本發(fā)明涉及人臉對(duì)齊處理領(lǐng)域，尤其涉及訓(xùn)練模型生成方法、人臉對(duì)齊處理方法、訓(xùn)練模型生成裝置及人臉對(duì)齊處理裝置。

背景技術(shù)：

人臉對(duì)齊技術(shù)主要是在含有人臉的圖像區(qū)域中準(zhǔn)確定位人臉面部的關(guān)鍵點(diǎn)，包括人臉輪廓、眼睛、嘴巴、鼻子、眉毛部分。

人臉對(duì)齊技術(shù)是人臉識(shí)別、自動(dòng)美顏、面部情感分類(lèi)、頭部姿態(tài)識(shí)別等技術(shù)的基礎(chǔ)?，F(xiàn)有技術(shù)中有不少人臉對(duì)齊的實(shí)現(xiàn)方法，例如在《Supervised Descent Method and its Applications to Face Alignment》提出的人臉對(duì)齊方法，該方法使用有監(jiān)督的學(xué)習(xí)方式去尋找回歸函數(shù)全局最優(yōu)的回歸矩陣。

然而，根據(jù)當(dāng)前人臉對(duì)齊的實(shí)現(xiàn)方法，為了保證人臉定位的精度，訓(xùn)練出來(lái)的定位模型的大小往往較大，例如幾十兆，甚至上百兆，并不能輕量的集成進(jìn)現(xiàn)有的app程序中。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例所要解決的技術(shù)問(wèn)題在于，提供一種訓(xùn)練模型生成方法、人臉對(duì)齊處理方法、訓(xùn)練模型生成裝置及人臉對(duì)齊處理裝置，解決現(xiàn)有技術(shù)中訓(xùn)練出來(lái)的定位模型的大小往往較大，不利于集成到現(xiàn)有的app程序中的技術(shù)問(wèn)題。

為了解決上述技術(shù)問(wèn)題，本發(fā)明實(shí)施例第一方面公開(kāi)了一種訓(xùn)練模型生成方法，包括：

獲取含有人臉特征點(diǎn)標(biāo)注的訓(xùn)練樣本；

基于當(dāng)前點(diǎn)位置信息從所述訓(xùn)練樣本中提取方向梯度直方圖HOG特征，生成特征矩陣；其中，初始的當(dāng)前點(diǎn)位置信息為預(yù)設(shè)的初始人臉形狀中人臉特征點(diǎn)的位置信息；

根據(jù)所述人臉特征點(diǎn)標(biāo)注的坐標(biāo)與所述當(dāng)前點(diǎn)位置信息的坐標(biāo)的差值，以及所述特征矩陣，通過(guò)稀疏化回歸計(jì)算得出更新的當(dāng)前點(diǎn)位置信息；

根據(jù)所述更新的當(dāng)前點(diǎn)位置信息，迭代執(zhí)行所述基于當(dāng)前點(diǎn)位置信息從所述當(dāng)前訓(xùn)練樣本中提取方向梯度直方圖(Histogram of Oriented Gradient，HOG)特征至所述通過(guò)稀疏化回歸計(jì)算得出更新的當(dāng)前點(diǎn)位置信息的步驟M次；所述M為正整數(shù)；

保存每次迭代得到而組成的當(dāng)前點(diǎn)位置信息的回歸矩陣，以生成用于人臉對(duì)齊處理的訓(xùn)練模型。

結(jié)合第一方面，在第一種可能的實(shí)現(xiàn)方式中，所述基于當(dāng)前點(diǎn)位置信息從所述訓(xùn)練樣本中提取方向梯度直方圖HOG特征，生成特征矩陣之前，還包括：

設(shè)置平均shape作為所述初始人臉形狀。

結(jié)合第一方面、或者第一方面的第一種可能的實(shí)現(xiàn)方式，在第二種可能的實(shí)現(xiàn)方式中，所述通過(guò)稀疏化回歸計(jì)算得出更新的當(dāng)前點(diǎn)位置信息，包括：

通過(guò)稀疏化回歸求解Ax＝b中的x；其中A為所述特征矩陣，所述b為所述人臉特征點(diǎn)標(biāo)注的坐標(biāo)與所述當(dāng)前點(diǎn)位置信息的坐標(biāo)的差值；

將所述x重新乘以所述A，得到b’，將所述b’作為更新的當(dāng)前點(diǎn)位置信息的坐標(biāo)；

所述保存每次迭代得到而組成的當(dāng)前點(diǎn)位置信息的回歸矩陣，包括：保存每次迭代得到而組成的稀疏回歸矩陣x。

本發(fā)明實(shí)施例第二方面公開(kāi)了一種人臉對(duì)齊處理方法，包括：

讀取用于人臉對(duì)齊處理的訓(xùn)練模型；其中所述訓(xùn)練模型為通過(guò)權(quán)利要求1-3任一項(xiàng)所述的訓(xùn)練模型生成方法生成的訓(xùn)練模型；

基于當(dāng)前點(diǎn)位置信息從目標(biāo)圖像中提取HOG特征，生成特征矩陣；其中，初始的當(dāng)前點(diǎn)位置信息為預(yù)設(shè)的初始人臉形狀中人臉特征點(diǎn)的位置信息；

根據(jù)所述特征矩陣和所述訓(xùn)練模型中回歸矩陣，計(jì)算人臉特征形狀偏移值；

根據(jù)所述偏移值更新所述當(dāng)前點(diǎn)位置信息；

根據(jù)更新后的當(dāng)前點(diǎn)位置信息，迭代執(zhí)行所述基于當(dāng)前點(diǎn)位置信息從目標(biāo)圖像中提取HOG特征至所述根據(jù)所述偏移值更新所述當(dāng)前點(diǎn)位置信息的步驟M次，得到最終更新的當(dāng)前點(diǎn)位置信息；所述M為正整數(shù)。

結(jié)合第二方面，在第一種可能的實(shí)現(xiàn)方式中，所述訓(xùn)練模型中的回歸矩陣包括所述M層的稀疏回歸矩陣x；所述根據(jù)所述特征矩陣和所述訓(xùn)練模型中回歸矩陣，計(jì)算人臉特征形狀偏移值，包括：

進(jìn)行第K次迭代時(shí)，根據(jù)第K次生成的特征矩陣和所述訓(xùn)練模型中的第K層的稀疏回歸矩陣x來(lái)計(jì)算人臉特征形狀偏移值；所述K為大于0，小于等于M的自然數(shù)。

本發(fā)明實(shí)施例第三方面公開(kāi)了一種訓(xùn)練模型生成裝置，包括：

獲取模塊，用于獲取含有人臉特征點(diǎn)標(biāo)注的訓(xùn)練樣本；

矩陣生成模塊，用于基于當(dāng)前點(diǎn)位置信息從所述訓(xùn)練樣本中提取方向梯度直方圖HOG特征，生成特征矩陣；其中，初始的當(dāng)前點(diǎn)位置信息為預(yù)設(shè)的初始人臉形狀中人臉特征點(diǎn)的位置信息；

計(jì)算模塊，用于根據(jù)所述人臉特征點(diǎn)標(biāo)注的坐標(biāo)與所述當(dāng)前點(diǎn)位置信息的坐標(biāo)的差值，以及所述特征矩陣，通過(guò)稀疏化回歸計(jì)算得出更新的當(dāng)前點(diǎn)位置信息；

迭代模塊，用于根據(jù)所述更新的當(dāng)前點(diǎn)位置信息，迭代執(zhí)行所述基于當(dāng)前點(diǎn)位置信息從所述當(dāng)前訓(xùn)練樣本中提取方向梯度直方圖HOG特征至所述通過(guò)稀疏化回歸計(jì)算得出更新的當(dāng)前點(diǎn)位置信息的步驟M次；所述M為正整數(shù)；

保存模塊，用于保存每次迭代得到而組成的當(dāng)前點(diǎn)位置信息的回歸矩陣，以生成用于人臉對(duì)齊處理的訓(xùn)練模型。

結(jié)合第三方面，在第一種可能的實(shí)現(xiàn)方式中，還包括：

設(shè)置模塊，用于在所述矩陣生成模塊基于當(dāng)前點(diǎn)位置信息從所述訓(xùn)練樣本中提取方向梯度直方圖HOG特征，生成特征矩陣之前，設(shè)置平均shape作為所述初始人臉形狀。

結(jié)合第三方面，或者第二方面的第一種可能的實(shí)現(xiàn)方式，在第二種可能的實(shí)現(xiàn)方式中，所述計(jì)算模塊包括：

稀疏化求解單元，用于通過(guò)稀疏化回歸求解Ax＝b中的x；其中A為所述特征矩陣，所述b為所述人臉特征點(diǎn)標(biāo)注的坐標(biāo)與所述當(dāng)前點(diǎn)位置信息的坐標(biāo)的差值；

更新單元，用于將所述x重新乘以所述A，得到b’，將所述b’作為更新的當(dāng)前點(diǎn)位置信息的坐標(biāo)；

所述保存模塊具體用于，保存每次迭代得到而組成的稀疏回歸矩陣x。

本發(fā)明實(shí)施例第四方面公開(kāi)了一種人臉對(duì)齊處理裝置，包括：

讀取模塊，用于讀取用于人臉對(duì)齊處理的訓(xùn)練模型；其中所述訓(xùn)練模型為通過(guò)上述訓(xùn)練模型生成方法生成的訓(xùn)練模型；

提取生成模塊，用于基于當(dāng)前點(diǎn)位置信息從目標(biāo)圖像中提取HOG特征，生成特征矩陣；其中，初始的當(dāng)前點(diǎn)位置信息為預(yù)設(shè)的初始人臉形狀中人臉特征點(diǎn)的位置信息；

偏移值計(jì)算模塊，用于根據(jù)所述特征矩陣和所述訓(xùn)練模型中回歸矩陣，計(jì)算人臉特征形狀偏移值；

信息更新模塊，用于根據(jù)所述偏移值更新所述當(dāng)前點(diǎn)位置信息；

迭代更新模塊，用于根據(jù)更新后的當(dāng)前點(diǎn)位置信息，迭代執(zhí)行所述基于當(dāng)前點(diǎn)位置信息從目標(biāo)圖像中提取HOG特征至所述根據(jù)所述偏移值更新所述當(dāng)前點(diǎn)位置信息的步驟M次，得到最終更新的當(dāng)前點(diǎn)位置信息；所述M為正整數(shù)。

結(jié)合第四方面，在第一種可能的實(shí)現(xiàn)方式中，所述訓(xùn)練模型中的回歸矩陣包括所述M層的稀疏回歸矩陣x；所述偏移值計(jì)算模塊具體用于，進(jìn)行第K次迭代時(shí)，根據(jù)第K次生成的特征矩陣和所述訓(xùn)練模型中的第K層的稀疏回歸矩陣x來(lái)計(jì)算人臉特征形狀偏移值；所述K為大于0，小于等于M的自然數(shù)。

本發(fā)明實(shí)施例第五方面公開(kāi)了一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)存儲(chǔ)介質(zhì)存儲(chǔ)有程序，所述程序執(zhí)行時(shí)包括本發(fā)明實(shí)施例第一方面，或者第一方面的第一種可能的實(shí)現(xiàn)方式，或者第一方面的第二種可能的實(shí)現(xiàn)方式中訓(xùn)練模型生成方法的全部步驟。

本發(fā)明實(shí)施例第六方面公開(kāi)了一種計(jì)算機(jī)存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)存儲(chǔ)介質(zhì)存儲(chǔ)有程序，所述程序執(zhí)行時(shí)包括本發(fā)明實(shí)施例第二方面，或者第二方面的第一種可能的實(shí)現(xiàn)方式中的人臉對(duì)齊處理方法的全部步驟。

實(shí)施本發(fā)明實(shí)施例，通過(guò)獲取含有人臉特征點(diǎn)標(biāo)注的訓(xùn)練樣本；基于當(dāng)前點(diǎn)位置信息從訓(xùn)練樣本中提取方向梯度直方圖HOG特征，生成特征矩陣；其中，初始的當(dāng)前點(diǎn)位置信息為預(yù)設(shè)的初始人臉形狀中人臉特征點(diǎn)的位置信息；根據(jù)人臉特征點(diǎn)標(biāo)注的坐標(biāo)與當(dāng)前點(diǎn)位置信息的坐標(biāo)的差值，以及特征矩陣，通過(guò)稀疏化回歸計(jì)算得出更新的當(dāng)前點(diǎn)位置信息；根據(jù)更新的當(dāng)前點(diǎn)位置信息，迭代執(zhí)行基于當(dāng)前點(diǎn)位置信息從當(dāng)前訓(xùn)練樣本中提取方向梯度直方圖HOG特征至通過(guò)稀疏化回歸計(jì)算得出更新的當(dāng)前點(diǎn)位置信息的步驟M次；保存每次迭代得到而組成的當(dāng)前點(diǎn)位置信息的回歸矩陣，以生成用于人臉對(duì)齊處理的訓(xùn)練模型。實(shí)現(xiàn)了一種壓縮特征點(diǎn)定位模型的稀疏矩陣回歸訓(xùn)練方式，能夠很大程序地減少人臉對(duì)齊的訓(xùn)練模型，同時(shí)保持了人臉定位的精度，從而解決了現(xiàn)有技術(shù)中訓(xùn)練出來(lái)的定位模型的大小往往較大，不利于集成到現(xiàn)有的app程序中的技術(shù)問(wèn)題，可以將訓(xùn)練模型輕量地集成進(jìn)移動(dòng)app產(chǎn)品中。

附圖說(shuō)明

為了更清楚地說(shuō)明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見(jiàn)地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1是本發(fā)明實(shí)施例提供的訓(xùn)練模型生成方法的流程示意圖；

圖2是本發(fā)明提供的訓(xùn)練模型生成方法的另一實(shí)施例的流程示意圖；

圖3是本發(fā)明實(shí)施例提供的人臉對(duì)齊處理方法的流程示意圖；

圖4是本發(fā)明實(shí)施例提供的訓(xùn)練模型生成裝置的結(jié)構(gòu)示意圖；

圖5是本發(fā)明提供的訓(xùn)練模型生成裝置的另一實(shí)施例的結(jié)構(gòu)示意圖；

圖6是本發(fā)明實(shí)施例提供的計(jì)算模塊的結(jié)構(gòu)示意圖；

圖7是本發(fā)明提供的訓(xùn)練模型生成裝置的另一實(shí)施例的結(jié)構(gòu)示意圖；

圖8是本發(fā)明實(shí)施例提供的人臉對(duì)齊處理裝置的結(jié)構(gòu)示意圖；

圖9本發(fā)明提供的人臉對(duì)齊處理裝置的另一實(shí)施例的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

本發(fā)明各個(gè)實(shí)施例的訓(xùn)練模型生成方法都可以基于個(gè)人計(jì)算機(jī)來(lái)實(shí)現(xiàn)，即技術(shù)人員通過(guò)操作個(gè)人計(jì)算機(jī)，編寫(xiě)訓(xùn)練模型的生成運(yùn)行代碼，即可生成訓(xùn)練模型，并最終集成到所需的移動(dòng)app產(chǎn)品中。

本發(fā)明各個(gè)實(shí)施例的人臉對(duì)齊處理方法可以基于個(gè)人計(jì)算機(jī)、個(gè)人數(shù)字助理(Personal Digital Assis tant,PDA)、媒體播放器、智能移動(dòng)設(shè)備(包括移動(dòng)電話、移動(dòng)電腦、平板電腦、智能電視、智能手表、智能眼鏡和智能手環(huán)等)等設(shè)備來(lái)實(shí)現(xiàn)。也就是說(shuō)，集成有本發(fā)明實(shí)施例生成的訓(xùn)練模型的移動(dòng)app產(chǎn)品可以運(yùn)行在上述設(shè)備中。

下面我們以圖1示出的本發(fā)明實(shí)施例提供的訓(xùn)練模型生成方法的流程示意圖，來(lái)詳細(xì)說(shuō)明本發(fā)明實(shí)施例提供的訓(xùn)練模型生成方法，包括如下步驟：

步驟S100：獲取含有人臉特征點(diǎn)標(biāo)注的訓(xùn)練樣本；

具體地，可以搜集含有K個(gè)人臉特征點(diǎn)標(biāo)注的訓(xùn)練樣本，該K個(gè)人臉特征點(diǎn)可以為68個(gè)人臉特征點(diǎn)，或者72個(gè)人臉特征點(diǎn)等等，本發(fā)明實(shí)施例不作限制。搜集的訓(xùn)練樣本可以有上千個(gè)，例如2000多個(gè)訓(xùn)練樣本，本發(fā)明實(shí)施例中的訓(xùn)練樣本都標(biāo)注有人臉特征點(diǎn)的位置信息，例如人臉特征點(diǎn)的坐標(biāo)等。

步驟S102：基于當(dāng)前點(diǎn)位置信息從所述訓(xùn)練樣本中提取方向梯度直方圖HOG特征，生成特征矩陣；

具體地，本發(fā)明實(shí)施例中初始的當(dāng)前點(diǎn)位置信息可以為預(yù)設(shè)的初始人臉形狀中人臉特征點(diǎn)的位置信息；該初始人臉形狀可以為平均shape，也就是說(shuō)，步驟S102之前，還可以包括設(shè)置平均shape作為所述初始人臉形狀的步驟。

以訓(xùn)練樣本為68個(gè)人臉特征點(diǎn)為例，那么提取HOG特征生成的特征矩陣即可以為68個(gè)向量組成的特征矩陣。

步驟S104：根據(jù)所述人臉特征點(diǎn)標(biāo)注的坐標(biāo)與所述當(dāng)前點(diǎn)位置信息的坐標(biāo)的差值，以及所述特征矩陣，通過(guò)稀疏化回歸計(jì)算得出更新的當(dāng)前點(diǎn)位置信息；

具體地，本發(fā)明實(shí)施例通過(guò)稀疏化回歸的方式進(jìn)行計(jì)算，可以實(shí)現(xiàn)對(duì)特征點(diǎn)定位模型進(jìn)行壓縮，從而能夠很大程序地減少人臉對(duì)齊的訓(xùn)練模型，同時(shí)保持了人臉定位的精度。

步驟S106：根據(jù)所述更新的當(dāng)前點(diǎn)位置信息，迭代執(zhí)行所述基于當(dāng)前點(diǎn)位置信息從所述當(dāng)前訓(xùn)練樣本中提取方向梯度直方圖HOG特征至所述通過(guò)稀疏化回歸計(jì)算得出更新的當(dāng)前點(diǎn)位置信息的步驟M次；

具體地，以步驟S104中計(jì)算出的當(dāng)前點(diǎn)位置信息重新執(zhí)行步驟S102至步驟S104，也就是說(shuō)完成M次迭代，本發(fā)明實(shí)施例中的M為正整數(shù)。M的值可以根據(jù)用戶自身的需求或者根據(jù)經(jīng)驗(yàn)值來(lái)設(shè)置，本發(fā)明不做限制。

步驟S108：保存每次迭代得到而組成的當(dāng)前點(diǎn)位置信息的回歸矩陣，以生成用于人臉對(duì)齊處理的訓(xùn)練模型。

具體地，第一次執(zhí)行步驟S104以及后續(xù)迭代過(guò)程中每次執(zhí)行步驟S104，都可以得到一個(gè)當(dāng)前點(diǎn)位置信息，那么保存所有得到的當(dāng)前點(diǎn)位置信息形成回歸矩陣，從而生成了后續(xù)用于人臉對(duì)齊處理的訓(xùn)練模型。

實(shí)施本發(fā)明實(shí)施例，實(shí)現(xiàn)了一種壓縮特征點(diǎn)定位模型的稀疏矩陣回歸訓(xùn)練方式，能夠很大程序地減少人臉對(duì)齊的訓(xùn)練模型，同時(shí)保持了人臉定位的精度，從而解決了現(xiàn)有技術(shù)中訓(xùn)練出來(lái)的定位模型的大小往往較大，不利于集成到現(xiàn)有的app程序中的技術(shù)問(wèn)題，可以將訓(xùn)練模型輕量地集成進(jìn)移動(dòng)app產(chǎn)品中。

進(jìn)一步地，如圖2示出的本發(fā)明提供的訓(xùn)練模型生成方法的另一實(shí)施例的流程示意圖，再舉例來(lái)詳細(xì)說(shuō)明本發(fā)明實(shí)施例提供的訓(xùn)練模型生成方法，包括如下步驟：

步驟S200：獲取含有人臉特征點(diǎn)標(biāo)注的訓(xùn)練樣本；

步驟S202：設(shè)置平均shape作為所述初始人臉形狀；

步驟S204：基于當(dāng)前點(diǎn)位置信息從所述訓(xùn)練樣本中提取方向梯度直方圖HOG特征，生成特征矩陣；

具體地，步驟S200至步驟S204可以參考上述圖1實(shí)施例中的步驟S100至步驟S102，這里不再贅述。

步驟S206：通過(guò)稀疏化回歸求解Ax＝b中的x；

具體地，該A為所述特征矩陣，該b為該人臉特征點(diǎn)標(biāo)注的坐標(biāo)與該當(dāng)前點(diǎn)位置信息的坐標(biāo)的差值；將該x設(shè)置作為更新的當(dāng)前點(diǎn)位置信息的坐標(biāo)。

步驟S208：將所述x重新乘以所述A，得到b’，將所述b’作為更新的當(dāng)前點(diǎn)位置信息的坐標(biāo)；

具體地，利用了稀疏化回歸求解的原理，將該x重新乘以該A，得到的值b’接近于該b，但不等同于b；將該b’作為新的當(dāng)前位置信息進(jìn)行迭代處理。

步驟S210：根據(jù)所述更新的當(dāng)前點(diǎn)位置信息，迭代執(zhí)行所述基于當(dāng)前點(diǎn)位置信息從所述當(dāng)前訓(xùn)練樣本中提取方向梯度直方圖HOG特征至所述將該x設(shè)置作為更新的當(dāng)前點(diǎn)位置信息的坐標(biāo)的步驟M次；

具體地，以步驟S208中計(jì)算出的當(dāng)前點(diǎn)位置信息重新執(zhí)行步驟S204至步驟S208，也就是說(shuō)完成M次迭代，本發(fā)明實(shí)施例中的M為正整數(shù)。M的值可以根據(jù)用戶自身的需求或者根據(jù)經(jīng)驗(yàn)值來(lái)設(shè)置，本發(fā)明不做限制。

步驟S212：保存每次迭代得到而組成的稀疏回歸矩陣x，以生成用于人臉對(duì)齊處理的訓(xùn)練模型。

為了便于更好地實(shí)施本發(fā)明實(shí)施例的上述方案，本發(fā)明還對(duì)應(yīng)提供了一種人臉對(duì)齊處理方法，下面結(jié)合圖3示出的本發(fā)明實(shí)施例提供的人臉對(duì)齊處理方法的流程示意圖，詳細(xì)說(shuō)明本發(fā)明如何進(jìn)行人臉對(duì)齊處理，包括如下步驟：

步驟S300：讀取用于人臉對(duì)齊處理的訓(xùn)練模型；

具體地，本發(fā)明實(shí)施例讀取的該訓(xùn)練模型為通過(guò)上述圖1至圖2實(shí)施例的訓(xùn)練模型生成方法生成的訓(xùn)練模型；這里不再贅述。

步驟S302：基于當(dāng)前點(diǎn)位置信息從目標(biāo)圖像中提取HOG特征，生成特征矩陣；

具體地，本發(fā)明實(shí)施例中初始的當(dāng)前點(diǎn)位置信息可以為預(yù)設(shè)的初始人臉形狀中人臉特征點(diǎn)的位置信息；該初始人臉形狀可以為平均shape，也就是說(shuō)，步驟S302之前，還可以包括設(shè)置平均shape作為所述初始人臉形狀的步驟。

以訓(xùn)練樣本為68個(gè)人臉特征點(diǎn)為例，那么提取HOG特征生成的特征矩陣即可以為68個(gè)向量組成的特征矩陣。

步驟S304：根據(jù)所述特征矩陣和所述訓(xùn)練模型中回歸矩陣，計(jì)算人臉特征形狀偏移值；

具體地，該訓(xùn)練模型中的回歸矩陣可以包括M層的稀疏回歸矩陣x；該M為正整數(shù)。那么在進(jìn)行第K次迭代時(shí)，根據(jù)第K次生成的特征矩陣和所述訓(xùn)練模型中的第K層的稀疏回歸矩陣x來(lái)計(jì)算人臉特征形狀偏移值；該K為大于0，小于等于M的自然數(shù)?？衫斫獾氖?，當(dāng)K為1時(shí)，即進(jìn)行第一次的人臉特征形狀偏移值的計(jì)算。

步驟S306：根據(jù)所述偏移值更新所述當(dāng)前點(diǎn)位置信息；

具體地，根據(jù)偏移值的大小修正當(dāng)前點(diǎn)位置信息的坐標(biāo)，從而得到更新的當(dāng)前點(diǎn)位置信息，用于后續(xù)進(jìn)行迭代處理。

步驟S308：根據(jù)更新后的當(dāng)前點(diǎn)位置信息，迭代執(zhí)行所述基于當(dāng)前點(diǎn)位置信息從目標(biāo)圖像中提取HOG特征至所述根據(jù)所述偏移值更新所述當(dāng)前點(diǎn)位置信息的步驟M次，得到最終更新的當(dāng)前點(diǎn)位置信息；

實(shí)施本發(fā)明實(shí)施例，通過(guò)獲取含有人臉特征點(diǎn)標(biāo)注的訓(xùn)練樣本；基于當(dāng)前點(diǎn)位置信息從訓(xùn)練樣本中提取方向梯度直方圖HOG特征，生成特征矩陣；其中，初始的當(dāng)前點(diǎn)位置信息為預(yù)設(shè)的初始人臉形狀中人臉特征點(diǎn)的位置信息；根據(jù)人臉特征點(diǎn)標(biāo)注的坐標(biāo)與當(dāng)前點(diǎn)位置信息的坐標(biāo)的差值，以及特征矩陣，通過(guò)稀疏化回歸計(jì)算得出更新的當(dāng)前點(diǎn)位置信息；根據(jù)更新的當(dāng)前點(diǎn)位置信息，迭代執(zhí)行基于當(dāng)前點(diǎn)位置信息從當(dāng)前訓(xùn)練樣本中提取方向梯度直方圖HOG特征至通過(guò)稀疏化回歸計(jì)算得出更新的當(dāng)前點(diǎn)位置信息的步驟M次；保存每次迭代得到而組成的當(dāng)前點(diǎn)位置信息的回歸矩陣，以生成用于人臉對(duì)齊處理的訓(xùn)練模型。實(shí)現(xiàn)了一種壓縮特征點(diǎn)定位模型的稀疏矩陣回歸訓(xùn)練方式，能夠很大程序地減少人臉對(duì)齊的訓(xùn)練模型，同時(shí)保持了人臉定位的精度，從而解決了現(xiàn)有技術(shù)中訓(xùn)練出來(lái)的定位模型的大小往往較大，不利于集成到現(xiàn)有的app程序中的技術(shù)問(wèn)題，可以將訓(xùn)練模型輕量地集成進(jìn)移動(dòng)app產(chǎn)品中。

為了便于更好地實(shí)施本發(fā)明實(shí)施例的上述方案，本發(fā)明還對(duì)應(yīng)提供了一種訓(xùn)練模型生成裝置，如圖4示出的本發(fā)明實(shí)施例提供的訓(xùn)練模型生成裝置的結(jié)構(gòu)示意圖，訓(xùn)練模型生成裝置40可以包括：獲取模塊400、矩陣生成模塊402、計(jì)算模塊404、迭代模塊406和保存模塊408，其中，

獲取模塊400用于獲取含有人臉特征點(diǎn)標(biāo)注的訓(xùn)練樣本；

矩陣生成模塊402用于基于當(dāng)前點(diǎn)位置信息從所述訓(xùn)練樣本中提取方向梯度直方圖HOG特征，生成特征矩陣；其中，初始的當(dāng)前點(diǎn)位置信息為預(yù)設(shè)的初始人臉形狀中人臉特征點(diǎn)的位置信息；

計(jì)算模塊404用于根據(jù)所述人臉特征點(diǎn)標(biāo)注的坐標(biāo)與所述當(dāng)前點(diǎn)位置信息的坐標(biāo)的差值，以及所述特征矩陣，通過(guò)稀疏化回歸計(jì)算得出更新的當(dāng)前點(diǎn)位置信息；

迭代模塊406用于根據(jù)所述更新的當(dāng)前點(diǎn)位置信息，迭代執(zhí)行所述基于當(dāng)前點(diǎn)位置信息從所述當(dāng)前訓(xùn)練樣本中提取方向梯度直方圖HOG特征至所述通過(guò)稀疏化回歸計(jì)算得出更新的當(dāng)前點(diǎn)位置信息的步驟M次；所述M為正整數(shù)；

保存模塊408用于保存每次迭代得到而組成的當(dāng)前點(diǎn)位置信息的回歸矩陣，以生成用于人臉對(duì)齊處理的訓(xùn)練模型。

具體地，如圖5示出的本發(fā)明提供的訓(xùn)練模型生成裝置的另一實(shí)施例的結(jié)構(gòu)示意圖，訓(xùn)練模型生成裝置40包括獲取模塊400、矩陣生成模塊402、計(jì)算模塊404、迭代模塊406和保存模塊408外，還可以包括：

設(shè)置模塊4010用于在矩陣生成模塊402基于當(dāng)前點(diǎn)位置信息從所述訓(xùn)練樣本中提取方向梯度直方圖HOG特征，生成特征矩陣之前，設(shè)置平均shape作為所述初始人臉形狀。

進(jìn)一步地，如圖6示出的本發(fā)明實(shí)施例提供的計(jì)算模塊的結(jié)構(gòu)示意圖，計(jì)算模塊404包括：稀疏化求解單元4040和更新單元4042，其中，

稀疏化求解單元4040用于通過(guò)稀疏化回歸求解Ax＝b中的x；其中A為所述特征矩陣，所述b為所述人臉特征點(diǎn)標(biāo)注的坐標(biāo)與所述當(dāng)前點(diǎn)位置信息的坐標(biāo)的差值；

更新單元4042用于將所述x重新乘以所述A，得到b’，將所述b’作為更新的當(dāng)前點(diǎn)位置信息的坐標(biāo)；

訓(xùn)練模型生成裝置40中的保存模塊408具體可以用于，保存每次迭代得到而組成的稀疏回歸矩陣x。

需要說(shuō)明的是，訓(xùn)練模型生成裝置40中各模塊的功能可對(duì)應(yīng)參考上述各方法實(shí)施例中圖1至圖2實(shí)施例的具體實(shí)現(xiàn)方式，這里不再贅述。

再進(jìn)一步地，請(qǐng)參閱圖7，圖7是本發(fā)明提供的訓(xùn)練模型生成裝置的另一實(shí)施例的結(jié)構(gòu)示意圖。其中，如圖7所示，訓(xùn)練模型生成裝置70可以包括：至少一個(gè)處理器701，例如CPU，至少一個(gè)網(wǎng)絡(luò)接口704，用戶接口703，存儲(chǔ)器705，至少一個(gè)通信總線702以及顯示屏706。其中，通信總線702用于實(shí)現(xiàn)這些組件之間的連接通信。其中，用戶接口703可以包括顯示屏、鍵盤(pán)或鼠標(biāo)等等。網(wǎng)絡(luò)接口704可選的可以包括標(biāo)準(zhǔn)的有線接口、無(wú)線接口(如WI-FI接口)。存儲(chǔ)器705可以是高速RAM存儲(chǔ)器，也可以是非不穩(wěn)定的存儲(chǔ)器(non-volatile memory)，例如至少一個(gè)磁盤(pán)存儲(chǔ)器，存儲(chǔ)器705包括本發(fā)明實(shí)施例中的flash。存儲(chǔ)器705可選的還可以是至少一個(gè)位于遠(yuǎn)離前述處理器701的存儲(chǔ)系統(tǒng)。如圖7所示，作為一種計(jì)算機(jī)存儲(chǔ)介質(zhì)的存儲(chǔ)器705中可以包括操作系統(tǒng)、網(wǎng)絡(luò)通信模塊、用戶接口模塊以及訓(xùn)練模型生成程序。

處理器701可以用于調(diào)用存儲(chǔ)器705中存儲(chǔ)的訓(xùn)練模型生成程序，并執(zhí)行以下操作：

可以通過(guò)網(wǎng)絡(luò)接口704等獲取含有人臉特征點(diǎn)標(biāo)注的訓(xùn)練樣本；

基于當(dāng)前點(diǎn)位置信息從所述訓(xùn)練樣本中提取方向梯度直方圖HOG特征，生成特征矩陣；其中，初始的當(dāng)前點(diǎn)位置信息為預(yù)設(shè)的初始人臉形狀中人臉特征點(diǎn)的位置信息；

根據(jù)所述人臉特征點(diǎn)標(biāo)注的坐標(biāo)與所述當(dāng)前點(diǎn)位置信息的坐標(biāo)的差值，以及所述特征矩陣，通過(guò)稀疏化回歸計(jì)算得出更新的當(dāng)前點(diǎn)位置信息；

根據(jù)所述更新的當(dāng)前點(diǎn)位置信息，迭代執(zhí)行所述基于當(dāng)前點(diǎn)位置信息從所述當(dāng)前訓(xùn)練樣本中提取方向梯度直方圖HOG特征至所述通過(guò)稀疏化回歸計(jì)算得出更新的當(dāng)前點(diǎn)位置信息的步驟M次；所述M為正整數(shù)；

通過(guò)存儲(chǔ)器705保存每次迭代得到而組成的當(dāng)前點(diǎn)位置信息的回歸矩陣，以生成用于人臉對(duì)齊處理的訓(xùn)練模型。

具體地，處理器701基于當(dāng)前點(diǎn)位置信息從所述訓(xùn)練樣本中提取方向梯度直方圖HOG特征，生成特征矩陣之前，還可以執(zhí)行：

設(shè)置平均shape作為所述初始人臉形狀。

具體地，處理器701通過(guò)稀疏化回歸計(jì)算得出更新的當(dāng)前點(diǎn)位置信息，包括：

通過(guò)稀疏化回歸求解Ax＝b中的x；其中A為所述特征矩陣，所述b為所述人臉特征點(diǎn)標(biāo)注的坐標(biāo)與所述當(dāng)前點(diǎn)位置信息的坐標(biāo)的差值；

將所述x重新乘以所述A，得到b’，將所述b’作為更新的當(dāng)前點(diǎn)位置信息的坐標(biāo)；

處理器701通過(guò)存儲(chǔ)器705保存每次迭代得到而組成的當(dāng)前點(diǎn)位置信息的回歸矩陣，包括：保存每次迭代得到而組成的稀疏回歸矩陣x。

實(shí)施本發(fā)明實(shí)施例，實(shí)現(xiàn)了一種壓縮特征點(diǎn)定位模型的稀疏矩陣回歸訓(xùn)練方式，能夠很大程序地減少人臉對(duì)齊的訓(xùn)練模型，同時(shí)保持了人臉定位的精度，從而解決了現(xiàn)有技術(shù)中訓(xùn)練出來(lái)的定位模型的大小往往較大，不利于集成到現(xiàn)有的app程序中的技術(shù)問(wèn)題，可以將訓(xùn)練模型輕量地集成進(jìn)移動(dòng)app產(chǎn)品中。

為了便于更好地實(shí)施本發(fā)明實(shí)施例的上述方案，本發(fā)明還對(duì)應(yīng)提供了一種人臉對(duì)齊處理裝置，如圖8示出的本發(fā)明實(shí)施例提供的人臉對(duì)齊處理裝置的結(jié)構(gòu)示意圖，人臉對(duì)齊處理裝置80可以包括：讀取模塊800、提取生成模塊802、偏移值計(jì)算模塊804、信息更新模塊806和迭代更新模塊808，其中，

讀取模塊800用于讀取用于人臉對(duì)齊處理的訓(xùn)練模型；其中所述訓(xùn)練模型為通過(guò)上述訓(xùn)練模型生成方法實(shí)施例生成的訓(xùn)練模型；

提取生成模塊802用于基于當(dāng)前點(diǎn)位置信息從目標(biāo)圖像中提取HOG特征，生成特征矩陣；其中，初始的當(dāng)前點(diǎn)位置信息為預(yù)設(shè)的初始人臉形狀中人臉特征點(diǎn)的位置信息；

偏移值計(jì)算模塊804用于根據(jù)所述特征矩陣和所述訓(xùn)練模型中回歸矩陣，計(jì)算人臉特征形狀偏移值；

信息更新模塊806用于根據(jù)所述偏移值更新所述當(dāng)前點(diǎn)位置信息；

迭代更新模塊808用于根據(jù)更新后的當(dāng)前點(diǎn)位置信息，迭代執(zhí)行所述基于當(dāng)前點(diǎn)位置信息從目標(biāo)圖像中提取HOG特征至所述根據(jù)所述偏移值更新所述當(dāng)前點(diǎn)位置信息的步驟M次，得到最終更新的當(dāng)前點(diǎn)位置信息；所述M為正整數(shù)。

具體地，本發(fā)明實(shí)施例的訓(xùn)練模型中的回歸矩陣包括所述M層的稀疏回歸矩陣x；偏移值計(jì)算模塊804可以具體用于，進(jìn)行第K次迭代時(shí)，根據(jù)第K次生成的特征矩陣和所述訓(xùn)練模型中的第K層的稀疏回歸矩陣x來(lái)計(jì)算人臉特征形狀偏移值；所述K為大于0，小于等于M的自然數(shù)。

需要說(shuō)明的是，人臉對(duì)齊處理裝置80中各模塊的功能可對(duì)應(yīng)參考上述各方法實(shí)施例中圖3實(shí)施例的具體實(shí)現(xiàn)方式，這里不再贅述。

再進(jìn)一步地，請(qǐng)參閱圖9，圖9是本發(fā)明提供的人臉對(duì)齊處理裝置的另一實(shí)施例的結(jié)構(gòu)示意圖。其中，如圖9所示，人臉對(duì)齊處理裝置90可以包括：至少一個(gè)處理器901，例如CPU，至少一個(gè)網(wǎng)絡(luò)接口904，用戶接口903，存儲(chǔ)器905，至少一個(gè)通信總線902以及顯示屏906。其中，通信總線902用于實(shí)現(xiàn)這些組件之間的連接通信。其中，用戶接口903可以包括顯示屏、鍵盤(pán)或鼠標(biāo)等等。網(wǎng)絡(luò)接口904可選的可以包括標(biāo)準(zhǔn)的有線接口、無(wú)線接口(如WI-FI接口)。存儲(chǔ)器905可以是高速RAM存儲(chǔ)器，也可以是非不穩(wěn)定的存儲(chǔ)器(non-volatile memory)，例如至少一個(gè)磁盤(pán)存儲(chǔ)器，存儲(chǔ)器905包括本發(fā)明實(shí)施例中的flash。存儲(chǔ)器905可選的還可以是至少一個(gè)位于遠(yuǎn)離前述處理器901的存儲(chǔ)系統(tǒng)。如圖9所示，作為一種計(jì)算機(jī)存儲(chǔ)介質(zhì)的存儲(chǔ)器905中可以包括操作系統(tǒng)、網(wǎng)絡(luò)通信模塊、用戶接口模塊以及人臉對(duì)齊處理程序。

處理器901可以用于調(diào)用存儲(chǔ)器905中存儲(chǔ)的人臉對(duì)齊處理程序，并執(zhí)行以下操作：

讀取用于人臉對(duì)齊處理的訓(xùn)練模型；其中所述訓(xùn)練模型為通過(guò)權(quán)利要求1-3任一項(xiàng)所述的訓(xùn)練模型生成方法生成的訓(xùn)練模型；

基于當(dāng)前點(diǎn)位置信息從目標(biāo)圖像中提取HOG特征，生成特征矩陣；其中，初始的當(dāng)前點(diǎn)位置信息為預(yù)設(shè)的初始人臉形狀中人臉特征點(diǎn)的位置信息；

根據(jù)所述特征矩陣和所述訓(xùn)練模型中回歸矩陣，計(jì)算人臉特征形狀偏移值；

根據(jù)所述偏移值更新所述當(dāng)前點(diǎn)位置信息；

根據(jù)更新后的當(dāng)前點(diǎn)位置信息，迭代執(zhí)行所述基于當(dāng)前點(diǎn)位置信息從目標(biāo)圖像中提取HOG特征至所述根據(jù)所述偏移值更新所述當(dāng)前點(diǎn)位置信息的步驟M次，得到最終更新的當(dāng)前點(diǎn)位置信息；所述M為正整數(shù)。

具體地，訓(xùn)練模型中的回歸矩陣包括所述M層的稀疏回歸矩陣x；處理器901所述根據(jù)所述特征矩陣和所述訓(xùn)練模型中回歸矩陣，計(jì)算人臉特征形狀偏移值，可以包括：

進(jìn)行第K次迭代時(shí)，根據(jù)第K次生成的特征矩陣和所述訓(xùn)練模型中的第K層的稀疏回歸矩陣x來(lái)計(jì)算人臉特征形狀偏移值；所述K為大于0，小于等于M的自然數(shù)。

綜上所述，實(shí)施本發(fā)明實(shí)施例，通過(guò)獲取含有人臉特征點(diǎn)標(biāo)注的訓(xùn)練樣本；基于當(dāng)前點(diǎn)位置信息從訓(xùn)練樣本中提取方向梯度直方圖HOG特征，生成特征矩陣；其中，初始的當(dāng)前點(diǎn)位置信息為預(yù)設(shè)的初始人臉形狀中人臉特征點(diǎn)的位置信息；根據(jù)人臉特征點(diǎn)標(biāo)注的坐標(biāo)與當(dāng)前點(diǎn)位置信息的坐標(biāo)的差值，以及特征矩陣，通過(guò)稀疏化回歸計(jì)算得出更新的當(dāng)前點(diǎn)位置信息；根據(jù)更新的當(dāng)前點(diǎn)位置信息，迭代執(zhí)行基于當(dāng)前點(diǎn)位置信息從當(dāng)前訓(xùn)練樣本中提取方向梯度直方圖HOG特征至通過(guò)稀疏化回歸計(jì)算得出更新的當(dāng)前點(diǎn)位置信息的步驟M次；保存每次迭代得到而組成的當(dāng)前點(diǎn)位置信息的回歸矩陣，以生成用于人臉對(duì)齊處理的訓(xùn)練模型。實(shí)現(xiàn)了一種壓縮特征點(diǎn)定位模型的稀疏矩陣回歸訓(xùn)練方式，能夠很大程序地減少人臉對(duì)齊的訓(xùn)練模型，同時(shí)保持了人臉定位的精度，從而解決了現(xiàn)有技術(shù)中訓(xùn)練出來(lái)的定位模型的大小往往較大，不利于集成到現(xiàn)有的app程序中的技術(shù)問(wèn)題，可以將訓(xùn)練模型輕量地集成進(jìn)移動(dòng)app產(chǎn)品中。

本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法中的全部或部分流程，是可以通過(guò)計(jì)算機(jī)程序來(lái)指令相關(guān)的硬件來(lái)完成，所述的程序可存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，該程序在執(zhí)行時(shí)，可包括如上述各方法的實(shí)施例的流程。其中，所述的存儲(chǔ)介質(zhì)可為磁碟、光盤(pán)、只讀存儲(chǔ)記憶體(Read-Only Memory，ROM)或隨機(jī)存儲(chǔ)記憶體(Random Access Memory，RAM)等。

以上所揭露的僅為本發(fā)明較佳實(shí)施例而已，當(dāng)然不能以此來(lái)限定本發(fā)明之權(quán)利范圍，因此依本發(fā)明權(quán)利要求所作的等同變化，仍屬本發(fā)明所涵蓋的范圍。