【技术实现步骤摘要】
人脸关键点检测的方法、装置及系统
本专利技术涉及计算机图像处理
，尤其涉及一种人脸关键点检测的方法、装置及系统。
技术介绍
随着科学技术的发展，计算机视觉的应用越来越广泛。人脸关键点检测作为计算机视觉任务之一，为许多更高级别的应用奠定了基础，包括面部验证，面部情感识别，人机交互和面部动作捕捉。利用人脸关键点检测技术可以实现照片中人脸的美颜、贴纸、换脸等创意，也可以为人脸添加滤镜、贴图等效果。目前，深度学习算法在众多视觉任务中展示了超强的处理能力，也在解决人脸关键点检测方面显示了重大的性能提升，且其检测效果显著优于粗寒铜的关键点检测算法。然而，由于深度卷积神经网络的复杂性和深度性需要巨大的存储和计算开销，它们在人脸关键点检测方面的成功却带来了过高的计算和存储开销。虽然它们在昂贵的基于GPU的机器上表现良好，但它们通常不适用于资源受限的设备，例如手机和嵌入式电子设备。
技术实现思路
本专利技术提供一种人脸关键点检测的方法、装置及系统，以提高运算速度，实现使用单因子恢复内核来提高检测的高效性和准确性，同时还可以将存储空间压缩32倍，具有更强的适应性。第一方面，本专利技...
【技术保护点】
1.一种人脸关键点检测的方法，其特征在于，包括：根据待检测人脸图像，获得人脸区域图像；将所述人脸区域图像作为目标人脸检测模型的输入；其中，所述目标人脸检测模型用于获取待检测人脸图像对应关键特征点及所述关键特征点位置的模型；通过所述目标人脸检测模型输出所述人脸区域图像对应的关键特征点及所述关键特征点位置。
【技术特征摘要】
1.一种人脸关键点检测的方法，其特征在于，包括：根据待检测人脸图像，获得人脸区域图像；将所述人脸区域图像作为目标人脸检测模型的输入；其中，所述目标人脸检测模型用于获取待检测人脸图像对应关键特征点及所述关键特征点位置的模型；通过所述目标人脸检测模型输出所述人脸区域图像对应的关键特征点及所述关键特征点位置。2.根据权利要求1所述的方法，其特征在于，将所述人脸区域图像作为目标人脸检测模型的输入之前，还包括：构建初始人脸检测模型；其中，所述初始人脸检测模型包括依次连接的幅度卷积层、BN层、池化层、激活层以及全连接层；所述幅度卷积层用于提取所述人脸区域图像的局部特征图，所述BN层用于将所述局部特征图进行线性化处理，得到归一局部特征图；所述激活层用于在归一局部特征图中加入非线性因素，得到增强表达的局部特征图；所述池化层用于获取增强表达的局部特征图以及对应区域的位置；全连接层用于将增强表达的局部特征图以及对应区域的位置进行整体连接，得到人脸处理图像；其中，所述人脸处理图像包含关键特征点以及所述关键特征点位置；通过预设训练数据集训练所述初始人脸检测模型，得到所述目标人脸检测模型。3.根据权利要求2所述的方法，其特征在于，所述初始人脸检测模型训练时经过前向传播过程是指：所述人脸区域图像经过幅度卷积层的二值化卷积核提取局部特征图之后，依次通过BN层、激活层、池化层以及全连接层输出人脸处理图像；所述初始人脸检测模型训练时经过反向传播过程是指：在幅度卷积层中根据预设总损失函数，利用预设卷积核矩阵计算得到卷积核矩阵梯度、幅度矩阵梯度；并根据所述卷积核矩阵梯度、所述幅度矩阵梯度更新所述卷积核矩阵；其中所述幅度卷积层包括卷积核更新支路、幅度矩阵更新支路；所述卷积核更新支路用于在前向传播过程中根据预设初始卷积核进行二值化，得到二值化卷积核，且在反向传播过程中根据预设幅度损失函数计算卷积核矩阵梯度；所述幅度矩阵更新支路用于在前向传播过程中得到幅度均值矩阵，且用于在反向传播过程中根据预设幅度损失函数计算幅度矩阵...
【专利技术属性】
技术研发人员：曹先彬，张宝昌，张旭东，陈翰林，
申请(专利权)人：北京航空航天大学，
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。