【技术实现步骤摘要】
一种人脸检测和对齐方法及装置
本专利技术涉及人脸识别
，更具体地，涉及一种人脸检测和对齐方法及装置。
技术介绍
在人脸识别领域，人脸检测与对齐是人脸识别技术中的一个关键环节。人脸识别的典型流程主要包括三步：第一步是人脸检测，即找出给定图像中的所有人脸的位置；第二步是人脸对齐，即对检测出的人脸进行矫正；第三步对矫正后的人脸进行特征提取和特征比对完成人脸识别过程。目前，相关技术中，主要有两种人脸检测和对齐方案，其中，一种是人脸检测和对齐分别采用不同的网络进行输出，两者采用串行结构，该方案部署阶段工程耗时增加。另一种是人脸检测和对齐分支在一个网络训练，该方案侧重框回归的损失，人为增大其损失权重，导致关键点定位不准，对齐效果不佳，影响人脸识别。
技术实现思路
鉴于上述问题，本专利技术提出了一种人脸检测和对齐方法和相应的装置，其可以在网络训练过程种，自适应学习权重因子，平衡不同分支任务之间的损失，同时提高人脸检测和关键点定位的效果。根据本专利技术实施例的第一方面，提供一...
【技术保护点】
1.一种人脸检测和对齐方法，其特征在于，包括：/n获取人脸数据集，其中，所述人脸数据集中包括多个带有图像标签信息的人脸图像，所述图像标签信息包括：标注的第一人脸框分类信息、第一人脸框位置信息和第一人脸关键点坐标信息；/n将所述人脸数据集作为预设人脸检测和对齐网络模型的输入进行模型训练，以输出网络预测的人脸标签信息，其中，所述人脸标签信息包括人脸图像的第二人脸框位置信息、第二人脸框分类信息和第二人脸关键点坐标信息；/n根据所述图像标签信息、人脸标签信息计算人脸框位置信息对应的第一损失函数、人脸框分类信息对应的第二损失函数和人脸关键点坐标信息对应的第三损失函数；/n通过所述网络...
【技术特征摘要】
1.一种人脸检测和对齐方法，其特征在于，包括：
获取人脸数据集，其中，所述人脸数据集中包括多个带有图像标签信息的人脸图像，所述图像标签信息包括：标注的第一人脸框分类信息、第一人脸框位置信息和第一人脸关键点坐标信息；
将所述人脸数据集作为预设人脸检测和对齐网络模型的输入进行模型训练，以输出网络预测的人脸标签信息，其中，所述人脸标签信息包括人脸图像的第二人脸框位置信息、第二人脸框分类信息和第二人脸关键点坐标信息；
根据所述图像标签信息、人脸标签信息计算人脸框位置信息对应的第一损失函数、人脸框分类信息对应的第二损失函数和人脸关键点坐标信息对应的第三损失函数；
通过所述网络模型的全连接层输出所述第一损失函数对应的第一权重因子、所述第二损失函数对应的第二权重因子和所述第三损失函数对应的第三权重因子；
根据每个损失函数及其对应的权重因子确定总损失函数；
根据所述总损失函数反向传播更新各个权重，以确定目标人脸检测和对齐网络模型。
2.根据权利要求1所述的人脸检测和对齐方法，其特征在于，所述方法还包括：
获取输入的待处理人脸图像；
将所述待处理人脸图像作为所述目标人脸检测和对齐网络模型的输入，以输出对齐后的人脸图像。
3.根据权利要求1所述的人脸检测和对齐方法，其特征在于，所述总损失函数loss采用以下公式计算：
Loss＝1/(2*m1^2)*loss_loc+1/(m2^2)*loss_cls+1/(2*m3^2)*loss_landm+logm1+logm2+logm3
其中，m1表示所述第一权重因子，loss_loc表示所述第一损失函数，m2表示所述第二权重因子，loss_cls表示所述第二损失函数，m3表示所述第三权重因子，loss_landm表示所述第三损失函数，logm1+logm2+logm3表示惩罚项。
4.根据权利要求1所述的人脸检测和对齐方法，其特征在于，将所述人脸数据集作为预设人脸检测和对齐网络模型的输入进行模型训练，包括：
对所述人脸数据集中的每个人脸图像进行预处理操作，得到处理后的人脸图像，其中，预处理操作包括以下至少一项：随机剪裁操作、色彩增强操作、颜色抖动操作和归一化操作；
将处理后的人脸图像作为预设人脸检测和对齐网络模型的输入进行模型训练。
5.根据权利要求1所述的人脸检测和对齐方法，其特征在于，所述预设人脸检测和对齐网络模型以ResNet50为基本骨架，并具有图像特征金字塔结构。
6.一种人脸检测和对齐装置，其特征在于，包括...
【专利技术属性】
技术研发人员：张晋，
申请(专利权)人：云知声智能科技股份有限公司，厦门云知芯智能科技有限公司，
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。