目標(biāo)照片中已經(jīng)設(shè)定的這一組初始特征點(diǎn)X0，來提取對應(yīng)的圖像紋理特征向量Y。，然后將提取出的圖像特征向量Yc，與已經(jīng)訓(xùn)練完成的第一特征點(diǎn)修正模型中提供的定位預(yù)測矩陣總進(jìn)行迭代運(yùn)算，以對目標(biāo)照片中上述初始特征點(diǎn)X。進(jìn)行初次修正，得到初次修正特征點(diǎn)坐標(biāo)。
[0125]在將目標(biāo)照片的上述圖像紋理特征向量Y。，與與已經(jīng)訓(xùn)練完成的第一特征點(diǎn)修正模型中提供的定位預(yù)測矩陣總進(jìn)行迭代運(yùn)算時(shí)，假設(shè)第一特征點(diǎn)修正模型中提供了 Aid-A3等4個(gè)定位預(yù)測矩陣，那么將進(jìn)行4次矩陣乘法計(jì)算，首先可以根據(jù)A。對上述圖像紋理特征向量I進(jìn)行矩陣乘法計(jì)算，進(jìn)行第一次迭代，得到一組第一初始特征點(diǎn)坐標(biāo)，然后根據(jù)A !對計(jì)算得到的上述第一初始特征點(diǎn)坐標(biāo)再次進(jìn)行矩陣乘法計(jì)算，進(jìn)行第二次迭代，得到一組第二初始特征點(diǎn)坐標(biāo)，然后再根據(jù)^對計(jì)算得到的上述第二初始特征點(diǎn)坐標(biāo)再次進(jìn)行矩陣乘法計(jì)算，進(jìn)行第三次迭代，得到第三初始特征點(diǎn)坐標(biāo)，當(dāng)?shù)谌蔚瓿?，再根?jù)^對計(jì)算得到的上述第三初始特征點(diǎn)坐標(biāo)進(jìn)行矩陣乘法計(jì)算，得到上述初次修正特征點(diǎn)坐標(biāo)，此時(shí)迭代完成。
[0126]在本實(shí)施例中，由于第一特征點(diǎn)修正模型在針對目標(biāo)圖片進(jìn)行人臉特征點(diǎn)定位時(shí)，是以檢測出的人臉框?yàn)槌跏紖^(qū)域的，定位精度非常依賴于初始框的位置，初始框在實(shí)際人臉的內(nèi)部時(shí)，人臉內(nèi)部的變化較小，SDM算法迭代后的定位結(jié)果會(huì)比較好，當(dāng)初始框在實(shí)際人臉的外部時(shí)，由于外部背景的變化可能很大，就會(huì)造成SDM算法迭代都的定位結(jié)果不精確，因此為了提高定位精度，當(dāng)?shù)谝惶卣鼽c(diǎn)修正模型在針對目標(biāo)圖片進(jìn)行人臉特征點(diǎn)定位結(jié)束后，還可以對矩陣乘法計(jì)算后得到的多個(gè)上述初次修正特征點(diǎn)進(jìn)行二次修正，得到預(yù)設(shè)數(shù)量的二次修正特征點(diǎn)坐標(biāo)。
[0127]在針對上述初次修正特征點(diǎn)進(jìn)行二次修正時(shí)，可以針對多個(gè)上述初次修正特征點(diǎn)進(jìn)行中心特征點(diǎn)識別，得到至少一個(gè)中心特征點(diǎn)坐標(biāo)，然后根據(jù)中心特征點(diǎn)坐標(biāo)與上述二次修正特征點(diǎn)坐標(biāo)之間的映射關(guān)系，對上述初次修正特征點(diǎn)進(jìn)行坐標(biāo)映射，得到預(yù)設(shè)數(shù)量的二次修正特征點(diǎn)坐標(biāo)。
[0128]其中，在本實(shí)施例示出的一種實(shí)現(xiàn)方式中，上述中心特征點(diǎn)可以是眼球中心，上述中心特征點(diǎn)坐標(biāo)則可以是雙眼的眼球中心的坐標(biāo)。
[0129]當(dāng)上述中心特征點(diǎn)為眼球中心時(shí)，在基于上述初次修正特征點(diǎn)來識別眼球中心時(shí)，由于眼球中心點(diǎn)的紋理特征較豐富，因此可以通過預(yù)設(shè)的眼球定位算法將上述初次修正特征點(diǎn)的坐標(biāo)作為輔助參數(shù)，通過識別眼球中心點(diǎn)的紋理特征來進(jìn)行眼球中心的定位。其中，上述預(yù)設(shè)的眼球定位算法在本實(shí)施例中不進(jìn)行特別限定，本領(lǐng)域技術(shù)人員可以參考相關(guān)技術(shù)中的實(shí)現(xiàn)過程。
[0130]當(dāng)基于上述初次修正特征點(diǎn)的坐標(biāo)識別出兩個(gè)眼球中心的坐標(biāo)時(shí)，可以基于眼球中心的坐標(biāo)與上述二次修正特征點(diǎn)坐標(biāo)之間的映射關(guān)系，來對上述初次修正特征點(diǎn)進(jìn)行坐標(biāo)映射，對上述初次特征點(diǎn)進(jìn)行二次修正，得到預(yù)設(shè)數(shù)量的二次修正特征點(diǎn)的坐標(biāo)。
[0131]其中，眼球中心的坐標(biāo)與上述二次修正特征點(diǎn)坐標(biāo)之間的映射關(guān)系可以用預(yù)設(shè)的特征點(diǎn)映射函數(shù)來表征，而該特征點(diǎn)映射函數(shù)則可以基于上述預(yù)設(shè)數(shù)量的照片樣本中眼球中心與照片樣本中人工標(biāo)注的各特征點(diǎn)之間的相對距離學(xué)習(xí)得到。
[0132]對于上述預(yù)設(shè)數(shù)量的照片樣本來說，不同的照片中人臉區(qū)域的大小和范圍均不相同，而不同的照片樣本中，雙眼的眼球中心與人工標(biāo)注的各特征點(diǎn)之間的距離，則相對于較恒定，因此在對上述照片樣本人工標(biāo)注特征點(diǎn)時(shí)，可以針對每一張照片樣本，分別測量雙眼的眼球中心到標(biāo)注的各特征點(diǎn)之間的距離，然后對測量得到的數(shù)據(jù)作為預(yù)測數(shù)據(jù)，通過線性擬合的方式學(xué)習(xí)出雙眼的眼球中心的坐標(biāo)與已經(jīng)標(biāo)注的其它各特征點(diǎn)的坐標(biāo)之間的映射關(guān)系，然后根據(jù)學(xué)習(xí)出的該映射關(guān)系，對上述初次修正特征點(diǎn)的坐標(biāo)。
[0133]由于雙眼的眼球中心與人工標(biāo)注的各特征點(diǎn)之間的距離，相對于較恒定，因此通過上述特征點(diǎn)映射函數(shù)對上述初次修正特征點(diǎn)的坐標(biāo)進(jìn)行坐標(biāo)映射后，可以實(shí)現(xiàn)對上述初次修正特征點(diǎn)的二次修正，得到預(yù)設(shè)數(shù)量的二次修正特征點(diǎn)的坐標(biāo)，從而可以提高人臉特征點(diǎn)的定位精度。
[0134]在本實(shí)施例中，當(dāng)基于上述特征點(diǎn)映射函數(shù)對上述初次修正特征點(diǎn)進(jìn)行二次修正后，得到的二次修正特征點(diǎn)的坐標(biāo)，還可以基于第二特征點(diǎn)修正模型進(jìn)行再次修正，得到最終修正特征點(diǎn)的坐標(biāo)。
[0135]其中，上述第二特征點(diǎn)修正模型，可以是基于上述二次修正特征點(diǎn)的圖像紋理特征、偏移量和上述最終修正特征點(diǎn)的圖像紋理特征、偏移量之間的映射關(guān)聯(lián)，訓(xùn)練而成的投影矩陣模型，可以用于上述二次修正特征點(diǎn)的坐標(biāo)進(jìn)行再次修正，得到上述最終修正特征點(diǎn)的坐標(biāo)。
[0136]例如，上述第二特征點(diǎn)修正模型仍然可以是基于SDM算法的投影矩陣模型，如前所述，在訓(xùn)練上述第一特征點(diǎn)修正模型時(shí)，是基于在預(yù)設(shè)數(shù)量的照片樣本中的人臉區(qū)域所標(biāo)定的初始特征點(diǎn)，以人臉區(qū)域?yàn)槌跏紖^(qū)域訓(xùn)練得到。由于上述二次修正特征點(diǎn)的坐標(biāo)是基于雙眼的眼球中心與上述二次修正特征點(diǎn)的映射關(guān)系修正得到，因此在訓(xùn)練上述第二特征點(diǎn)修正模型時(shí)，可以基于在預(yù)設(shè)數(shù)量的照片樣本中的雙眼的眼球中心所構(gòu)成的人臉區(qū)域中所標(biāo)定的初始特征點(diǎn)，以雙眼眼球的中心為初始區(qū)域訓(xùn)練得到。
[0137]以下以所述第二特征點(diǎn)修正模型為基于SDM算法的投影矩陣模型對上述第二特征點(diǎn)修正模型的訓(xùn)練過程進(jìn)行描述。
[0138]在訓(xùn)練上述第二特征點(diǎn)修正模型時(shí)，仍然可以采用訓(xùn)練第一特征點(diǎn)修正模型時(shí)使用的那些照片樣本，首先將所有照片樣本中雙眼的眼球中心標(biāo)定為中心特征點(diǎn)，當(dāng)雙眼的眼球中心標(biāo)定完成后，可以根據(jù)標(biāo)定雙眼的眼球中心生成一個(gè)矩形框，并將該矩形框作為初始區(qū)域，根據(jù)照片樣本中已經(jīng)標(biāo)定的特征點(diǎn)，在該初始區(qū)域中設(shè)置一組對應(yīng)的初始特征點(diǎn)。
[0139]其中，在該初始區(qū)域中設(shè)定初始特征點(diǎn)時(shí)，仍然可以根據(jù)上述初始特征點(diǎn)在該初始區(qū)域中的坐標(biāo)占比來設(shè)定，所述坐標(biāo)占比仍然可比通過對預(yù)設(shè)數(shù)量的照片樣本中的上述初始區(qū)域進(jìn)行標(biāo)定測量后得到。例如，在對所有的照片樣本人工標(biāo)定特征點(diǎn)的過程中，可以分別測量上述初始區(qū)域中每一個(gè)特征點(diǎn)的坐標(biāo)占比，當(dāng)所有的照片樣本均標(biāo)定完成后，可以對測量出的所有照片樣本中每一個(gè)特征點(diǎn)在上述初始區(qū)域中的坐標(biāo)占比數(shù)據(jù)進(jìn)行分析，為該初始區(qū)域中的每一個(gè)特征點(diǎn)分別設(shè)置合適的坐標(biāo)占比(比如取均值)，并將該坐標(biāo)占比作為設(shè)定初始特征點(diǎn)的坐標(biāo)占比。
[0140]當(dāng)初始特征點(diǎn)設(shè)定完成后，可以提取這些初始特征點(diǎn)對應(yīng)的圖像特征向量Yn，并計(jì)算定位矩陣Αη。一方面，可以分別針對所有照片樣本中已經(jīng)設(shè)定的初始特征點(diǎn)XJX。仍表示一組設(shè)置完成的初始特征點(diǎn))，來提取對應(yīng)的圖像特征向量I。另一方面，還可以針對每張照片樣本中已經(jīng)設(shè)定的初始特征點(diǎn)的位置，來計(jì)算與所有照片樣本中上述初始區(qū)域中由人工標(biāo)注的人臉特征點(diǎn)之間的偏移量delta_X。，此時(shí)delta_X。= X^XyX。表示所有照片樣本中已經(jīng)設(shè)定的初始特征點(diǎn)的位置坐標(biāo)，X*表示所有照片樣本中上述初始區(qū)域中由人工標(biāo)注的人臉特征點(diǎn)的位置坐標(biāo)。當(dāng)提取出每張圖片中已經(jīng)設(shè)定的初始特征點(diǎn)對應(yīng)的圖像特征向量Yc，以及計(jì)算出每張照片樣本中已經(jīng)設(shè)定的初始特征點(diǎn)與所有照片樣本中上述初始區(qū)域中由人工標(biāo)注的人臉特征點(diǎn)之間的偏移量delta_X。后，則可以基于偏移量delta_X。與初始特征點(diǎn)\之間存在的線性關(guān)系，通過線性擬合的方式來學(xué)習(xí)出定位預(yù)測矩陣A。。
[0141]其中，在通過線性擬合的方式來學(xué)習(xí)出定位預(yù)測矩陣A。時(shí)，仍然可以采用最小二乘法線性擬合的方式來實(shí)現(xiàn)，詳細(xì)過程不再贅述，本領(lǐng)域技術(shù)人員可以參見以上介紹的第一特征點(diǎn)修正模型的訓(xùn)練過程進(jìn)行等同實(shí)施。
[0142]假設(shè)在訓(xùn)練第二特征點(diǎn)修正模型的過程中，SDM算法收斂后一共迭代了 4次，那么在上述第二特征點(diǎn)修正模型中，可以提供A。?A 3等4個(gè)定位預(yù)測矩陣。
[0143]以上描述的是第二特征點(diǎn)修正模型的訓(xùn)練過程。
[0144]上述第一特征點(diǎn)修正模型是以雙眼的眼球中心為初始區(qū)域，基于照片樣本中上述初始區(qū)域中的一組初始特征點(diǎn)訓(xùn)練而成。對于訓(xùn)練出的上述第二特征點(diǎn)修正模型，可以用于對上述二次修正特征點(diǎn)的坐標(biāo)進(jìn)行再次修正，得到最終修正特征點(diǎn)的坐標(biāo)。從而提高人臉特征點(diǎn)的定位精度。
[0145]在根據(jù)上述第二特征點(diǎn)修正模型對上述二次修正特征點(diǎn)的坐標(biāo)進(jìn)行修正時(shí)，可以針對通過上述特征點(diǎn)映射函數(shù)修正后的這一組二次修正特征點(diǎn)X。，來提取對應(yīng)的圖像紋理特征向量Y。，然后將提取出的圖像特征向量Y。，與已經(jīng)訓(xùn)練完成的第一特征點(diǎn)修正模型中提供的定位預(yù)測矩陣4進(jìn)行迭代運(yùn)算，以對上述二次修正特征點(diǎn)X。進(jìn)行再次修正，得到最終修正特征點(diǎn)坐標(biāo)。
[0146]在將二次修正特征點(diǎn)的上述圖像紋理特征向量Y。，與與已經(jīng)訓(xùn)練完成的第二特征點(diǎn)修正模型中提供的定位預(yù)測矩陣4進(jìn)行迭代運(yùn)算時(shí)，假設(shè)第二特征點(diǎn)修正模型中仍提供了 A。?A 3等4個(gè)定位預(yù)測矩陣，那么將進(jìn)行4次矩陣乘法計(jì)算，首先可以根據(jù)A。對上述圖像紋理特征向量I進(jìn)行矩陣乘法計(jì)算，進(jìn)行第一次迭代，得到一組第一最終特征點(diǎn)坐標(biāo)，然后根據(jù)仏對計(jì)算得到的上述第一最終始特征點(diǎn)坐標(biāo)再次進(jìn)行矩陣乘法計(jì)算，進(jìn)行第二次迭代，得到一組第二最終特征點(diǎn)坐標(biāo)，然后再根據(jù)A2對計(jì)算得到的上述第二最終特征點(diǎn)坐標(biāo)再次進(jìn)行矩陣乘法計(jì)算，進(jìn)行第三次迭代，得到第三最終特征點(diǎn)坐標(biāo)，當(dāng)?shù)谌蔚瓿?，再根?jù)^對計(jì)算得到的上述第三最終特征點(diǎn)坐標(biāo)進(jìn)行矩陣乘法計(jì)算，得到上述最終修正特征點(diǎn)坐標(biāo)，此時(shí)迭代完成。
[0147]在將二次修正特征點(diǎn)的上述圖像紋理特征向量Y。，與與已經(jīng)訓(xùn)練完成的第二特征點(diǎn)修正模型中提供的定位預(yù)測矩陣總進(jìn)行迭代運(yùn)算后，此時(shí)得到的最終修正特征點(diǎn)坐標(biāo)，即為針對上述目標(biāo)照片進(jìn)行人臉特征點(diǎn)定位的最終結(jié)果。
[0148]通過以上描述可知，本實(shí)施例中通過第一特征點(diǎn)修正模型、預(yù)設(shè)的特征點(diǎn)映射函數(shù)以及第二特征點(diǎn)修正模型，對上述目標(biāo)照片中設(shè)定的初始特征點(diǎn)進(jìn)行了三次修正，因此可以顯著的提升人臉特征點(diǎn)的定位精度。
[0149]本公開的以上實(shí)施例中，通過第一特征點(diǎn)修正模型對初始特征點(diǎn)坐標(biāo)進(jìn)行修正，得到初次修正特征點(diǎn)坐標(biāo)，并對多個(gè)所述初次修正特征點(diǎn)坐標(biāo)進(jìn)行中心特征點(diǎn)識別，得到至少一個(gè)中心特征點(diǎn)坐標(biāo)，然后根據(jù)特征點(diǎn)映射函數(shù)對多個(gè)所述初次修正特征點(diǎn)坐標(biāo)進(jìn)行坐標(biāo)映射，得到多個(gè)二次修正特征點(diǎn)坐標(biāo)，其中，由于所述特征點(diǎn)映射函數(shù)為所述中心特征點(diǎn)到所述二次修正特征點(diǎn)坐標(biāo)的映射關(guān)系，而所述中心特征點(diǎn)是基于所述初次修正特征點(diǎn)坐標(biāo)進(jìn)行識別得到的更加精準(zhǔn)的特征點(diǎn)，因此可以提高人臉特征點(diǎn)的定位精準(zhǔn)度。
[0150]本公開的以上實(shí)施例中，通過第二特征點(diǎn)修正模型對多個(gè)所述二次修正特征點(diǎn)坐標(biāo)進(jìn)行修正，得到多個(gè)最終修正特征點(diǎn)坐標(biāo)，由于通過第二特征點(diǎn)修正模型對所述二次修正特征點(diǎn)再次進(jìn)行了修正，因此可以進(jìn)一步提高人臉特征點(diǎn)的定位精度。
[0151]本公開的以上實(shí)施例中，通過對目標(biāo)照片進(jìn)行人臉區(qū)域檢測，得到人臉區(qū)域，然后根據(jù)多個(gè)所述初始特征點(diǎn)的坐標(biāo)占比，獲取所述人臉區(qū)域內(nèi)的多個(gè)所述初始特征點(diǎn)坐標(biāo)，其中，由于所述初始特征的坐標(biāo)占比通過對多張照片中的人臉區(qū)域進(jìn)行標(biāo)定測量得到，因此可以快速精準(zhǔn)的為目標(biāo)照片設(shè)定初始特征點(diǎn)。
[0152]如圖2所示，圖2是根據(jù)一示例性實(shí)施例示出的一種人臉特征點(diǎn)定位方法，應(yīng)用于服務(wù)端中，包括以下步驟:
[0153]在步驟201中，對目標(biāo)照片進(jìn)行人臉區(qū)域檢測，得到人臉區(qū)域；
[0154]在步驟202中，根據(jù)多個(gè)所述初始特征點(diǎn)的坐標(biāo)占比，獲取所述人臉區(qū)域內(nèi)的多個(gè)所述初始特征點(diǎn)坐標(biāo)；所述初始特征點(diǎn)的坐標(biāo)占比通過對多張照片樣本中的人臉區(qū)域進(jìn)行標(biāo)定測量得到；
[0155]在步驟203中，根據(jù)多個(gè)所述初始特征點(diǎn)的坐標(biāo)占比，獲取所述人臉區(qū)域內(nèi)的多個(gè)所述初始特征點(diǎn)坐標(biāo)；所述初始特征點(diǎn)的坐標(biāo)占比通過對多張照片樣本中的人臉區(qū)域進(jìn)行標(biāo)定測量得到；
[0156]在步驟204中，根據(jù)多個(gè)所述初始特征點(diǎn)的坐標(biāo)占比，獲取所述人臉區(qū)域內(nèi)的多個(gè)所述初始特征點(diǎn)坐標(biāo)；所述初始特征點(diǎn)的坐標(biāo)占比通過對多張照片樣本中的人臉區(qū)域進(jìn)行標(biāo)定測量得到；
[0157]在步驟205中，根據(jù)多個(gè)所述初始特征點(diǎn)的坐標(biāo)占比，獲取所述人臉區(qū)域內(nèi)的多個(gè)所述初始特征點(diǎn)坐標(biāo)；所述初始特征點(diǎn)的坐標(biāo)占比通過對多張照片樣本中的人臉區(qū)域進(jìn)行標(biāo)定測量得到。
[0158]在本實(shí)施例中，服務(wù)端可以包括面向用戶提供人臉特征點(diǎn)定位服務(wù)的服務(wù)器、月艮務(wù)器集群或者云平臺。上述第一特征點(diǎn)修正模型，可以是基于初始特征點(diǎn)的圖像紋理特征、偏移量和初次修正特征點(diǎn)的圖像紋理特征、偏移量之間的映射關(guān)聯(lián)，訓(xùn)練而成的投影矩陣模型，可以用于上述初始特征點(diǎn)的坐標(biāo)進(jìn)行修正，得到上述初次修正特征點(diǎn)的坐標(biāo)。
[0159]例如，上述第一特征點(diǎn)修正模型可以是基于SDM算法的投影矩陣模型，在訓(xùn)練上述第一特征點(diǎn)修正模型時(shí)，可以基于在預(yù)設(shè)數(shù)量的照片樣本中的人臉區(qū)域所標(biāo)定的初始特征點(diǎn)訓(xùn)練得到。
[0160]以下以所述第一特征點(diǎn)修正模型為基于SDM算法的投影矩陣模型對上述第一特