CN110399844B 一种应用于跨平台的人脸关键点识别与追踪方法及系统 （南京图玩智能科技有限公司）

andAlignmentUsingMultitas一种应用于跨平台的人脸关键点识别与追本发明涉及一种应用于跨平台的人脸关键首先收集人脸图像，标记每张人脸图像的关键通过多任务卷积神经网络模型计算当前帧的人2步骤二，基于多任务卷积神经网络算法，对每张图像进加入线性SVM算法将人脸关键点与人脸是否对齐的判定标准以文件格式存储在模型中，当步骤四，采用第一帧人脸图像的关键点信息作波器对当前得到的形状坐标进行滤波处理并将滤波后的人脸形状坐标作为当前帧的真实步骤五，累计追踪预计数量的人脸关键点信息后，通过预脸图像区域并快速生成人脸候选框；R-Net网络用于滤除效果比较差的人脸候选框并对选4.一种应用于跨平台的人脸关键点识别与追踪系统，基于权利要求1-3任一所述的方所述人脸检测与关键点识别模型训练模块，基于收集的人脸图像并标注关键所述人脸图像处理模块，包括图像修复与预处理单元和与所述图像修依次连接的人脸区域与关键点识别单元和人脸区域与关3所述人脸区域与关键点识别单元，读取输入多任务卷积神经网络模型所述所述人脸区域与关键点追踪单元，基于上一帧的关键点信息作为当前帧的输入，判定当前帧人脸关键点是够处于追踪成功的状态，直至累计追踪至预计数量的人脸关键所述人脸信息计算模块，通过预先训练的人脸偏转交计算模型所述人脸图像处理模块包括人脸关键点演算单元，与人脸关键点鲁棒性强化单元相4[0009]本发明的目的在于提供一种应用于跨平台的人脸关键点5的人脸候选框并对选定的候选框进行边框回归和面部关键点定位器进行人脸区域的边框[0019]步骤四中在识别当前帧人脸图像关键点后进行分层化卡尔曼滤波算法对人脸关键点进行鲁棒性强化处理后，再通过SVM支持向量机方法判定当前帧人脸图像关键点是否对当前得到的形状坐标进行滤波处理并将滤波后的人脸形状坐标作为当前帧的真实坐标[0022]步骤二中在多任务卷积神经网络模型训练前，加入线性SVM算法将人脸关键点与[0024]所述人脸检测与关键点识别模型训练模块，基于收集的6化卡尔曼滤波算法对当前帧人脸图像关键点进[0044]如图1，本发明的一种应用于跨平台的人脸关键点识别与追踪方法，包括如下步7经网络模型计算当前帧的人脸关键点信息，并通过SVM支持向量机方法判定当前帧人脸图[0050]在多任务卷积神经网络模型训练前，加入线性SVM算法将人脸关键点与人脸是否网络用于检测为人脸图像区域并快速生成人脸候选框；R-Net网络用于滤除效果比较差的人脸候选框并对选定的候选框进行边框回归和面部关键点定位器进行人脸区域的边框回通过一个FCN进行初步特征提取与标定边框，并采用边框回归调整窗口与非最大值抑制进多预测窗口，R-Net网络用于滤除效果比较差的人脸候选框并对选定的候选框进行边框回归和面部关键点定位器进行人脸区域的边框回归和关键点定位，输出可信度高的人脸区8[0061]MTCNN为了兼顾性能和准确率，避免滑动窗口加分类器等传统思路带来的巨大的度更高的网络O-Net对剩余的目标区域框进行判别和区域[0062]在识别当前帧人脸图像关键点后进行分层化卡尔曼滤波算法对人脸关键点进行鲁棒性强化处理后，再通过SVM支持向量机方法判定当前帧人脸图像关键点是否处于追踪消除关键点的抖动，但会导致当前帧计算出的人脸关键点信息是前n帧人脸位置下的关键n倍于人脸形状大小的内存空间存储跟踪成功的最近m，n帧人脸形状坐标，设置起始标志9[0076]本发明的应用于跨平台的人脸关键点识别与追踪系