基于卷积神经网络的人脸深度预测方法技术

本发明专利技术公开了一种基于卷积神经网络的人脸深度预测方法，包括生成一人脸深度预测神经网络的步骤，所述生成一人脸深度预测神经网络的步骤包括：搭建具有特定架构的卷积神经网络，所述特定架构是指在卷积层的输出端依次串联规范化操作和激励操作，再在串联了前述两个操作的卷积层上并联k×k的卷积；初始化该卷积神经网络；将RGB人脸图片输入该卷积神经网络，以最小化代价函数为目标进行迭代，以训练形成所述人脸深度预测神经网络。

【技术实现步骤摘要】
基于卷积神经网络的人脸深度预测方法
本专利技术涉及计算机视觉与数字图像处理领域，具体涉及一种基于卷积神经网络的人脸深度预测方法。
技术介绍
人脸深度预测，是计算机视觉领域一个新颖且富有挑战性的问题。对人脸进行深度预测是理解整个人脸几何关系的重要组成部分。相应的，这样得到的人脸几何关系能够很好地反映人脸上的器官以及整个人面部的环境，如果能得到较好的人脸面部深度信息，将会对人脸识别问题提供非常大的帮助，同时也助于构建人脸的3D模型，还可协助解决人脸三维重建问题。但是从一张人脸的RGB图片中预测出整个人脸的深度信息本身是一个具有病态性质的问题，因为在将RGB图像的颜色信息映射成深度值的过程中面临诸多的不确定性。为了解决这一问题，一些现有的方法通过马尔科夫随场来获得深度信息，通过条件随机场来正则化深度图，但是这些方法依赖于图像的水平校准，因而对训练环境比较敏感。而后，随着卷积神经网络(ConvolutionalNeuralNetworks，CNN)的提出，有人提出了基于卷积神经网络进行深度预测的方法，这些方法取得了较好的效果，但也存在诸多缺陷和不足，例如：随着卷积网络层数的不断增加会面临梯度本文档来自技高网...

【技术保护点】
一种基于卷积神经网络的人脸深度预测方法，包括生成一人脸深度预测神经网络的步骤，所述生成一人脸深度预测神经网络的步骤包括：S1、搭建卷积神经网络，所述卷积神经网络包括多个依次串联的卷积层单元和多个依次串联的反卷积层，并且最末一个卷积层单元的输出端连接于第一个反卷积层的输入端；每个所述卷积层单元包括一个卷积层以及该卷积层输出端依次串联的一规范化操作和一激励操作；每个所述卷积层单元分别并联有一个k×k的卷积，其中k为大于0的整数；S2、初始化所述卷积神经网络的训练参数；S3、将用于训练的人脸图片输入到初始化后的卷积神经网络中，以最小化代价函数为目标进行迭代，以生成所述人脸深度预测神经网络；其中，每迭...

【技术特征摘要】
1.一种基于卷积神经网络的人脸深度预测方法，包括生成一人脸深度预测神经网络的步骤，所述生成一人脸深度预测神经网络的步骤包括：S1、搭建卷积神经网络，所述卷积神经网络包括多个依次串联的卷积层单元和多个依次串联的反卷积层，并且最末一个卷积层单元的输出端连接于第一个反卷积层的输入端；每个所述卷积层单元包括一个卷积层以及该卷积层输出端依次串联的一规范化操作和一激励操作；每个所述卷积层单元分别并联有一个k×k的卷积，其中k为大于0的整数；S2、初始化所述卷积神经网络的训练参数；S3、将用于训练的人脸图片输入到初始化后的卷积神经网络中，以最小化代价函数为目标进行迭代，以生成所述人脸深度预测神经网络；其中，每迭代一次则更新一次所述训练参数。2.如权利要求1所述的人脸深度预测方法，其特征在于：步骤S2中通过随机高斯分布生成初始化的训练参数；步骤S3中利用反向传播算法来更新所述训练参数。3.如权利要求1所述的人脸深度预测方法，其特征在于：步骤S3中的代价函数如下：其中，为正则项，为损失项；，yi、yi*分别表示用于训练的第i张人脸图片经过所述卷积神经网络训练后所得到的像素深度值、像素groundtruth值，n表示用于训练的每张人脸图片中具有深度信息的像素点个数，λ表示损失项的正则系数。4.如权利要求3所述的人脸深度预测方法，其特征在于：通过采用AdamOptimizer方法来最小化代价函数。5.如权利要求1所述的人脸深度预测方法，其特征在于：所述规范化操作为BatchNormalization操作，所述激励操作为LeakyReLU激励操作。6.一种基于卷积神经网络的人脸深度预测方法，包括生成一人脸深度预测神经网络的步骤，所述生成一人脸深度预测神经网络的步骤包括：S1、搭建卷积神经网络，所述卷积神经网络包括多个依次串联的第一卷积层单元、多个依次串联的第二卷积...

【专利技术属性】
技术研发人员：王好谦，章书豪，方璐，王兴政，张永兵，戴琼海，
申请(专利权)人：深圳市未来媒体技术研究院，清华大学深圳研究生院，
类型：发明
国别省市：广东,44