一种基于深度学习的高精度人脸关键点定位方法及系统技术方案

本发明专利技术公开了一种基于深度学习的高精度人脸关键点定位方法及系统，该定位方法包括步骤：S1、构建多个区域关键点定位网络；S2、通过人像区域及各区域对应的关键点样本数据，分别对对应的区域关键点定位网络进行训练；S3、将待处理人脸图像分割成人像区域；S4、基于人脸图像的处理任务类型，选择需要处理的人像区域分别输入对应的关键点定位网络，得到与所述处理任务对应的关键点；S5、将与处理任务对应的关键点与所述人脸图像整合输出。本发明专利技术将人脸分为多个区域独立进行关键点定位，当其中一个或多个部分被遮挡时，不影响其他未被遮挡部分关键点的准确性与稳定性，可根据应用场景自由组合相应网络，实现输出脸部特定部位的关键点。

A high precision face key point location method and system based on deep learning

【技术实现步骤摘要】
一种基于深度学习的高精度人脸关键点定位方法及系统
本专利技术涉及关键点定位领域，具体涉及一种基于深度学习的高精度人脸关键点定位系统及方法。
技术介绍
人脸关键点定位是将人脸面部主要位置的点位找出来，比如眉毛、眼睛、鼻子、嘴巴以及眼部外轮廓点位等。人脸关键点的精确定位对许多现实应用和科研课题有关键作用，例如，人脸姿态识别与矫正、表情识别、嘴型识别等。此外，人脸关键点在人脸特效、人脸变形以及人脸美颜等领域也有着重大意义，点位的准确性直接影响最终的处理效果。因此，如何获取高精度人脸关键点，一直以来都是计算机视觉、图像处理等领域的热门研究问题。人脸关键点定位是人脸对齐领域长期以来关注的焦点，许多大公司都在研究自己的人脸对齐算法，关键点数量也不尽相同，但目前这些算法都存在一个相同的问题，就是当人脸某些区域被遮挡时，人脸其他部位的关键点出现抖动或不准确的现象，极大地影响基于关键点位做后续处理的功能。受到人脸姿态和遮挡等因素的影响，人脸关键点定位的研究也同样富有挑战。公开号为CN107967456A公开了一种基于人脸关键点的多神经网络级联识别本文档来自技高网...

【技术保护点】
1.一种基于深度学习的高精度人脸关键点定位方法，其特征在于，包括步骤：/nS1、构建左眼及左眉毛关键点定位网络、右眼及右眉毛关键点定位网络、鼻子关键点定位网络、嘴巴关键点定位网络、脸部外轮廓关键点定位网络；/nS2、通过左眼及左眉毛区域、右眼及右眉毛区域、鼻子区域、嘴巴区域、脸部外轮廓区域及各区域对应的关键点样本数据，分别对左眼及左眉毛关键点定位网络、右眼及右眉毛关键点定位网络、鼻子关键点定位网络、嘴巴关键点定位网络、脸部外轮廓关键点定位网络进行训练，得到关键点提取模型；/nS3、将待处理人脸图像分割成左眼及左眉毛区域、右眼及右眉毛区域、鼻子区域、嘴巴区域、脸部外轮廓区域；/nS4、基于人脸图...

【技术特征摘要】
1.一种基于深度学习的高精度人脸关键点定位方法，其特征在于，包括步骤：
S1、构建左眼及左眉毛关键点定位网络、右眼及右眉毛关键点定位网络、鼻子关键点定位网络、嘴巴关键点定位网络、脸部外轮廓关键点定位网络；
S2、通过左眼及左眉毛区域、右眼及右眉毛区域、鼻子区域、嘴巴区域、脸部外轮廓区域及各区域对应的关键点样本数据，分别对左眼及左眉毛关键点定位网络、右眼及右眉毛关键点定位网络、鼻子关键点定位网络、嘴巴关键点定位网络、脸部外轮廓关键点定位网络进行训练，得到关键点提取模型；
S3、将待处理人脸图像分割成左眼及左眉毛区域、右眼及右眉毛区域、鼻子区域、嘴巴区域、脸部外轮廓区域；
S4、基于人脸图像的处理任务类型，选择左眼及左眉毛区域、和/或右眼及右眉毛区域、和/或鼻子区域、和/或嘴巴区域、和/或脸部外轮廓区域分别输入对应的关键点定位网络，得到与所述处理任务对应的关键点；
S5、将与处理任务对应的关键点与所述人脸图像整合输出。


2.根据权利要求1所述的高精度人脸关键点定位方法，其特征在于，
所述关键点定位网络包括独立的输入层、卷积层、线性整流层、池化层、全连接层、输出层。


3.根据权利要求1所述的高精度人脸关键点定位方法，其特征在于，所述步骤S4包括：
S41、基于所述处理任务类型确定需要处理的对象所属的人脸区域；
S42、将所述需要处理的对象所属的人脸区域输入对应的关键点定位网络。


4.根据权利要求1所述的高精度人脸关键点定位方法，其特征在于，所述步骤S2包括：
S21、采集大量标注了人脸关键点的人脸图像样本数据；
S22、对所述人脸图像样本数据进行区域分割，分割成左眼及左眉毛区域、右眼及右眉毛区域、鼻子区域、嘴巴区域、脸部外轮廓区域；
S23、采用分割形成的区域及该区域上标注的人脸关键点对对应区域关键点定位网络进行训练。


5.根据权利要求4所述的高精度人脸关键点定位方法，其特征在于，所述步骤S22之前还包括：
对所述人脸图像样本数据采用高斯滤波器进行去噪，具体为：



其中，x表示像素RGB值，μ表示半径Radius范围内的像素值均值，σ表示半径Radius范围内像素值的方差。


6.一种基于深度学习的高精度人脸关键点定位系统...

【专利技术属性】
技术研发人员：杨金江，戴侃侃，李云夕，胡能，
申请(专利权)人：杭州趣维科技有限公司，
类型：发明
国别省市：浙江;33