment of stitched panoramic images
CN112667766A (zh) 网络威胁情报元数据融合的方法与***
Nasri et al. Images enhancement of ancient mural painting of Bey’s palace constantine, Algeria and Lacuna extraction using mahalanobis distance classification approach
CN106485733A (zh) 一种在红外图像中跟踪感兴趣目标的方法
Yang et al. Robust affine invariant descriptors
Ruchay et al. Removal of impulsive noise from color images with cascade switching algorithm

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant