一种图像数据标定训练方法及其设备、存储介质、服务器技术

本发明专利技术实施例公开一种图像数据标定训练方法及其设备、存储介质、服务器，其中方法包括如下步骤：获取图像数据经扰动处理后对应的扰动图像数据集合，及该集合对应的参考标定坐标；基于CNN获取扰动图像数据集合的目标标定坐标；将参考标定坐标和目标标定坐标作为图像数据标定训练过程中正向传播函数的输入参数；获取正向传播函数的梯度信息，根据梯度信息和CNN的学习率获取正向传播函数的输出变化量；根据输出变化量获取训练过程中反向传播函数内目标标定坐标的坐标变化量；基于坐标变化量调整CNN中各层网络参数，使调整网络参数后的CNN计算得到的正向传播函数的输出变化量最小。采用本发明专利技术，可以提高训练后的模型对图片中人脸进行标定的准确性。

【技术实现步骤摘要】
一种图像数据标定训练方法及其设备、存储介质、服务器
本专利技术涉及计算机
，尤其涉及一种图像数据标定训练方法及其设备、存储介质、服务器。
技术介绍
在互联网技术快速发展以及人工智能技术越来越成熟的网络互联网时代，人脸定位这一图像处理技术成为了当下研究的热点技术之一。其中，人脸定位是通过图像处理算法计算出图片上人脸的各个特征点位置的技术，特征点可以是人脸上比价显著的点，例如眼角、眉角、嘴角、鼻尖以及下巴等。现有技术中，深度学习算法(例如，卷积神经网络CNN)是当前最常用的人脸定位算法，具体通过对图像库中图像的训练得到的训练模型，从而对人脸上各个特征点的位置的图片进行定位，然而，由于深度学习训练用的图像库中有些图像的标定点的存在误差或者错误，影响了训练后的模型对图像中人脸特征点进行标定的准确性。
技术实现思路
本专利技术实施例提供一种图像数据标定训练方法及其设备、存储介质、服务器，通过对已准确添加标定点的图像进行扰动处理，并分析扰动处理后的图像集合的训练过程，可以提高训练后的模型对图像中人脸特征点进行标定的准确性。本专利技术实施例第一方面提供了一种图像数据标定训练方法，可包括：获取图像数据经扰动处理后所对应的扰动图像数据集合，并获取所述扰动图像数据集合对应的参考标定坐标；基于卷积神经网络CNN获取所述扰动图像数据集合对应的目标标定坐标；将所述参考标定坐标和所述目标标定坐标作为图像数据标定训练过程中正向传播函数的输入参数；基于所述输入参数获取所述正向传播函数的梯度信息，并根据所述梯度信息和所述CNN的学习率获取所述正向传播函数的输出变化量；根据所述输出变化量获取所述图像数据标定训练过程中反向传播函数所指示的所述目标标定坐标的坐标变化量；基于所述坐标变化量调整所述CNN中各网络层的网络参数，使得基于调整网络参数后的CNN计算得到的正向传播函数的输出变化量最小。本专利技术实施例第二方面提供了一种图像数据标定训练设备，可包括：参考坐标获取单元，用于获取图像数据经扰动处理后所对应的扰动图像数据集合，并获取所述扰动图像数据集合对应的参考标定坐标；目标坐标获取单元，用于基于卷积神经网络CNN获取所述扰动图像数据集合对应的目标标定坐标；参数确定单元，用于将所述参考标定坐标和所述目标标定坐标作为图像数据标定训练过程中正向传播函数的输入参数；输出变化获取单元，用于基于所述输入参数获取所述正向传播函数的梯度信息，并根据所述梯度信息和所述CNN的学习率获取所述正向传播函数的输出变化量；坐标变化获取单元，用于根据所述输出变化量获取所述图像数据标定训练过程中反向传播函数所指示的所述目标标定坐标的坐标变化量；参数调整单元，用于基于所述坐标变化量调整所述CNN中各网络层的网络参数，使得基于调整网络参数后的CNN计算得到的正向传播函数的输出变化量最小。本专利技术实施例第三方面提供了一种计算机存储介质，所述计算机存储介质存储有多条指令，所述指令适于由处理器加载并执行以下步骤：获取图像数据经扰动处理后所对应的扰动图像数据集合，并获取所述扰动图像数据集合对应的参考标定坐标；基于卷积神经网络CNN获取所述扰动图像数据集合对应的目标标定坐标；将所述参考标定坐标和所述目标标定坐标作为图像数据标定训练过程中正向传播函数的输入参数；基于所述输入参数获取所述正向传播函数的梯度信息，并根据所述梯度信息和所述CNN的学习率获取所述正向传播函数的输出变化量；根据所述输出变化量获取所述图像数据标定训练过程中反向传播函数所指示的所述目标标定坐标的坐标变化量；基于所述坐标变化量调整所述CNN中各网络层的网络参数，使得基于调整网络参数后的CNN计算得到的正向传播函数的输出变化量最小。本专利技术实施例第四方面提供了一种服务器，可包括：处理器和存储器；其中，所述存储器存储有计算机程序，所述计算机程序适于由所述处理器加载并执行以下步骤：获取图像数据经扰动处理后所对应的扰动图像数据集合，并获取所述扰动图像数据集合对应的参考标定坐标；基于卷积神经网络CNN获取所述扰动图像数据集合对应的目标标定坐标；将所述参考标定坐标和所述目标标定坐标作为图像数据标定训练过程中正向传播函数的输入参数；基于所述输入参数获取所述正向传播函数的梯度信息，并根据所述梯度信息和所述CNN的学习率获取所述正向传播函数的输出变化量；根据所述输出变化量获取所述图像数据标定训练过程中反向传播函数所指示的所述目标标定坐标的坐标变化量；基于所述坐标变化量调整所述CNN中各网络层的网络参数，使得基于调整网络参数后的CNN计算得到的正向传播函数的输出变化量最小。在本专利技术实施例中，通过获取图像数据经扰动处理后所对应的扰动图像数据集合，以及扰动图像数据集合对应的参考标定坐标，基于卷积神经网络CNN获取扰动图像数据集合对应的目标标定坐标，再将参考标定坐标和目标标定坐标作为图像数据标定训练过程中正向传播函数的输入参数，然后基于输入参数获取正向传播函数的梯度信息，并根据梯度信息和CNN的学习率获取正向传播函数的输出变化量，最后根据输出变化量获取图像数据标定训练过程中反向传播函数所指示的目标标定坐标的坐标变化量，基于坐标变化量调整CNN中各网络层的网络参数，使得基于调整网络参数后的CNN计算得到的正向传播函数的输出变化量最小。通过将图像数据经扰动处理后得到的扰动图像数据集合作为训练用的一批图像，再分析扰动图像数据集合作为训练用图像的训练过程，提高了训练后的模型对图像中人脸特征点进行标定的准确性。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的一种图像数据标定训练方法的流程示意图；图2是本专利技术实施例提供的一种人脸识别过程示意图；图3是本专利技术实施例提供的一种扰动图像数据集合显示示意图；图4是本专利技术实施例提供的另一种图像数据标定训练方法的流程示意图；图5是本专利技术实施例提供的一种图像数据标定训练设备的结构示意图；图6是本专利技术实施例提供的另一种图像数据标定训练设备的结构示意图；图7是本专利技术实施例提供的参考坐标获取单元的结构示意图；图8是本专利技术实施例提供的参数调整单元的结构示意图；图9是本专利技术实施例提供的一种服务器的结构示意图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本专利技术实施例提供的图像数据标定训练方法可以应用于基于CNN对人脸图像进行训练的场景中，例如：图像数据标定训练设备获取图像数据经扰动处理后所对应的扰动图像数据集合，以及所述扰动图像数据集合对应的参考标定坐标，基于卷积神经网络CNN获取所述扰动图像数据集合对应的目标标定坐标，再将所述参考标定坐标和所述目标标定坐标作为图像数据标定训练过程中正向传播函数的输入参数，基于所述输入参数获取所述正向传播函数的梯度信息，并根据所述梯度信息和所述本文档来自技高网...

【技术保护点】
一种图像数据标定训练方法，其特征在于，包括：获取图像数据经扰动处理后所对应的扰动图像数据集合，并获取所述扰动图像数据集合对应的参考标定坐标；基于卷积神经网络CNN获取所述扰动图像数据集合对应的目标标定坐标；将所述参考标定坐标和所述目标标定坐标作为图像数据标定训练过程中正向传播函数的输入参数；基于所述输入参数获取所述正向传播函数的梯度信息，并根据所述梯度信息和所述CNN的学习率获取所述正向传播函数的输出变化量；根据所述输出变化量获取所述图像数据标定训练过程中反向传播函数所指示的所述目标标定坐标的坐标变化量；基于所述坐标变化量调整所述CNN中各网络层的网络参数，使得基于调整网络参数后的CNN计算得到的正向传播函数的输出变化量最小。

【技术特征摘要】
1.一种图像数据标定训练方法，其特征在于，包括：获取图像数据经扰动处理后所对应的扰动图像数据集合，并获取所述扰动图像数据集合对应的参考标定坐标；基于卷积神经网络CNN获取所述扰动图像数据集合对应的目标标定坐标；将所述参考标定坐标和所述目标标定坐标作为图像数据标定训练过程中正向传播函数的输入参数；基于所述输入参数获取所述正向传播函数的梯度信息，并根据所述梯度信息和所述CNN的学习率获取所述正向传播函数的输出变化量；根据所述输出变化量获取所述图像数据标定训练过程中反向传播函数所指示的所述目标标定坐标的坐标变化量；基于所述坐标变化量调整所述CNN中各网络层的网络参数，使得基于调整网络参数后的CNN计算得到的正向传播函数的输出变化量最小。2.如权利要求1所述的方法，其特征在于，所述获取图像数据经扰动处理后所对应的扰动图像数据集合，并获取所述扰动图像数据集合对应的参考标定坐标，包括：获取所输入的图像数据，并获取所述图像数据携带的原标定点；对所述图像数据进行扰动处理，获取经所述扰动处理后所述图像数据对应的扰动图像数据集合；获取所述扰动图像数据集合中各扰动图像数据携带的扰动标定点，将所述扰动标定点对应的标定坐标确定为参考标定坐标，所述扰动标定点为所述原标定点经所述扰动处理后所得的标定点。3.如权利要求1所述的方法，其特征在于，所述扰动处理包括运动模糊处理。4.如权利要求1所述的方法，其特征在于，所述基于所述坐标变化量调整所述CNN中各网络层的网络参数，使得基于调整网络参数后的CNN计算得到的正向传播函数的输出变化量最小，包括：基于所述坐标变化量调整所述CNN中各网络层的网络参数，并基于调整网络参数后的CNN重新获取所述扰动图像数据对应的目标标定坐标；以所述参考标定坐标和重新获取到的所述目标标定坐标作为输入参数重新获取所述正向传播函数的梯度信息；根据重新获取到的梯度信息中的梯度方向确定所述CNN的训练方向，并在所述训练方向上确定所述CNN的学习率，判断所述学习率是否达到最小值；若所述学习率已达到最小值，则确定基于调整网络参数后的CNN计算得到的正向传播函数的输出变化量最小，否则重新基于所述坐标变化量调整所述CNN中各网络层的网络参数。5.如权利要求1所述的方法，其特征在于，还包括：所述正向传播函数包括由所述参考标定点和所述目标标定点确定的距离函数和方差函数，以及分别与所述距离函数和所述方差函数对应的权值。6.如权利要求5所述的方法，还包括：在以所述参考标定坐标和所述目标标定坐标作为输入参数获取所述正向传播函数的梯度信息时，基于预设的参数调整速率调整所述分别与所述距离函数和所述方差函数对应的权值。7.一种图像数据标定训练设备，其特征在于，包括：参考坐标获取单元，用于获取图像数据经扰动处理后所对应的扰动图像数据集合，并获取所述扰动图像数据集合对应的参考标定坐标；目标坐标获取单元，用于基于卷积神经网络CNN获取所述扰动图像数据集合对应的目标标定坐标；参数确定单元，用于将所述参考标定坐标和所述目标标定坐标作为图像数据标定训练过程中正向传播函数的输入参数；输出变化获取单元，用于基于所述输入参数获取所述正向传播函数的梯度信息，并根据所述梯度信息和所述CNN的学习率获取所述正向传播函数的输出变化量；坐标变化获取单元，用于根据所述输出变化量获取所述图像数据标定训练过程中反向传播函数所指示的所述目标标定坐标的坐标变化量；参数调整单元，用于基于所述坐标变化量调整所述CNN中各网络层的网络参数，使得基于调整网络参数后的CNN计算得到的正向传播函数的输出变化量最小。8.如权利要...

【专利技术属性】
技术研发人员：刘运，马跃，
申请(专利权)人：广州市百果园网络科技有限公司，
类型：发明
国别省市：广东,44