專(zhuān)利名稱(chēng)：一種二維人臉圖像定位的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及計(jì)算機(jī)視覺(jué)和模式識(shí)別領(lǐng)域，特別涉及一種二維人臉圖像定位的方法。
背景技術(shù)：
人臉識(shí)別系統(tǒng)以人臉識(shí)別技術(shù)為核心，是一項(xiàng)新興的生物識(shí)別技術(shù)，是當(dāng)今國(guó)際科技領(lǐng) 域攻關(guān)的高精尖技術(shù)。人臉因具有不可復(fù)制、采集方便、不需要被拍者的配合，使得人臉識(shí) 別系統(tǒng)具有廣泛的應(yīng)用。
人臉識(shí)別的一個(gè)關(guān)鍵問(wèn)題是人臉圖像的定位。通常在人臉識(shí)別的過(guò)程中，需要先對(duì)人臉 圖像進(jìn)行定位，然后根據(jù)定位結(jié)果進(jìn)一步的進(jìn)行人臉識(shí)別。
人臉識(shí)別方法還有一系列難以解決的問(wèn)題，例如當(dāng)人臉姿態(tài)、表情以及環(huán)境光照(PIE， Pose Illumination Expression)發(fā)生較大變化的時(shí)候，識(shí)別率將急劇下降。如何解決人臉在不 同姿態(tài)、光照和表情條件下的識(shí)別問(wèn)題，仍然是當(dāng)前研究的熱點(diǎn)。對(duì)于姿態(tài)和光照變化的人 臉識(shí)別問(wèn)題，采用傳統(tǒng)的方法，必須獲得足夠多的不同姿態(tài)和光照條件下用于學(xué)習(xí)的人臉訓(xùn) 練圖像，然而在很多情況下，這些圖像并不容易獲得。為了實(shí)現(xiàn)不依賴(lài)姿態(tài)和環(huán)境光照的^ 臉識(shí)別，現(xiàn)有技術(shù)中提出下述方法
第一類(lèi)是姿態(tài)不變特征提取方法，這類(lèi)方法通過(guò)提取能夠克服姿態(tài)變化的特征來(lái)解決姿 態(tài)變化的識(shí)別問(wèn)題；第二類(lèi)是基于多視角人臉圖像的解決方法，比如將傳統(tǒng)子空間方法擴(kuò)展 到多視角子空間；第三類(lèi)是基于人臉三維模型的方法，在Blanz提出三維人臉建模方法之后， 基于人臉三維模型生成人臉各個(gè)姿態(tài)虛圖像(Virtual Image)的方法在解決姿態(tài)問(wèn)題中取得了 較好的成果。
但是現(xiàn)有技術(shù)也存在很多的缺點(diǎn)，姿態(tài)不變特征提取方法的主要缺點(diǎn)是提取姿態(tài)不變的 特征比較困難；基于多視角人臉圖像的解決方法，其主要缺點(diǎn)是很難將人臉的姿態(tài)絕對(duì)劃分 開(kāi)，并且錯(cuò)誤的姿態(tài)估計(jì)會(huì)降低人臉識(shí)別性能；而基于人臉三維模型的方法，雖然能較好的 解決姿態(tài)問(wèn)題，但還存在很多困難，比如計(jì)算量大、速度慢和恢復(fù)精度差，并且需要手工定 位特征點(diǎn)用于初始化，這些都為人臉圖像的定位并進(jìn)一步識(shí)別帶來(lái)了困難。

發(fā)明內(nèi)容
為了實(shí)現(xiàn)自動(dòng)化和快速準(zhǔn)確的人臉識(shí)別，本發(fā)明實(shí)施例提供了一種二維人臉圖像定位的 方法。所述技術(shù)方案如下
一種二維人臉圖像定位的方法，其特征在于，包括 獲取預(yù)設(shè)的數(shù)據(jù)庫(kù)中的二維人臉圖像；
利用所述數(shù)據(jù)庫(kù)中的二維人臉圖像，構(gòu)建二維人臉形狀模型； 利用所述數(shù)據(jù)庫(kù)中的二維人臉圖像，構(gòu)建二維人臉局部紋理模型；
根據(jù)所述二維人臉形狀模型和二維人臉局部紋理模型，對(duì)所述二維人臉圖像進(jìn)行定位。 本發(fā)明實(shí)施例通過(guò)利用預(yù)設(shè)的數(shù)據(jù)庫(kù)建立二維人臉形狀模型和二維人臉局部紋理模型，
實(shí)現(xiàn)了對(duì)二維人臉圖像進(jìn)行精確定位，在局部紋理建模時(shí)使用點(diǎn)對(duì)比特征和特征選擇相結(jié)合
的方法，提高了計(jì)算速度和特征點(diǎn)的定位效果。


圖1為本發(fā)明實(shí)施例1提供的一種二維人臉圖像定位的方法流程圖； 圖2為本發(fā)明實(shí)施例1提供的姿態(tài)向左的二維人臉形狀模型； 圖3為本發(fā)明實(shí)施例1提供的正面的二維人臉形狀模型。
具體實(shí)施例方式
為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對(duì)本發(fā)明實(shí)施方式作進(jìn) 一步地詳細(xì)描述。 實(shí)施例1
本發(fā)明實(shí)施例提供了一種二維人臉圖像定位的方法。該方法對(duì)數(shù)據(jù)庫(kù)中的二維人臉圖像 進(jìn)行多子空間的形狀建模，得到二維人臉形狀模型；對(duì)二維人臉圖像進(jìn)行局部紋理建模，得 到二維人臉局部紋理模型；根據(jù)二維人臉形狀模型和局部紋理模型，對(duì)二維人臉圖像進(jìn)行精 確定位。如圖1所示，本實(shí)施例包括
101:獲取預(yù)設(shè)的數(shù)據(jù)庫(kù)中的二維人臉圖像；
本實(shí)施例中的二維人臉數(shù)據(jù)庫(kù)取自2000個(gè)歐洲人和亞洲人的二維人臉圖像，每個(gè)二維人 臉的數(shù)據(jù)包含紋理數(shù)據(jù)(R， G， B)以及人臉的姿態(tài)、表情和光照變化等數(shù)據(jù)。
102:對(duì)數(shù)據(jù)庫(kù)中的二維人臉圖像進(jìn)行多子空間的形狀建模，得到二維人臉形狀模型。 根據(jù)二維人臉數(shù)據(jù)庫(kù)建立二維人臉形狀模型，具體步驟包括102a:對(duì)數(shù)據(jù)庫(kù)中的二維人臉圖像按照姿態(tài)進(jìn)行劃分；對(duì)每種姿態(tài)的人臉圖像進(jìn)行特征 點(diǎn)的標(biāo)定，獲取特征點(diǎn)的坐標(biāo)值；利用特征點(diǎn)的坐標(biāo)值構(gòu)建相應(yīng)姿態(tài)下的二維人臉圖像的形 狀向量。
具體的，將二維人臉圖像按照姿態(tài)分為向左，向右，向上，向下和正面五種，以姿態(tài)向 左的人臉圖像為例，假設(shè)數(shù)據(jù)庫(kù)中姿態(tài)向左的二維人臉數(shù)據(jù)共有N個(gè)，標(biāo)定該姿態(tài)的所有人 臉的88 (也可以是88以外的數(shù)值)個(gè)特征點(diǎn)，獲取特征點(diǎn)的坐標(biāo)(x， y)作為原始數(shù)據(jù)，并對(duì) 原始數(shù)據(jù)進(jìn)行量化處理，得到人臉的形狀向量。
其中，標(biāo)定特征點(diǎn)的方法可以有多種，常用方法為手工標(biāo)注法，本實(shí)施例采用半自動(dòng)交 互式的手工標(biāo)注方法，半自動(dòng)標(biāo)注不同于手工標(biāo)注，不用對(duì)每個(gè)點(diǎn)都手工標(biāo)注，而是通過(guò)拉 拽等方式，標(biāo)定人臉的特征點(diǎn)，可以使用相關(guān)的軟件實(shí)現(xiàn)。
根據(jù)88個(gè)特征點(diǎn)的坐標(biāo)構(gòu)成人臉的形狀向量
《=[、0 , ,弋l, >V ，々 《87 , 乂87 f (6)
102b:對(duì)形狀向量進(jìn)行中心、尺度和方向的歸一化。
在進(jìn)行人臉圖像的歸一化處理時(shí)，通常以圖像中的眼睛部分為基準(zhǔn)點(diǎn)進(jìn)行歸一化處理。
具體的，利用如下公式進(jìn)行中心歸一化
f〃
產(chǎn)i
I Xy. = Xy. 一 Xi
L少^ —少〃 少/
y/ = i…w
(7)
'j=i
y/ = i…附
(8)
利用如下公式進(jìn)行尺度歸一化
<formula>formula see original document page 6</formula>
利用Procrust Analysis算法進(jìn)行方向歸一化，消除人臉的平面內(nèi)旋轉(zhuǎn)。 102c:對(duì)歸一化后的所有形狀向量進(jìn)行主分量分析，根據(jù)主分量分析結(jié)果構(gòu)建相應(yīng)姿態(tài) 的形狀模型；由所有姿態(tài)的形狀模型構(gòu)建二維人臉形狀模型。
對(duì)姿態(tài)向左的二維人臉數(shù)據(jù)的形狀向量進(jìn)行主分量分析，具體如下 1)計(jì)算二維人臉數(shù)據(jù)的形狀向量均值和協(xié)方差矩陣。
具體的，計(jì)算形狀向量均值利用如下公式^=1|;義，(9)
計(jì)算協(xié)方差矩陣?yán)萌缦鹿絚,丄f (x,—力(義,-(10)
2)根據(jù)主分量分析結(jié)果構(gòu)建相應(yīng)姿態(tài)的形狀模型，由所有姿態(tài)的形狀模型構(gòu)建二維人臉
形狀模型。具體如下根據(jù)形狀向量均值和協(xié)方差矩陣得到特征向量P，構(gòu)建姿態(tài)向左的二維人臉的形狀模型: X = J + _P6，其中，b為主分量分析(PCA， Principal component analysis)的形狀參數(shù)。
具體的，如圖2所示，以姿態(tài)向左的人臉圖像的形狀模型為例進(jìn)行說(shuō)明，通過(guò)設(shè)置不同 的形狀參數(shù)b可以得到不同的形狀模型，使形狀模型具有一定的變化范圍。
相應(yīng)的，如圖3所示為正面人臉的形狀模型。
對(duì)所有姿態(tài)的人臉圖像分別進(jìn)行形狀建模，得到所有姿態(tài)的形狀模型，形狀建模方法同 上，不再贅述。
進(jìn)一步的，可以將任意一個(gè)人臉形狀X表示為義-r。(X + i^)。其中a為幾何參數(shù)， 包括水平、垂直方向的平移向量X,， K，尺度向量S和角度向量P。 Ta表示形狀的幾何變化， 如下式-
<formula>formula see original document page 7</formula>
再一步的，由所有姿態(tài)的形狀模型綜合可得二維人臉形狀模型。例如，用Mi， i-l，2,3，4,5，
分別對(duì)應(yīng)向左，向右，向上和向下和正面五種姿態(tài)模型，i為姿態(tài)參數(shù)，對(duì)于每種姿態(tài)模型
Mj，其均值向量表示為&，主分量分析的特征向量為Pi，綜合得到的二維人臉形狀模型為
<formula>formula see original document page 7</formula>
103:對(duì)二維人臉圖像進(jìn)行局部紋理建模，得到二維人臉局部紋理模型。具體包括
'在本實(shí)施例中使用鑒別式學(xué)習(xí)方法，分析每個(gè)特征點(diǎn)周?chē)募y理和附近其它點(diǎn)周?chē)y理 的差異，用識(shí)別的方法來(lái)解決特征點(diǎn)的定位問(wèn)題，使用點(diǎn)對(duì)比較特征與隨機(jī)森林的特征選擇 方法相結(jié)合來(lái)進(jìn)行局部紋理的描述。
具體的，本發(fā)明實(shí)施例提出的定位特征是點(diǎn)對(duì)比較特征，即圖像中任意兩個(gè)象素點(diǎn)灰度
大小的比較。本實(shí)施例局部紋理建模是為每個(gè)特征點(diǎn)設(shè)計(jì)一個(gè)分類(lèi)器，整個(gè)人臉共需設(shè)計(jì)88 個(gè)分類(lèi)器。以左眼角為例，選取預(yù)設(shè)范圍內(nèi)的任意選兩個(gè)點(diǎn)pl， p2進(jìn)行比較，具體的，預(yù)設(shè) 范圍可以是5x5的坐標(biāo)范圍，用I(p)表示像素點(diǎn)的灰度值，則分類(lèi)器結(jié)果的數(shù)學(xué)公式可表示
如下
<formula>formula see original document page 7</formula>
即當(dāng)T(pl^I(p2)時(shí)，弱分類(lèi)器的結(jié)果為l，否則弱分類(lèi)器結(jié)果為0。對(duì)于一個(gè)32x32大小的圖 像塊，任意選取兩個(gè)點(diǎn)有(^。24種組合，弱分類(lèi)器總數(shù)目約為520,000。
選取點(diǎn)對(duì)比較特征僅僅需要在原始灰度圖像上任取兩點(diǎn)比較灰度值的大小，不需要進(jìn)行各種變換以及乘、除、開(kāi)方等運(yùn)算，因此這種特征具有穩(wěn)定，計(jì)算快速的特點(diǎn)。其次，點(diǎn)對(duì) 比較特征選取點(diǎn)的幾何位置更加明確，在特征點(diǎn)的定位方面，比現(xiàn)有技術(shù)中Gabor特征、梯 度特征或者Haar特征等有更好的表現(xiàn)。
但由于點(diǎn)對(duì)比特征數(shù)目很多，因此必須結(jié)合好的特征選擇方法，本實(shí)施例使用的是隨機(jī) 森林方法，其基本思想是將很多弱分類(lèi)器集成為一個(gè)強(qiáng)分類(lèi)器。 一個(gè)隨機(jī)森林由N棵決策樹(shù) 構(gòu)成，每顆決策樹(shù)(如決策樹(shù)丁112...預(yù))是一個(gè)決策樹(shù)分類(lèi)器，決策樹(shù)的每個(gè)節(jié)點(diǎn)都是一 個(gè)弱分類(lèi)器，隨機(jī)森林的決策結(jié)果是所有決策樹(shù)分類(lèi)結(jié)果的平均。在訓(xùn)練過(guò)程中，隨機(jī)森林 中的每棵決策樹(shù)的不同之處在于訓(xùn)練樣本集合，分別是從總樣本集中隨機(jī)選取的一個(gè)子集； 而每棵決策樹(shù)的訓(xùn)練方法相同，決策樹(shù)在每個(gè)節(jié)點(diǎn)都選取當(dāng)前分類(lèi)效果最好的弱分類(lèi)器。在 分類(lèi)過(guò)程中，以一個(gè)C類(lèi)的分類(lèi)問(wèn)題為例，C類(lèi)即輸出C個(gè)置信度，每個(gè)置信度p(n,p)(f(p)=C) 表示了一個(gè)樣本p屬于第C類(lèi)的概率，樣本p通過(guò)每個(gè)決策樹(shù)分類(lèi)器Tn有C個(gè)輸出結(jié)果， 最后隨機(jī)森林的判決基于所有決策樹(shù)結(jié)果的平均，如下式所示。
FO)二argmaxAO)-argmax^: J|(/O) = c) (13)
c c TV =i...w
104:根據(jù)二維人臉形狀模型和局部紋理模型，對(duì)二維人臉圖像進(jìn)行精確定位。
具體的，對(duì)每個(gè)二維人臉圖像的形狀模型義=7;,(《+/^)進(jìn)行優(yōu)化，求出最優(yōu)的姿態(tài)模
型Mi，以及在該姿態(tài)模型下的最優(yōu)的兒何參數(shù)ai和形狀參數(shù)bi，從而得到該二維人臉圖像的 最優(yōu)的形狀模型，得到了最優(yōu)形狀模型，就實(shí)現(xiàn)了對(duì)二維人臉圖像的精確定位。具體方法如
下 ' '
根據(jù)傳統(tǒng)的參數(shù)優(yōu)化算法的目標(biāo)函數(shù)
(5,5) = min||y — 7;(X + i^)|| =min(7 —!T。(f+ 7^))r(7 —(14)
加入姿態(tài)參數(shù)i，對(duì)優(yōu)化算法進(jìn)行改進(jìn)，本實(shí)施例提出的優(yōu)化算法的目標(biāo)函數(shù)為
。'力'，' y=l
本實(shí)施例提出的優(yōu)化算法的目標(biāo)函數(shù)(15)有三點(diǎn)區(qū)別于傳統(tǒng)的目標(biāo)函數(shù)(14),首先，目標(biāo) 函數(shù)(15)將每個(gè)隨機(jī)森林分類(lèi)器輸出的結(jié)果即矩陣Wi加入到優(yōu)化目標(biāo)之中，即第i個(gè)姿態(tài) 模型M,隨機(jī)森林分類(lèi)器得到的結(jié)果。其次，加入形狀參數(shù)落在形狀主分量分析的模型參數(shù)空
間中較緊致的區(qū)域這一限制，加入限制項(xiàng)^>//^2來(lái)限制主分量分析的形狀參數(shù)^。最后，
戶i
對(duì)二維形狀模型進(jìn)行優(yōu)化，根據(jù)最優(yōu)的二維形狀模型Mi，對(duì)二維人臉圖像進(jìn)行精確定位。通 過(guò)優(yōu)化目標(biāo)函數(shù)，可使優(yōu)化的模型參數(shù)更加接近期望值。進(jìn)一步的，本實(shí)施例提出的模型參數(shù)的優(yōu)化算法的執(zhí)行步驟如下
1) 對(duì)所有的姿態(tài)模型Mi， iE{ 1,2,3,4,5}，進(jìn)行初始化，通過(guò)人臉圖像中的眼睛部分對(duì) 不同姿態(tài)的二維人臉圖形進(jìn)行定位，并求出相應(yīng)的幾何參數(shù)a,和形狀參數(shù)bi。
2) 對(duì)選取的特征進(jìn)行優(yōu)化，選取形狀模型中原特征點(diǎn)預(yù)設(shè)范圍內(nèi)的隨機(jī)森林分類(lèi)器輸出
概率最大的點(diǎn)作為新的特征點(diǎn)。具體的，預(yù)設(shè)范圍可以選取5x5的坐標(biāo)范圍。
3) 優(yōu)化姿態(tài)的幾何參數(shù)<formula>formula see original document page 9</formula> (16)
4) 優(yōu)化形狀參數(shù)<formula>formula see original document page 9</formula>5) 如果<formula>formula see original document page 9</formula>,則停止優(yōu)化運(yùn)算；否則，令a, 返回步驟2)。
6) 比較每種姿態(tài)模型的最優(yōu)特征點(diǎn)定位結(jié)果，選取使式(15)最小化的結(jié)果作為最優(yōu)結(jié) 果，得到最優(yōu)姿態(tài)i及對(duì)應(yīng)的ai和bi。
根據(jù)優(yōu)化的參數(shù)構(gòu)建最優(yōu)的人臉形狀模型，實(shí)SL對(duì)每個(gè)二維人臉圖像的精確定位。 本發(fā)明實(shí)施例通過(guò)利用預(yù)設(shè)的數(shù)據(jù)庫(kù)建立二維人臉形狀模型和二維人臉局部紋理模型，
實(shí)現(xiàn)了對(duì)二維人臉圖像進(jìn)行精確定位，在局部紋理建模時(shí)使用點(diǎn)對(duì)比特征和特征選擇相結(jié)合
的方法，提高了計(jì)算速度和特征點(diǎn)的定位效果。
以上所述的實(shí)施例，只是本發(fā)明較優(yōu)選的具體實(shí)施方式
的一種，本領(lǐng)域的技術(shù)人員在本 發(fā)明技術(shù)方案范圍內(nèi)進(jìn)行的通常變化和替換都應(yīng)包含在本發(fā)明的保護(hù)范圍內(nèi)。
權(quán)利要求
1、一種二維人臉圖像定位的方法，其特征在于，包括獲取預(yù)設(shè)的數(shù)據(jù)庫(kù)中的二維人臉圖像；利用所述數(shù)據(jù)庫(kù)中的二維人臉圖像，構(gòu)建二維人臉形狀模型；利用所述數(shù)據(jù)庫(kù)中的二維人臉圖像，構(gòu)建二維人臉局部紋理模型；根據(jù)所述二維人臉形狀模型和二維人臉局部紋理模型，對(duì)所述二維人臉圖像進(jìn)行定位。
2、 如權(quán)利要求1所述的二維人臉圖像定位的方法，其特征在于，所述利用所述數(shù)據(jù)庫(kù)中 的二維人臉圖像，構(gòu)建二維人臉形狀模型，包括對(duì)所述數(shù)據(jù)庫(kù)屮的二維人臉圖像進(jìn)行多子空間的形狀建模，得到二維人臉形狀模型。
3、 如權(quán)利要求l所述的二維人臉圖像定位的方法，其特征在于，利用所述數(shù)據(jù)庫(kù)中的二 維人臉圖像，構(gòu)建二維人臉形狀模型，包括對(duì)所述數(shù)據(jù)庫(kù)中的二維人臉圖像進(jìn)行局部紋理建模，得到二維人臉局部紋理模型。
4、 如權(quán)利要求2所述的二維人臉圖像定位的方法，其特征在于，所述對(duì)所述數(shù)據(jù)庫(kù)中的 二維人臉圖像進(jìn)行多子空間的形狀建模，得^二維人臉形狀模型，包括對(duì)所述數(shù)據(jù)庫(kù)中的二維人臉圖像按照姿態(tài)進(jìn)行劃分； 對(duì)每種姿態(tài)的人臉圖像進(jìn)行特征點(diǎn)的標(biāo)定，獲取所述特征點(diǎn)的坐標(biāo)值； 利用所述特征點(diǎn)的坐標(biāo)值構(gòu)建相應(yīng)姿態(tài)下的二維人臉圖像的形狀向量； 對(duì)所述形狀向量進(jìn)行歸一化的處理，得到經(jīng)歸一化處理的形狀向量；對(duì)所述經(jīng)歸一化處理的形狀向量進(jìn)行主分量分析，根據(jù)主分量分析結(jié)果構(gòu)建相應(yīng)姿態(tài)的 形狀模型；由所有姿態(tài)的所述形狀模型構(gòu)建二維人臉形狀模型。
5、 如權(quán)利要求3所述的二維人臉圖像定位的方法，其特征在于，所述對(duì)所述數(shù)據(jù)庫(kù)中的 二維人臉圖像進(jìn)行進(jìn)行局部紋理建模，得到二維人臉局部紋理模型，包括獲取所述二維人臉圖像上的特征點(diǎn)坐標(biāo)值；對(duì)所述二維人臉圖像特征點(diǎn)的預(yù)設(shè)范圍內(nèi)的兩個(gè)像素點(diǎn)灰度大小進(jìn)行比較，得到點(diǎn)對(duì)比特征；使用特征選擇方法對(duì)所述點(diǎn)對(duì)比特征進(jìn)行選擇處理，得到選擇處理結(jié)果； 根據(jù)所述選擇處理結(jié)果構(gòu)建二維人臉局部紋理模型。
6、 如權(quán)利要求5所述的二維人臉屈像定位的方法，其特征在于，所述使用特征選擇方法 對(duì)所述點(diǎn)對(duì)比特征進(jìn)行選擇處理，得到選擇處理結(jié)果，包括使用隨機(jī)森林特征選擇法對(duì)所述點(diǎn)對(duì)比特征進(jìn)行選擇處理，得到選擇處理結(jié)果。
7、 如權(quán)利要求1所述的二維人臉圖像定位的方法，其特征在于，所述根據(jù)所述二維人臉 形狀模型和二維人臉局部紋理模型，對(duì)所述二維人臉圖像進(jìn)行定位，包括根據(jù)預(yù)設(shè)算法對(duì)所述待識(shí)別的二維人臉圖像的形狀模型進(jìn)行優(yōu)化處理，得到最優(yōu)的姿態(tài) 參數(shù)、幾何參數(shù)和形狀參數(shù)；利用所述最優(yōu)的姿態(tài)參數(shù)、幾何參數(shù)和形狀參數(shù)，構(gòu)建所述待識(shí)別的二維人臉圖像的最 優(yōu)形狀模型；利用所述最優(yōu)形狀模型和所述二維人臉局部紋理模型，對(duì)所述待識(shí)別的二維人臉圖像進(jìn) 行精確定位。
全文摘要
本發(fā)明實(shí)施例公開(kāi)了一種二維人臉圖像定位的方法，屬于計(jì)算機(jī)視覺(jué)和模式識(shí)別領(lǐng)域。所述方法包括獲取預(yù)設(shè)的數(shù)據(jù)庫(kù)中的二維人臉圖像；利用所述數(shù)據(jù)庫(kù)中的二維人臉圖像，構(gòu)建二維人臉形狀模型；利用所述數(shù)據(jù)庫(kù)中的二維人臉圖像，構(gòu)建二維人臉局部紋理模型；根據(jù)所述二維人臉形狀模型和二維人臉局部紋理模型，對(duì)所述二維人臉圖像進(jìn)行定位。本發(fā)明實(shí)施例通過(guò)利用預(yù)設(shè)的數(shù)據(jù)庫(kù)建立二維人臉形狀模型和二維人臉局部紋理模型，實(shí)現(xiàn)了對(duì)二維人臉圖像進(jìn)行精確定位，在局部紋理建模時(shí)使用點(diǎn)對(duì)比特征和特征選擇相結(jié)合的方法，提高了計(jì)算速度和特征點(diǎn)的定位效果。
文檔編號(hào)G06K9/62GK101561875SQ20091014332
公開(kāi)日2009年10月21日 申請(qǐng)日期2008年7月17日 優(yōu)先權(quán)日2008年7月17日
發(fā)明者镠 丁, 丁曉青, 劉長(zhǎng)松, 馳 方, 王麗婷 申請(qǐng)人:清華大學(xué)