一种远红外热成像人脸关键点的定位方法技术

本发明专利技术公开了一种远红外热成像人脸关键点的定位方法，包括以下步骤：构建数据集、搭建网络模型、制作标签、数据增强与图像预处理、训练模型、模型推理，形成最终的热图。本发明专利技术基于深度学习算法，通过全卷积神经网络生成关键点热图，通过热图定位关键点。通过精心设计的网络结构，专门定制的数据增强方法，经过调优的模型优化算法，以及精确标注的数据，形成了整套远红外热成像人脸关键点定位技术。本发明专利技术可以实现远红外图像中人脸关键点定位，从而通过关键点定位获得人脸不同区域的温度。

A method for locating key points of face in far infrared thermal imaging

【技术实现步骤摘要】
一种远红外热成像人脸关键点的定位方法
本专利技术涉及一种定位方法，尤其涉及一种远红外热成像人脸关键点的定位方法。
技术介绍
传统人脸检测方法如ASM(ActiveShapeModel)等方法在运行效率与方法的泛化能力都低于先进的深度学习方法。但是红外热像的人脸图像没有成熟的公开数据集，也没有成熟的人脸关键点制定规则，直接采用自然图像中的人脸关键点定位方法难以达到较好的效果。
技术实现思路
为了解决上述技术所存在的不足之处，本专利技术提供了一种远红外热成像人脸关键点的定位方法。为了解决以上技术问题，本专利技术采用的技术方案是：一种远红外热成像人脸关键点的定位方法，包括以下步骤：步骤一、构建数据集：通过自有数据构建远红外人脸数据集，自主对图像中人脸关键点进行标注，图像尺寸为384*288；步骤二、搭建网络模型：在深度学习框架Pytorch上搭建基于深度学习的远红外人脸关键点定位网络；基础网络结构为编码器解码器结构，采用两个子网络级联的形式组成整体网络；步骤三、制作标签：通过在空白图像中不同chan本文档来自技高网...

【技术保护点】
1.一种远红外热成像人脸关键点的定位方法，其特征在于：包括以下步骤：/n步骤一、构建数据集：通过自有数据构建远红外人脸数据集，自主对图像中人脸关键点进行标注，图像尺寸为384*288；/n步骤二、搭建网络模型：在深度学习框架Pytorch上搭建基于深度学习的远红外人脸关键点定位网络；基础网络结构为编码器解码器结构，采用两个子网络级联的形式组成整体网络；/n步骤三、制作标签：通过在空白图像中不同channel中关键点对应位置放置高斯核形成关键点热图来制作标签，即在空白图像中画高斯核的方式形成回归用的标签，loss函数采用L2Loss；/nloss函数：

【技术特征摘要】
1.一种远红外热成像人脸关键点的定位方法，其特征在于：包括以下步骤：
步骤一、构建数据集：通过自有数据构建远红外人脸数据集，自主对图像中人脸关键点进行标注，图像尺寸为384*288；
步骤二、搭建网络模型：在深度学习框架Pytorch上搭建基于深度学习的远红外人脸关键点定位网络；基础网络结构为编码器解码器结构，采用两个子网络级联的形式组成整体网络；
步骤三、制作标签：通过在空白图像中不同channel中关键点对应位置放置高斯核形成关键点热图来制作标签，即在空白图像中画高斯核的方式形成回归用的标签，loss函数采用L2Loss；
loss函数：
其中，x代表每个像素，f(x)为网络的输出值，y(x)代表标签真值；
高斯核函数：
其中，ji和ki代表第i个关键点在图像中的x和y的坐标，σx，σy分别代表高斯核在x和y方向的标准差；
步骤四、数据增强与图像预处理：
数据增强：训练时对图像做一种或者多种变换，图像变换后标签的真值也会随变换改变，数据增强可以提升模型的泛化能力；
图像预处理：在图像输入网络之前，将图像归一化到0～1之间。
步骤五、训练模型：采用均方误差作为损失函数训练模型，采用Adam优化策略训练关键点定位网络；参数采用Xavier初始化，批次大小设置为64，初始学习率0.001，每迭代50个周期学习率衰减一次，衰减率为0.1，经过200个周期迭代后效果达到最佳；其中，前50个周期采用半径为7个像素为半径放置高斯核作为标签真值，后150个周期采用半径为3个像素为半径放置高斯核作为标签真值；
步骤六、模型推理：模型训练好之后，通过模型推算关键点需要将数据进行步...

【专利技术属性】
技术研发人员：裘世明，骆海铭，马自强，李明睿，张利兵，
申请(专利权)人：北京碧拓科技有限公司，
类型：发明
国别省市：北京;11