基于投影与深度学习网络三维人脸特征点定位方法.docVIP

基于投影与深度学习网络三维人脸特征点定位方法 　　摘要：标定三维人脸模型特征点对人脸识别、人脸建模等都具有重要作用。针对人脸特征点标定需要手工干预、标定特征点个数少或不准确、标定时间长等问题，提出了一种基于投影与深度学习网络的人脸三维模型特征点标定法。基于正交投影，生成人脸三维模型二维深度图与二维特征点位置，采用以卷积神经网络为主的深度学习网络模型训练测试，将深度图上特征点映射到三维人脸模型，实现眉毛、眼睛、鼻尖、嘴巴等重要区域的特征点定位。实验表明，该方法可自动标定三维人脸模型特征点，快速、准确预测足够数量特征点位置。 　　关键词：三维人脸；特征点定位；投影；卷积神经网络 　　DOIDOI：10.11907/rjdk.171924 　　中图分类号：TP301 　　文献标识码：A 文章编号：1672-7800（2017）012-0012-03 　　Abstract：Calibration of the three-dimensional face model feature points has an important role on face recognition， face modeling， and so.Some problems still exist，like that Face feature points need to be manually calibrated， the number of calibration points is small or inaccurate， the calibration time is long， and so on. A feature point calibration method of face 3D model based on projection and depth learning network is proposed. Firstly， based on the orthogonal projection， the two-dimensional depth map and two-dimensional feature point position of the human face 3D model are generated.Then we use the depth learning network model， mainly based on the convolution neural network， to train and test， and map the feature points on the depth map to the 3D human model .Finally，we achieve facial key points on eyebrows， eyes， the nose tip and the mouth. Experiments show that this method can automatically calibrate enough 3D face model feature points， fastly and accurately. 　　Key Words：three dimensional； face feature point positioning； projection； convolution neural network 　　0 引言 　　二维人脸识别技术发展迅速，但没有很好解决光照、表情等问题。光照条件、姿态变化等因素都对二维人脸精确检测与识别有较大影响。近年，三维人脸识别技术受到了越来越多关注。相对于二维人脸识别技术，三维人脸识别技术较容易做到姿态与光照的不变性[1-2]。随着技术发展，三维模型获取日趋简化，促进了三维人脸识别[3-4]、三维表情识别[5-6]、三维人脸分割[7-8]等三维人脸方面的研究。 　　国内外关于三维人脸特征点定位的一些研究包括：①基于曲率进行特征点定位，曲率是三维研究中重要基本属性之一，且有欧氏变换不变性，Chang等[9]综合利用平均曲率及高斯曲率定位眼眶、鼻尖、鼻梁等人脸特殊区域。基于曲率的三维特征点定位算法缺点是对于数据噪声较为敏感，除了内眼点以及鼻尖点外，其余特征点定位效果达不到要求；②王蜜宫等[10]基于局部形状图的方法，半径大小选择很关键，但大小确定较困难，选择不当直接影响结果精度，且只能对个别几个特征点进行预测；③利用较成熟二维图像数据人脸特征点定位技术，辅助定位三维人脸数据特征点，但此类算法要求三维数据存在二维辅助图像，无法仅用于三维信息人脸数据。 　　结合上述研究以及解决方法不足之处，本文提出基于正交投影获得