【技术实现步骤摘要】
人脸关键点定位模型的训练方法、装置、设备及存储介质
本申请实施例涉及图像识别
，特别涉及一种人脸关键点定位模型的训练方法、装置、设备及存储介质。
技术介绍
人脸关键点定位也称为人脸五官定位，是指从人脸图像中识别出诸如眼睛、眉毛、鼻子、嘴巴等关键点的位置。人脸关键点定位技术是美颜化妆、人脸装扮、人脸特效、人脸AR(AugmentedReality，增强现实)等软件的基础技术。传统的人脸关键点定位技术是基于一些图像处理算法来实现的，如SDM(SupervisedDescentMethod，监督下降法)。通过提取人脸图像中的特征，如LBP(LocalBinaryPattern，局部二值模式)、HOG(HistogramofOrientedGradient，方向梯度直方图)等特征，根据上述特征确定出人脸图像中的人脸关键点的位置。传统方法对姿态正常的人脸图像具有较好的定位效果，但对于一些异常情况(如遮挡、姿态变化等)的适应性并不好，因此传统方法的鲁棒性欠佳。为解决传统方法的问题，业界提出了一些基于深度学习的人脸关键点定位技术。例如，通过构建用于人脸关键点定位的神经网络...
【技术保护点】
1.一种人脸关键点定位模型的训练方法，其特征在于，所述方法包括：构建用于人脸关键点定位的卷积神经网络CNN模型，所述CNN模型的卷积层数量大于第一阈值，且所述卷积层的通道数小于第二阈值；采用所述CNN模型对训练样本进行人脸关键点定位，得到所述训练样本中的人脸关键点的预测位置；其中，所述训练样本包括标注有所述人脸关键点的真实位置的人脸图像，所述人脸关键点包括n种分类，所述n为大于1的整数；分别根据所述n种分类中的每一种分类的人脸关键点的预测位置和真实位置，计算所述n种分类的人脸关键点各自对应的损失函数值；根据所述n种分类的人脸关键点各自对应的损失函数值，计算所述CNN模型的损...
【技术特征摘要】
1.一种人脸关键点定位模型的训练方法，其特征在于，所述方法包括：构建用于人脸关键点定位的卷积神经网络CNN模型，所述CNN模型的卷积层数量大于第一阈值，且所述卷积层的通道数小于第二阈值；采用所述CNN模型对训练样本进行人脸关键点定位，得到所述训练样本中的人脸关键点的预测位置；其中，所述训练样本包括标注有所述人脸关键点的真实位置的人脸图像，所述人脸关键点包括n种分类，所述n为大于1的整数；分别根据所述n种分类中的每一种分类的人脸关键点的预测位置和真实位置，计算所述n种分类的人脸关键点各自对应的损失函数值；根据所述n种分类的人脸关键点各自对应的损失函数值，计算所述CNN模型的损失函数值；当所述CNN模型的损失函数值小于预设阈值时，停止对所述CNN模型的训练，并保存所述CNN模型。2.根据权利要求1所述的方法，其特征在于，所述人脸关键点包括如下3种分类：轮廓点、精细点和主点；其中，所述轮廓点是指用于构建人脸轮廓的人脸关键点，所述精细点是指用于构建五官轮廓的人脸关键点，所述主点是指用于定位五官位置的人脸关键点。3.根据权利要求2所述的方法，其特征在于，所述人脸关键点的数量为83，包括12个所述轮廓点、51个所述精细点和20个所述主点。4.根据权利要求1所述的方法，其特征在于，所述根据所述n种分类的人脸关键点各自对应的损失函数值，计算所述CNN模型的损失函数值，包括：将所述n种分类的人脸关键点各自对应的损失函数值加权求和，得到所述CNN模型的损失函数值。5.根据权利要求1所述的方法，其特征在于，所述CNN模型包括输入层、a个卷积层、b个池化层、平均池化层和第一输出层；所述输入层用于输入目标图像；所述卷积层用于将所述目标图像转化为特征图；所述池化层用于对所述特征图进行池化处理，以减少所述特征图中的特征数量；所述平均池化层用于对经过所述卷积层和所述池化层处理后的所述特征图进行平均池化处理，得到一维特征向量；所述第一输出层用于根据所述平均池化层输出的所述一维特征向量，输出所述目标图像中的人脸关键点的预测位置；其中，所述a和所述b均为正整数。6.根据权利要求5所述的方法，其特征在于，所述CNN模型还包括：第二输出层；所述第二输出层用于根据所述平均池化层输出的所述一维特征向量，输出所述目标图像是否具备预设属性的判定结果。7.根据权利要求5所述的方法，其特征在于，所述CNN模型还包括：第三输出层；所述第三输出层...
【专利技术属性】
技术研发人员：姜媚，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：广东,44
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。