The invention discloses a method and a system for detecting a face key point of a face image. The method can include: from the face image at least one face region and / or the whole face image to extract multiple feature maps; generating feature vectors sharing from multiple feature maps extracted; and predicting the face of key points of face image from the face feature vector by sharing the generation of. Through the method and system of the present invention, the key point detection of the human face can be optimized together with the tasks of heterogeneous but delicate, so as to improve the reliability of detection through the multi task learning.
【技术实现步骤摘要】
【国外来华专利技术】
本申请涉及人脸对齐,确切地说,涉及用于人脸关键点(landmark)检测的方法和系统。
技术介绍
人脸关键点检测是很多人脸分析任务(诸如,人脸属性推断、人脸验证和人脸识别)的基本内容,但一直受到光遮蔽(occlusion)和姿势变化问题的阻碍。准确的人脸关键点检测可使用级联CNN(卷积神经网络)来执行,其中人脸被预先分区分成不同的部分,每个部分都由单独的深度CNN进行处理。得到的输出随后进行平均并且传输到单独的级联层,以分别处理每个人脸关键点。此外,人脸关键点检测不是独立问题,它的估计可受到很多异构但微妙关联的因素的影响。例如,当小孩在微笑时,他/她的嘴巴张开很大。有效地发现和利用此类内在关联的人脸属性将有助于更准确地检测嘴角。另外,在左右旋转较大的人脸中,两眼间的距离更小。这种姿势信息可用作附加信息来源,以约束关键点估计的解空间。在给定丰富的合理相关任务的集合的情况下,孤立地处理人脸关键点检测会适得其反。然而,不同任务在学习难点方面会固有地不同,并且具有不同的收敛速率。此外,在同时学习时某些任务可能比其他任务更早地过度拟合,从而将危害整个模型的学习收敛。
技术实现思路
在本申请的一方面,公开了用于检测人脸图像的人脸关键点的方法。所述方法可包括:从人脸图像的至少一个人脸区域中提取多个特征图;从所提取的多个特征图中生成共享的人脸特征向量;以及从所生成的共享的人脸特征向量中预测人脸图像的人脸关键点位置。在本申请的另一方面,公开了用于检测人脸图像的人脸关键点的系统。所述系统可包括特征提取器和预测器。特征提取器可从人脸图像的至少一个人脸区域中提取多个特征图,并且从所 ...
【技术保护点】
一种用于检测人脸图像的人脸关键点的方法,包括:从所述人脸图像的至少一个人脸区域中提取多个特征图;从所提取的多个特征图中生成共享的人脸特征向量;以及从所生成的共享的人脸特征向量中预测所述人脸图像的人脸关键点位置。
【技术特征摘要】
【国外来华专利技术】1.一种用于检测人脸图像的人脸关键点的方法,包括:从所述人脸图像的至少一个人脸区域中提取多个特征图;从所提取的多个特征图中生成共享的人脸特征向量;以及从所生成的共享的人脸特征向量中预测所述人脸图像的人脸关键点位置。2.根据权利要求1所述的方法,其中所述人脸关键点包括选自由以下组成的组中的至少一个:人脸图像的双眼中心点、鼻子和嘴角。3.根据权利要求1所述的方法,其中在预测的步骤中,所述共享的人脸特征向量用来预测与所述人脸关键点检测相关联的至少一个辅助任务的对应目标,以同时获取所有的所述辅助任务的目标预测。4.根据权利要求3所述的方法,其中所述辅助任务包括选自由以下组成的组中的至少一个:头部姿势估计、性别分类、年龄估计、人脸表情识别或者人脸属性推断。5.根据权利要求4所述的方法,其中所述提取与所述生成的步骤由卷积神经网络执行,所述卷积神经网络包括被配置成执行卷积和最大池化操作的多个卷积-池化层,以及其中,所述提取的步骤还包括:由所述多个卷积-池化层连续地提取所述多个特征图,其中由所述卷积-池化层中的前一层提取的所述特征图输入到所述卷积-池化层的下一层,以提取与先前提取的特征图不同的特征图。6.根据权利要求5所述的方法,其中所述卷积神经网络还包括全连接层,并且在所述生成的步骤中,由所述全连接层从所有的所提取的多个特征图中生成所述共享人脸特征向量。7.根据权利要求6所述的方法,其中所述卷积神经网络的每个层具有多个神经元,以及其中所述方法还包括:使用预定训练集来训练所述卷积神经网络,以调整所述卷积神经网络的所述神经元之间的连接的每个权重,从而使得由具有经过调整的权重的卷积神经网络生成所述共享的人脸特征向量。8.根据权利要求7所述的方法,其中所述训练的步骤还包括:从所述预定训练集中对训练人脸图像、其标定真实关键点位置和其用于每个辅助任务的标定真实目标进行取样;比较所预测的人脸关键点位置与所述标定真实关键点位置之间的不同,以生成关键点误差;分别比较所述目标预测与用于每个辅助任务的标定真实目标之间的不同,以生成至少一个训练任务误差;以及将所生成的关键点误差和所生成的训练任务误差反向传播通过所述卷积神经网络,以调整所述卷积神经网络的所述神经元之间的连接的权重;重复所述取样、所述比较和所述反向传播的步骤,直到所述生成的关键点误差小于第一预定值并且所述生成的训练任务误差小于第二预定值。9.根据权利要求8所述的方法,其中比较以生成关键点误差根据最小二乘法处理来执行,并且比较以生成训练任务误差根据交叉熵处理来执行。10.根据权利要求8所述的方法,其中针对每个辅助任务,所述训练的步骤还包括:从预定验证集中对验证人脸图像以及其用于每个辅助任务的标定真实目标进行取样;比较所述目标检测与所述标定真实目标之间的不同,以生成验证任务误差;重复所述取样和所述比较,直到所述生成的训练任务误差小于第三预定值并且所生成的验证任务误差小于第四预定值。11.根据权利要求1所述的方法,其中在预测的步骤中,所述人脸图像的所述预测的人脸关键点位置根据(Wr)Txl来确定,其中Wr代表分配到所述人脸关键点检测的权重,并且xl代表所述共享的人脸特征矢量,以及T代表转置。12.一种用于检测人脸图像的人脸关键点的系统,包括:特征提取器,其被配置成:从所述人脸图...
【专利技术属性】
技术研发人员:汤晓鸥,张展鹏,罗平,吕健勤,
申请(专利权)人:北京市商汤科技开发有限公司,
类型:发明
国别省市:北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。