圖像特征提取方法及裝置制造方法
【專利摘要】本發(fā)明公開一種圖像特征提取方法及裝置，其方法包括：標定訓(xùn)練集圖庫中各圖像輪廓的特征點，得到訓(xùn)練集圖庫的特征點矩陣；從特征點矩陣中提取特征向量矩陣、特征向量值以及所述訓(xùn)練集圖庫的平均特征點幾何位置；通過隨機森林算法生成所述訓(xùn)練集圖庫中每個特征點的隨機森林局部紋理模型；根據(jù)隨機森林局部紋理模型、特征向量矩陣、特征向量值以及平均特征點幾何位置對當前輸入圖像進行特征提取。本發(fā)明基于主動形態(tài)模型算法的框架，利用隨機森林算法生成的局部紋理模型，改善了主動形態(tài)模型算法在分辨率低的算法健壯性；減少光照和色差的干擾，增強臉部特征點定位的魯棒性；同時極大的減小了計算復(fù)雜度，增加了特征點定位的實時性、準確性。
【專利說明】圖像特征提取方法及裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像處理【技術(shù)領(lǐng)域】，尤其涉及一種圖像特征提取方法及裝置?！颈尘凹夹g(shù)】
[0002]目前，在照相軟件中通常采用主動形態(tài)模型(ASM，Active Shape Model)來實現(xiàn)臉部特征點的定位和臉部輪廓的提取。其基本原理是:首先統(tǒng)計訓(xùn)練集中特征點連線法線上的圖像梯度信息，之后將該梯度信息作為特征點逼近搜索的參照物，確定與訓(xùn)練集的梯度信息相似度最高的像素為目標特征點。
[0003]然而，現(xiàn)有的這種臉部特征的提取方法中，由于主動形態(tài)模型中的圖像梯度信息易于受光照和色差以及個體樣本差異影響，使得生成的局部紋理模型包含了過多的個體紋理信息，不具備唯一表征性，紋理模型健壯性欠佳；此外，主動形態(tài)模型中的建立局部紋理模型時，需要計算出法線上若干像素的梯度信息、歸一化處理，生成特征點的梯度向量，然后計算出所有特征點的梯度向量矩陣，在搜索過程中每次需要計算當前搜索形狀的梯度向量矩陣和訓(xùn)練集梯度向量矩陣的相似度，由此使得計算復(fù)雜度高；而且對于分辨率較低的圖像，受限于局部像素信息，主動形態(tài)模型的梯度紋理模型識別效果較差。

【發(fā)明內(nèi)容】

[0004]本發(fā)明的主要目的在于提供一種圖像特征提取方法及裝置，旨在降低計算復(fù)雜度，提高特征提取的準確性和實時性。
[0005]為了達到上述目的，本發(fā)明提出一種圖像特征提取方法，包括:
[0006]標定訓(xùn)練集圖庫中各圖像輪廓的特征點，得到訓(xùn)練集圖庫的特征點矩陣；
[0007]從所述特征點矩陣中提取特征向量矩陣、特征向量值以及所述訓(xùn)練集圖庫的平均特征點幾何位置；通過隨機森林算法生成所述訓(xùn)練集圖庫中每個特征點的隨機森林局部紋理模型；
[0008]根據(jù)所述隨機森林局部紋理模型、所述特征向量矩陣、特征向量值以及平均特征點幾何位置對當前輸入圖像進行特征提取。
[0009]本發(fā)明還提出一種圖像特征提取裝置，包括:
[0010]標定模塊，用于標定訓(xùn)練集圖庫中各圖像輪廓的特征點，得到訓(xùn)練集圖庫的特征點矩陣；
[0011]第一提取模塊，用于從所述特征點矩陣中提取特征向量矩陣、特征向量值以及所述訓(xùn)練集圖庫的平均特征點幾何位置；
[0012]模型建立模塊，用于通過隨機森林算法生成所述訓(xùn)練集圖庫中每個特征點的隨機森林局部紋理模型；
[0013]第二提取模塊，用于根據(jù)所述隨機森林局部紋理模型、所述特征向量矩陣、特征向量值以及平均特征點幾何位置對當前輸入圖像進行特征提取。
[0014]本發(fā)明提出的一種圖像特征提取方法及裝置，通過標定訓(xùn)練集圖庫中各圖像輪廓的特征點，得到訓(xùn)練集圖庫的特征點矩陣；從特征點矩陣中提取特征向量矩陣、特征向量值以及訓(xùn)練集圖庫的平均特征點幾何位置；并通過隨機森林算法生成訓(xùn)練集圖庫中每個特征點的隨機森林局部紋理模型；以此隨機森林局部紋理模型以及提取的特征向量矩陣、特征向量值和平均特征點幾何位置對當前輸入圖像進行特征提取，由此，基于主動形態(tài)模型算法的框架，利用隨機森林算法生成的局部紋理模型，改善了主動形態(tài)模型算法在分辨率低的算法健壯性；減少光照和色差的干擾，增強臉部特征點定位的魯棒性；同時極大的減小了計算復(fù)雜度，增加了特征點定位的實時性、準確性。
【專利附圖】

【附圖說明】
[0015]圖1是本發(fā)明圖像特征提取方法第一實施例的流程示意圖；
[0016]圖2是本發(fā)明圖像特征提取方法第二實施例的流程示意圖；
[0017]圖3是本發(fā)明圖像特征提取方法第三實施例的流程示意圖；
[0018]圖4是本發(fā)明圖像特征提取裝置第一實施例的結(jié)構(gòu)示意圖；
[0019]圖5是本發(fā)明圖像特征提取裝置第一實施例中模型建立模塊的結(jié)構(gòu)示意圖；
[0020]圖6是本發(fā)明圖像特征提取裝置第一實施例中第二提取模塊的結(jié)構(gòu)示意圖；
[0021]圖7是本發(fā)明圖像特征提取裝置第二實施例的結(jié)構(gòu)示意圖；
[0022]圖8是本發(fā)明圖像特征提取裝置第三實施例的結(jié)構(gòu)示意圖。
[0023]為了使本發(fā)明的技術(shù)方案更加清楚、明了，下面將結(jié)合附圖作進一步詳述。
【具體實施方式】
[0024]本發(fā)明實施例的解決方案主要是:基于主動形態(tài)模型算法的框架，利用隨機森林算法生成局部紋理模型，根據(jù)該隨機森林局部紋理模型以及從訓(xùn)練集圖庫的特征點矩陣中提取的特征向量矩陣、特征向量值和平均特征點幾何位置對當前輸入圖像進行特征提取，以降低計算復(fù)雜度，提高特征提取的準確性和實時性。
[0025]如圖1所示，本發(fā)明第一實施例提出一種圖像特征提取方法，包括:
[0026]步驟S101，標定訓(xùn)練集圖庫中各圖像輪廓的特征點，得到訓(xùn)練集圖庫的特征點矩陣；
[0027]本實施例基于主動形態(tài)模型算法的框架，利用隨機森林算法來優(yōu)化主動形態(tài)模型中局部紋理生成算法，生成隨機森林局部紋理模型，可用于圖像中特征點的定位與提取。
[0028]其中，所涉及的圖像可以是指定的某種類型圖像，比如照相軟件中對于人或某種動物的臉部特征點的定位及臉部輪廓提取。
[0029]具體地，首先基于給定的訓(xùn)練集圖庫建立隨機森林局部紋理模型，并提取相應(yīng)的參數(shù)。
[0030]對于給定的訓(xùn)練集圖庫，標定該訓(xùn)練集圖庫中各圖像輪廓的特征點，如眼睛輪廓上的特征點，得到訓(xùn)練集圖庫的特征點矩陣。
[0031]步驟S102，從所述特征點矩陣中提取特征向量矩陣、特征向量值以及所述訓(xùn)練集圖庫的平均特征點幾何位置；通過隨機森林算法生成所述訓(xùn)練集圖庫中每個特征點的隨機森林局部紋理模型；
[0032]提取訓(xùn)練集圖庫訓(xùn)練集特征點矩陣的特征向量矩陣P和特征向量值I，以及訓(xùn)練集圖庫的平均特征點幾何位置X，同時，通過隨機森林算法提取每個特征點的隨機森林，即隨機森林局部紋理模型。
[0033]上述特征向量矩陣P、特征向量值I以及平均特征點幾何位置X用于結(jié)合隨機森林局部紋理模型計算獲取目的特征點位置。
[0034]其中，生成訓(xùn)練集圖庫中每個特征點的隨機森林局部紋理模型的過程如下:
[0035]S1、對訓(xùn)練集圖庫特征點矩陣中的每一特征點，將以該特征點為中心的MxM像素區(qū)域作為正樣本，在該特征點周圍隨機抽取N (比如N=8)個偽特征點，并將以各偽特征點為中心的像素區(qū)域(比如MxM的矩形像素區(qū)域)作為負樣本,得到N+1個正負樣本；
[0036]S2、假設(shè)訓(xùn)練集圖庫包含S幅訓(xùn)練圖，則將S幅訓(xùn)練圖中對應(yīng)該特征點的N+1個正負樣本共S* (N+1)個樣本作為該特征點的訓(xùn)練樣本集；
[0037]S3、隨機選取MxM像素區(qū)域內(nèi)的兩個像素點pi和p2 ;對于所述訓(xùn)練樣本集中的每一樣本，在對應(yīng)像素點Pl和p2處進行灰度值大小比較，將所述訓(xùn)練樣本集分為左右子樹集兩類，形成當前節(jié)點；
[0038]具體地，通過對應(yīng)像素點pi和p2處進行灰度值大小比較，將pi灰度值大于p2的樣本送入當前節(jié)點的左邊子樹集，否則送入右邊子樹集，由此將訓(xùn)練樣本集中的所有樣本分成了兩類。
[0039]S4、重復(fù)上述步驟S3預(yù)定次數(shù)，選取預(yù)定條件的左右子樹集，并將對應(yīng)的像素點Pl和p2，作為該左右子樹集所在節(jié)點的分類器點對；
[0040]重復(fù)上述步驟S3預(yù)定次數(shù)，將分類效果最佳的隨機像素點對作為該節(jié)點的分類器點對。
[0041]具體判斷過程如下:
[0042]通過重復(fù)步驟S3預(yù)定次數(shù)得到若干對左右子樹集，比較所有的左子樹集，從中選取正樣本比率最高的左子樹集所對應(yīng)的隨機像素點對Pl和p2，作為該節(jié)點的分類器點對；或者，比較所有的右子樹集，從中選取負樣本比率最高的右子樹集所對應(yīng)的隨機像素點對Pl和P2，作為該節(jié)點的分類器點對。
[0043]上述M、N均為自然數(shù)。
[0044]S5、對選取的所述左右子樹集分別進行步驟S3-步驟S4，直到頂層節(jié)點(直至達到樹的葉子節(jié)點或者達到最大層數(shù))。獲取各層節(jié)點的分類器點對，建立搜索路徑；并獲取各頂層節(jié)點的正樣本數(shù)和總樣本數(shù)；以各頂層節(jié)點的正樣本數(shù)和總樣本數(shù)的比率作為各頂層節(jié)點的相似概率，生成所述特征點的一決策樹；
[0045]S6、重復(fù)上述步驟S3-S5，對每一特征點生成L顆決策樹，從而形成該特征點的隨機森林局部紋理模型，即形成該特征點的隨機森林。
[0046]步驟S103，根據(jù)所述隨機森林局部紋理模型、所述特征向量矩陣、特征向量值以及平均特征點幾何位置對當前輸入圖像進行特征提取。
[0047]首先，初步估計當前輸入圖像中目標特征點的幾何位置作為搜索的起始位置；并在所述起始位置附近選取一搜索區(qū)域；
[0048]對所述搜索區(qū)域內(nèi)的每一像素點，根據(jù)所述隨機森林局部紋理模型中對應(yīng)的搜索路徑，獲取對應(yīng)頂層節(jié)點的相似概率，取其中相似概率最大的像素點的位置作為改進特征點位置Y，并記錄該改進特征點位置Y對應(yīng)的相似概率W ；
[0049]根據(jù)所述改進特征點位置Y、記錄的對應(yīng)的相似概率W，以及所述特征向量矩陣P、特征向量值I和平均特征點幾何位置X，進行幾何變換矩陣a和形狀變換矩陣b的迭代計算直至收斂，獲取最優(yōu)幾何變換矩陣a*和形狀變換矩陣b'
[0050]具體計算公式如下:
[0051]通過求取滿足下式的優(yōu)化幾何變換矩陣a*:
[0052]a*=min (Y_a (X+Pb) 1W (Y_a (X+Pb))) (I)
[0053]上述公式(I)中,Y是改進特征點位置；W為改進特征點位置對應(yīng)的相似概率,P為特征向量矩陣；x為平均特征點幾何位置；a為幾何變換矩陣，b為形狀變換矩陣，a和b預(yù)先給定一初始值。
[0054]之后再根據(jù)下式求取優(yōu)化的形狀變換矩陣b*:
[0055]b* = min ((V - a* (I + Pb) )rW(F — a*(J + Pb)) + Σ hi ",.)( 2 )
[0056]上述公式(2)中,Y是改進特征點位置；W為改進特征點位置對應(yīng)的相似概率,P為特征向量矩陣為特征向量值；x為平均特征點幾何位置。
[0057]通過上述公式(I)和(2)，依次迭代計算每次最優(yōu)的幾何轉(zhuǎn)換矩陣a*和形狀變換矩陣b%直至收斂，得到最終的最優(yōu)幾何轉(zhuǎn)換矩陣a*和形狀變換矩陣b'
[0058]最后，根據(jù)最優(yōu)幾何變換矩陣、形狀變換矩陣、特征向量矩陣以及平均特征點幾何位置計算獲取目標特征點位置Y'
[0059]具體計算過程如下:
[0060]根據(jù)ASM算法，目標特征點幾何位置Y*和訓(xùn)練集平均幾何坐標X、特征向量矩陣P有如下關(guān)系:
[0061]Y*=a* (X+Pb*) (3)
[0062]根據(jù)上述公式(3)即可計算得到目標特征點幾何位置Y*。
[0063]本實施例通過上述方案，基于主動形態(tài)模型算法的框架，利用隨機森林算法生成局部紋理模型，改善了主動形態(tài)模型算法在分辨率低的算法健壯性；減少光照和色差的干擾，增強臉部特征點定位的魯棒性；而且基于隨機森林的局部紋理模型算法，較梯度信息紋理模型，極大的減小了計算復(fù)雜度，增加了特征點定位的實時性，其定位結(jié)果較同類算法更準確和快速。
[0064]如圖2所示，本發(fā)明第二實施例提出一種圖像特征提取方法，在上述第一實施例的基礎(chǔ)上，在上述步驟S102之前還包括:
[0065]步驟S104，對所述特征點矩陣進行圖像輪廓歸一化處理。
[0066]本實施例與上述第一實施例的區(qū)別在于，本實施例在得到訓(xùn)練集圖庫的特征點矩陣后，將訓(xùn)練集圖庫中的特征點輪廓歸一化到標準輪廓，使得訓(xùn)練集圖庫中各圖像的特征點輪廓具備統(tǒng)一性，比如，對于臉部圖像，不同人的臉型各不相同，因此便于同一特征點匕如嘴角)的提取，需要對臉型輪廓進行歸一化處理，使各臉部圖像達到標準輪廓，以提高特征點提取計算的準確性和魯棒性。他與第一實施例相同。
[0067]如圖3所示，本發(fā)明第三實施例提出一種圖像特征提取方法，在上述第二實施例的基礎(chǔ)上，在上述步驟S104之后還包括:
[0068]步驟S105，對所述特征點矩陣進行PCA降維處理。
[0069]本實施例與上述第二實施例的區(qū)別在于，本實施例在得到訓(xùn)練集圖庫的特征點矩陣，并將訓(xùn)練集圖庫中的特征點輪廓歸一化到標準輪廓后，需要對特征點矩陣進行PCA(Principal Component Analysis,主成分分析)降維處理，以降低后續(xù)計算的復(fù)雜度。其他
與第二實施例相同。
[0070]如圖4所示，本發(fā)明第一實施例提出一種圖像特征提取裝置，包括:標定模塊201、第一提取模塊202、模型建立模塊203及第二提取模塊204，其中:
[0071]標定模塊201，用于標定訓(xùn)練集圖庫中各圖像輪廓的特征點，得到訓(xùn)練集圖庫的特征點矩陣；
[0072]第一提取模塊202，用于從所述特征點矩陣中提取特征向量矩陣、特征向量值以及所述訓(xùn)練集圖庫的平均特征點幾何位置；
[0073]模型建立模塊203，用于通過隨機森林算法生成所述訓(xùn)練集圖庫中每個特征點的隨機森林局部紋理模型；
[0074]第二提取模塊204，用于根據(jù)所述隨機森林局部紋理模型、所述特征向量矩陣、特征向量值以及平均特征點幾何位置對當前輸入圖像進行特征提取。
[0075]本實施例基于主動形態(tài)模型算法的框架，利用隨機森林算法來優(yōu)化主動形態(tài)模型中局部紋理生成算法，生成隨機森林局部紋理模型，可用于圖像中特征點的定位與提取。
[0076]其中，所涉及的圖像可以是指定的某種類型圖像，比如照相軟件中對于人或某種動物的臉部特征點的定位及臉部輪廓提取。
[0077]具體地，首先基于給定的訓(xùn)練集圖庫建立隨機森林局部紋理模型，并提取相應(yīng)的參數(shù)。
[0078]對于給定的訓(xùn)練集圖庫，通過標定模塊201標定該訓(xùn)練集圖庫中各圖像輪廓的特征點，如眼睛輪廓上的特征點，得到訓(xùn)練集圖庫的特征點矩陣。
[0079]然后，由第一提取模塊202提取訓(xùn)練集圖庫訓(xùn)練集特征點矩陣的特征向量矩陣P和特征向量值I，以及訓(xùn)練集圖庫的平均特征點幾何位置X，同時，模型建立模塊203通過隨機森林算法提取每個特征點的隨機森林，即隨機森林局部紋理模型。
[0080]上述特征向量矩陣P、特征向量值I以及平均特征點幾何位置X用于結(jié)合隨機森林局部紋理模型計算獲取目的特征點位置。
[0081]其中，生成訓(xùn)練集圖庫中每個特征點的隨機森林局部紋理模型的過程如下:
[0082]S1、對訓(xùn)練集圖庫特征點矩陣中的每一特征點，將以該特征點為中心的MxM像素區(qū)域作為正樣本，在該特征點周圍隨機抽取N (比如N=8)個偽特征點，并將以各偽特征點為中心的像素區(qū)域(比如MxM的矩形像素區(qū)域)作為負樣本,得到N+1個正負樣本；
[0083]S2、假設(shè)訓(xùn)練集圖庫包含S幅訓(xùn)練圖，則將S幅訓(xùn)練圖中對應(yīng)該特征點的N+1個正負樣本共S* (N+1)個樣本作為該特征點的訓(xùn)練樣本集；
[0084]S3、隨機選取MxM像素區(qū)域內(nèi)的兩個像素點pi和p2 ;對于所述訓(xùn)練樣本集中的每一樣本，在對應(yīng)像素點Pl和p2處進行灰度值大小比較，將所述訓(xùn)練樣本集分為左右子樹集兩類，形成當前節(jié)點；
[0085]具體地，通過對應(yīng)像素點pi和p2處進行灰度值大小比較，將pi灰度值大于p2的樣本送入當前節(jié)點的左邊子樹集，否則送入右邊子樹集，由此將訓(xùn)練樣本集中的所有樣本分成了兩類。
[0086]S4、重復(fù)上述步驟S3預(yù)定次數(shù)，選取預(yù)定條件的左右子樹集，并將對應(yīng)的像素點Pl和p2，作為該左右子樹集所在節(jié)點的分類器點對；[0087]重復(fù)上述步驟S3預(yù)定次數(shù)，將分類效果最佳的隨機像素點對作為該節(jié)點的分類器點對。
[0088]具體判斷過程如下:
[0089]通過重復(fù)步驟S3預(yù)定次數(shù)得到若干對左右子樹集，比較所有的左子樹集，從中選取正樣本比率最高的左子樹集所對應(yīng)的隨機像素點對Pl和p2，作為該節(jié)點的分類器點對；或者，比較所有的右子樹集，從中選取負樣本比率最高的右子樹集所對應(yīng)的隨機像素點對Pl和P2，作為該節(jié)點的分類器點對。
[0090]上述M、N均為自然數(shù)。
[0091]S5、對選取的所述左右子樹集分別進行步驟S3-步驟S4，直到頂層節(jié)點(直至達到樹的葉子節(jié)點或者達到最大層數(shù))。獲取各層節(jié)點的分類器點對，建立搜索路徑；并獲取各頂層節(jié)點的正樣本數(shù)和總樣本數(shù)；以各頂層節(jié)點的正樣本數(shù)和總樣本數(shù)的比率作為各頂層節(jié)點的相似概率，生成所述特征點的一決策樹；
[0092]S6、重復(fù)上述步驟S3-S5，對每一特征點生成L顆決策樹，從而形成該特征點的隨機森林局部紋理模型，即形成該特征點的隨機森林。
[0093]首先，初步估計當前輸入圖像中目標特征點的幾何位置作為搜索的起始位置；并在所述起始位置附近選取一搜索區(qū)域；
[0094]對所述搜索區(qū)域內(nèi)的每一像素點，根據(jù)所述隨機森林局部紋理模型中對應(yīng)的搜索路徑，獲取對應(yīng)頂層節(jié)點的相似概率，取其中相似概率最大的像素點的位置作為改進特征點位置Y，并記錄該改進特征點位置Y對應(yīng)的相似概率W ；
[0095]根據(jù)所述改進特征點位置Y、記錄的對應(yīng)的相似概率W，以及所述特征向量矩陣P、特征向量值I和平均特征點幾何位置X，進行幾何變換矩陣a和形狀變換矩陣b的迭代計算直至收斂，獲取最優(yōu)幾何變換矩陣a*和形狀變換矩陣b'
[0096]其中，優(yōu)化幾何變換矩陣a*采用上述公式(I )，優(yōu)化形狀變換矩陣b*采用上述公式
(2)。
[0097]上述公式(I)中,Y是改進特征點位置；W為改進特征點位置對應(yīng)的相似概率,P為特征向量矩陣；x為平均特征點幾何位置；a為幾何變換矩陣，b為形狀變換矩陣，a和b預(yù)先給定一初始值。
[0098]上述公式(2)中,Y是改進特征點位置；W為改進特征點位置對應(yīng)的相似概率,P為特征向量矩陣為特征向量值；x為平均特征點幾何位置。
[0099]通過上述公式(I)和(2)，依次迭代計算每次最優(yōu)的幾何轉(zhuǎn)換矩陣a*和形狀變換矩陣b%直至收斂，得到最終的最優(yōu)幾何轉(zhuǎn)換矩陣a*和形狀變換矩陣b'
[0100]最后，根據(jù)最優(yōu)幾何變換矩陣、形狀變換矩陣、特征向量矩陣以及平均特征點幾何位置計算獲取目標特征點位置Y'
[0101]具體計算過程如下:
[0102]根據(jù)ASM算法，目標特征點幾何位置Y*和訓(xùn)練集平均幾何坐標X、特征向量矩陣P有如下關(guān)系:
[0103]Y*=a* (X+Pb*)；
[0104]根據(jù)上述公式即可計算得到目標特征點幾何位置Y'
[0105]具體實施過程中，如圖5所示，所述模型建立模塊203可以包括:正負樣本獲取單元2031、訓(xùn)練樣本集獲取單元2032、分類單元2033、選取單元2034、生成單元2035，其中:
[0106]正負樣本獲取單元2031，用于對所述特征點矩陣中的每一特征點，將以該特征點為中心的MxM像素區(qū)域作為正樣本，在該特征點周圍隨機抽取N個偽特征點，并將以偽特征點為中心的MxM像素區(qū)域作為負樣本，得到N+1個正負樣本；
[0107]訓(xùn)練樣本集獲取單元2032，用于假設(shè)訓(xùn)練集圖庫包含S幅訓(xùn)練圖，則將S幅訓(xùn)練圖中對應(yīng)該特征點的N+1個正負樣本共S* (N+1)個樣本作為該特征點的訓(xùn)練樣本集；
[0108]分類單元2033，用于隨機選取MxM像素區(qū)域內(nèi)的兩個像素點pi和p2 ;對于所述訓(xùn)練樣本集中的每一樣本，在對應(yīng)像素點pi和p2處進行灰度值大小比較，將所述訓(xùn)練樣本集分為左右子樹集兩類；
[0109]選取單元2034，用于在所述分類單元重復(fù)操作預(yù)定次數(shù)后，選取預(yù)定條件的左右子樹集，并將對應(yīng)的像素點Pi和p2，作為該左右子樹集所在節(jié)點的分類器點對；
[0110]生成單元2035，用于在對選取的所述左右子樹集分別經(jīng)過分類單元及選取單元操作，直到頂層節(jié)點后，獲取各層節(jié)點的分類器點對，建立搜索路徑；并獲取各頂層節(jié)點的正樣本數(shù)和總樣本數(shù)；以各頂層節(jié)點的正樣本數(shù)和總樣本數(shù)的比率作為各頂層節(jié)點的相似概率,生成所述特征點的一決策樹；并以此對每一特征點生成L顆決策樹，形成該特征點的隨機森林局部紋理模型。
[0111]如圖6所示，所述第二提取模塊204可以包括:估計選取單元2041、改進特征點位置獲取單元2042、迭代計算單元2043、目標位置計算單元2044，其中:
[0112]估計選取單元2041，用于初步估計當前輸入圖像中待提取的特征點的幾何位置作為搜索的起始位置；并在所述起始位置附近選取一搜索區(qū)域；
[0113]改進特征點位置獲取單元2042，用于對所述搜索區(qū)域內(nèi)的每一像素點，根據(jù)所述隨機森林局部紋理模型中對應(yīng)的搜索路徑，獲取對應(yīng)頂層節(jié)點的相似概率，取其中相似概率最大的像素點的位置作為改進特征點位置，并記錄對應(yīng)的相似概率；
[0114]迭代計算單元2043，用于根據(jù)所述改進特征點位置、記錄的對應(yīng)的相似概率，以及所述特征向量矩陣、特征向量值和平均特征點幾何位置，進行幾何變換矩陣和形狀變換矩陣的迭代計算直至收斂，獲取最優(yōu)幾何變換矩陣和形狀變換矩陣；
[0115]目標位置計算單元2044，用于根據(jù)所述最優(yōu)幾何變換矩陣、形狀變換矩陣、特征向量矩陣以及平均特征點幾何位置計算獲取目標特征點位置。
[0116]本實施例通過上述方案，基于主動形態(tài)模型算法的框架，利用隨機森林算法生成局部紋理模型，改善了主動形態(tài)模型算法在分辨率低的算法健壯性；減少光照和色差的干擾，增強臉部特征點定位的魯棒性；而且基于隨機森林的局部紋理模型算法，較梯度信息紋理模型，極大的減小了計算復(fù)雜度，增加了特征點定位的實時性，其定位結(jié)果較同類算法更準確和快速。
[0117]如圖7所示，本發(fā)明第二實施例提出一種圖像特征提取裝置，在上述第一實施例的基礎(chǔ)上，還包括:
[0118]歸一化處理模塊205，用于對所述特征點矩陣進行圖像輪廓歸一化處理。
[0119]本實施例與上述第一實施例的區(qū)別在于，本實施例在得到訓(xùn)練集圖庫的特征點矩陣后，將訓(xùn)練集圖庫中的特征點輪廓歸一化到標準輪廓，使得訓(xùn)練集圖庫中各圖像的特征點輪廓具備統(tǒng)一性，比如，對于臉部圖像，不同人的臉型各不相同，因此便于同一特征點匕如嘴角)的提取，需要對臉型輪廓進行歸一化處理，使各臉部圖像達到標準輪廓，以提高特征點提取計算的準確性和魯棒性。他與第一實施例相同。
[0120]如圖8所示，本發(fā)明第三實施例提出一種圖像特征提取裝置，在上述第二實施例的基礎(chǔ)上，還包括:
[0121]降維處理模塊206，用于對所述特征點矩陣進行PCA降維處理。
[0122]本實施例與上述第二實施例的區(qū)別在于，本實施例在得到訓(xùn)練集圖庫的特征點矩陣，并將訓(xùn)練集圖庫中的特征點輪廓歸一化到標準輪廓后，需要對特征點矩陣進行PCA降維處理，以降低后續(xù)計算的復(fù)雜度。其他與第二實施例相同。
[0123]相比現(xiàn)有技術(shù)，本發(fā)明圖像特征提取方法具有如下優(yōu)點:
[0124]現(xiàn)有技術(shù)的主動形態(tài)模型(ASM)中的圖像梯度信息易于受光照和色差以及個體樣本差異影響，使得生成的局部紋理模型包含了過多的個體紋理信息，不具備唯一表征性，紋理模型健壯性欠佳，而本發(fā)明提出的基于決策樹的隨機森林算法，能夠有效的找出具有唯一辨識度的紋理信息，且通過隨機森林紋理模型，可以計算出像素逼近目標特征點的最大似然概率，具有更穩(wěn)健和更準確的搜索鏈路；
[0125]現(xiàn)有技術(shù)的主動形態(tài)模型(ASM)中的建立局部紋理模型時，需要計算出法線上若干像素的梯度信息、歸一化處理，生成特征點的梯度向量，然后計算出所有特征點的梯度向量矩陣，在搜索過程中每次需要計算當前搜索形狀的梯度向量矩陣和訓(xùn)練集梯度向量矩陣的相似度，其計算復(fù)雜度高；而本發(fā)明基于隨機森林的局部紋理模型，可以僅需比較圖像兩點之間的灰度信息，不需要復(fù)雜的邏輯運算，搜索的計算復(fù)雜度遠小于基于梯度信息的局部紋理模型，更加滿足搜索的實時性需求；
[0126]此外，對于分辨率較低的圖像，由于受限于局部像素信息，主動形態(tài)模型(ASM)的梯度紋理模型識別效果較差，而本發(fā)明基于隨機森林的局部紋理模型，能夠準確區(qū)分特征點和非特征點，建立有效性最佳的紋理模型。
[0127]本發(fā)明實施例圖像特征提取方法及裝置，通過標定訓(xùn)練集圖庫中各圖像輪廓的特征點，得到訓(xùn)練集圖庫的特征點矩陣；從特征點矩陣中提取特征向量矩陣、特征向量值以及訓(xùn)練集圖庫的平均特征點幾何位置；并通過隨機森林算法生成訓(xùn)練集圖庫中每個特征點的隨機森林局部紋理模型；以此隨機森林局部紋理模型以及提取的特征向量矩陣、特征向量值和平均特征點幾何位置對當前輸入圖像進行特征提取，由此，基于主動形態(tài)模型算法的框架，利用隨機森林算法生成的局部紋理模型，改善了主動形態(tài)模型算法在分辨率低的算法健壯性；減少光照和色差的干擾，增強臉部特征點定位的魯棒性；同時極大的減小了計算復(fù)雜度，增加了特征點定位的實時性、準確性。
[0128]以上所述僅為本發(fā)明的優(yōu)選實施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或流程變換，或直接或間接運用在其它相關(guān)的【技術(shù)領(lǐng)域】，均同理包括在本發(fā)明的專利保護范圍內(nèi)。
【權(quán)利要求】
1.一種圖像特征提取方法，其特征在于，包括: 標定訓(xùn)練集圖庫中各圖像輪廓的特征點，得到訓(xùn)練集圖庫的特征點矩陣； 從所述特征點矩陣中提取特征向量矩陣、特征向量值以及所述訓(xùn)練集圖庫的平均特征點幾何位置； 通過隨機森林算法生成所述訓(xùn)練集圖庫中每個特征點的隨機森林局部紋理模型； 根據(jù)所述隨機森林局部紋理模型、所述特征向量矩陣、特征向量值以及平均特征點幾何位置對當前輸入圖像進行特征提取。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述通過隨機森林算法生成所述訓(xùn)練集圖庫中每個特征點的隨機森林局部紋理模型的步驟包括: S1、對所述特征點矩陣中的每一特征點，將以該特征點為中心的像素區(qū)域作為正樣本，在該特征點周圍隨機抽取N個偽特征點，并將以偽特征點為中心的像素區(qū)域作為負樣本，得到N+1個正負樣本； S2、設(shè)定訓(xùn)練集圖庫包含S幅訓(xùn)練圖，則將S幅訓(xùn)練圖中對應(yīng)該特征點的N+1個正負樣本共S* (N+1)個樣本作為該特征點的訓(xùn)練樣本集； S3、隨機選取所述像素區(qū)域內(nèi)的兩個像素點；對于所述訓(xùn)練樣本集中的每一樣本，在對應(yīng)兩個像素點處進行灰度值大小比較，將所述訓(xùn)練樣本集分為左右子樹集兩類； S4、重復(fù)上述步驟S3預(yù)定次數(shù)，選取預(yù)定條件的左右子樹集，并將對應(yīng)的兩個像素點，作為該左右子樹集所在節(jié)點的分類器點對； S5、對選取的所述左右子樹集分別進行步驟S3-步驟S4，直到頂層節(jié)點，獲取各層節(jié)點的分類器點對，建立搜索路徑；并獲取各頂層節(jié)點的正樣本數(shù)和總樣本數(shù)；以各頂層節(jié)點的正樣本數(shù)和總樣本數(shù)的比率作為各頂層節(jié)點的相似概率，生成所述特征點的一決策樹； S6、重復(fù)上述步驟S3-S5,對每一特征點生成L顆決策樹,形成該特征點的隨機森林局部紋理模型。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述從特征點矩陣中提取特征向量矩陣、特征向量值以及所述訓(xùn)練集圖庫的平均特征點幾何位置的步驟之前還包括: 對所述特征點矩陣進行圖像輪廓歸一化處理。
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述從特征點矩陣中提取特征向量矩陣、特征向量值以及所述訓(xùn)練集圖庫的平均特征點幾何位置的步驟之前還包括: 對所述特征點矩陣進行PCA降維處理。
5.根據(jù)權(quán)利要求2、3或4所述的方法，其特征在于，所述根據(jù)隨機森林局部紋理模型、所述特征向量矩陣、特征向量值以及平均特征點幾何位置對當前輸入圖像進行特征提取的步驟包括: 選取當前輸入圖像中目標特征點的一幾何位置作為搜索的起始位置；并在所述起始位置附近選取一搜索區(qū)域； 對所述搜索區(qū)域內(nèi)的每一像素點，根據(jù)所述隨機森林局部紋理模型中對應(yīng)的搜索路徑，獲取對應(yīng)頂層節(jié)點的相似概率，取其中相似概率最大的像素點的位置作為改進特征點位置，并記錄對應(yīng)的相似概率； 根據(jù)所述改進特征點位置、記錄的對應(yīng)的相似概率，以及所述特征向量矩陣、特征向量值和平均特征點幾何位置，進行幾何變換矩陣和形狀變換矩陣的迭代計算直至收斂，獲取最優(yōu)幾何變換矩陣和形狀變換矩陣； 根據(jù)所述最優(yōu)幾何變換矩陣和形狀變換矩陣、特征向量矩陣以及平均特征點幾何位置計算獲取目標特征點位置。
6.一種圖像特征提取裝置，其特征在于，包括: 標定模塊，用于標定訓(xùn)練集圖庫中各圖像輪廓的特征點，得到訓(xùn)練集圖庫的特征點矩陣； 第一提取模塊，用于從所述特征點矩陣中提取特征向量矩陣、特征向量值以及所述訓(xùn)練集圖庫的平均特征點幾何位置； 模型建立模塊，用于通過隨機森林算法生成所述訓(xùn)練集圖庫中每個特征點的隨機森林局部紋理模型； 第二提取模塊，用于根據(jù)所述隨機森林局部紋理模型、所述特征向量矩陣、特征向量值以及平均特征點幾何位置對當前輸入圖像進行特征提取。
7.根據(jù)權(quán)利要求6所述的裝置，其特征在于，所述模型建立模塊包括: 正負樣本獲取單元，用于對所述特征點矩陣中的每一特征點，將以該特征點為中心的像素區(qū)域作為正 樣本，在該特征點周圍隨機抽取N個偽特征點，并將以偽特征點為中心的像素區(qū)域作為負樣本，得到N+1個正負樣本； 訓(xùn)練樣本集獲取單元，用于設(shè)定訓(xùn)練集圖庫包含S幅訓(xùn)練圖，則將S幅訓(xùn)練圖中對應(yīng)該特征點的N+1個正負樣本共S* (N+1)個樣本作為該特征點的訓(xùn)練樣本集； 分類單元，用于隨機選取所述像素區(qū)域內(nèi)的兩個像素點；對于所述訓(xùn)練樣本集中的每一樣本，在對應(yīng)兩個像素點處進行灰度值大小比較，將所述訓(xùn)練樣本集分為左右子樹集兩類； 選取單元，用于在所述分類單元重復(fù)操作預(yù)定次數(shù)后，選取預(yù)定條件的左右子樹集，并將對應(yīng)的兩個像素點，作為該左右子樹集所在節(jié)點的分類器點對； 生成單元，用于在對選取的所述左右子樹集分別經(jīng)過分類單元及選取單元操作，直到頂層節(jié)點后，獲取各層節(jié)點的分類器點對，建立搜索路徑；并獲取各頂層節(jié)點的正樣本數(shù)和總樣本數(shù)；以各頂層節(jié)點的正樣本數(shù)和總樣本數(shù)的比率作為各頂層節(jié)點的相似概率，生成所述特征點的一決策樹；并以此對每一特征點生成L顆決策樹,形成該特征點的隨機森林局部紋理模型。
8.根據(jù)權(quán)利要求6所述的裝置，其特征在于，還包括: 歸一化處理模塊，用于對所述特征點矩陣進行圖像輪廓歸一化處理。
9.根據(jù)權(quán)利要求6所述的裝置，其特征在于，還包括: 降維處理模塊，用于對所述特征點矩陣進行PCA降維處理。
10.根據(jù)權(quán)利要求7、8或9所述的裝置，其特征在于，所述第二提取模塊包括: 估計選取單元，用于選取當前輸入圖像中目標特征點的一幾何位置作為搜索的起始位置；并在所述起始位置附近選取一搜索區(qū)域； 改進特征點位置獲取單元，用于對所述搜索區(qū)域內(nèi)的每一像素點，根據(jù)所述隨機森林局部紋理模型中對應(yīng)的搜索路徑，獲取對應(yīng)頂層節(jié)點的相似概率，取其中相似概率最大的像素點的位置作為改進特征點位置，并記錄對應(yīng)的相似概率； 迭代計算單元，用于根據(jù)所述改進特征點位置、記錄的對應(yīng)的相似概率，以及所述特征向量矩陣、特征向量值和平均特征點幾何位置，進行幾何變換矩陣和形狀變換矩陣的迭代計算直至收斂，獲取最優(yōu)幾何變換矩陣和形狀變換矩陣； 目標位置計算單元，用于根據(jù)所述最優(yōu)幾何變換矩陣和形狀變換矩陣、特征向量矩陣以及平均特征點幾 何位置計算獲取目標特征點位置。
【文檔編號】G06K9/62GK103971112SQ201310046365
【公開日】2014年8月6日 申請日期:2013年2月5日 優(yōu)先權(quán)日:2013年2月5日
【發(fā)明者】郭安泰, 孫金陽 申請人:騰訊科技（深圳）有限公司