人脸及其特征点的检测方法、装置、电子设备和存储介质制造方法及图纸

本发明专利技术涉及人脸及面部特征点技术领域，具体涉及一种人脸及其特征点的检测方法、装置、电子设备和存储介质。该方法利用网络模型的主干部分提取出样本图像的特征，然后计算输出检测框集合和面部特征点热力图集合；网络模型损失值计算部分包括并行计算的锚框位置回归单元、锚框类别分类单元和面部特征点位置回归单元；其中，网络模型引入锚框机制，预设多个不同尺度、大小的锚框，需对每个锚框进行分类和位置回归；在检测框集合中筛选出最优检测框；并在面部特征点热力图集合中筛选出的大于阈值的点作为特征点；通过坐标计算出最优检测框对应的面部特征点。本发明专利技术在保证高精度的前提下，减少冗余的参数计算，提高实时性。

【技术实现步骤摘要】
人脸及其特征点的检测方法、装置、电子设备和存储介质
本专利技术涉及人脸及面部特征点
，具体涉及一种人脸及其特征点的检测方法、装置、电子设备和存储介质。
技术介绍
通过分析人脸特征，研究者可以获取到丰富的信息，如身份信息、情绪变化以及主观意图等等，利用这些信息可以实现人脸识别、表情识别以及年龄识别等应用，推进社会实现智能化的步伐。人脸检测技术是获取人脸特征信息的第一步，该技术能自动、准确地定位人脸位置，实现非接触性、不易察觉性等特性。而人脸存在多姿态的特性，会大大影响建立在人脸检测基础上的应用，所以需利用面部特征点检测技术对人脸进行矫正处理，该技术又被称为人脸对齐技术，通过定位人脸部位中具有语义特征的关键点，将人脸“放正”，解决人脸大角度旋转、侧脸等姿态下出现的差异性。人脸检测和面部特征点检测都是人脸识别技术的重要前提，一套完整的人脸识别系统的组成部分有：人脸检测、面部特征点检测以及人脸识别。人脸检测技术大致步骤分为三部分：获取候选目标区域、提取区域特征以及利用分类器对区域目标分类。基于深度学习的人脸检测技术不仅检测精度，而且能够应本文档来自技高网...

【技术保护点】
1.一种人脸及其特征点的检测方法，其特征在于，该检测方法包括以下步骤：/n利用网络模型的主干部分提取出样本图像的特征，然后计算输出检测框集合和面部特征点热力图集合；所述网络模型的损失值计算部分包括并行计算的锚框位置回归单元、锚框类别分类单元和面部特征点位置回归单元；其中，所述锚框位置回归单元引入锚框机制，预设多个不同尺度、大小的锚框，并对每个所述锚框进行分类和位置回归；/n在所述检测框集合中筛选出最优检测框；/n并在所述面部特征点热力图集合中筛选出的大于阈值的点作为特征点；/n通过坐标计算出所述最优检测框对应的面部特征点。/n

【技术特征摘要】
1.一种人脸及其特征点的检测方法，其特征在于，该检测方法包括以下步骤：
利用网络模型的主干部分提取出样本图像的特征，然后计算输出检测框集合和面部特征点热力图集合；所述网络模型的损失值计算部分包括并行计算的锚框位置回归单元、锚框类别分类单元和面部特征点位置回归单元；其中，所述锚框位置回归单元引入锚框机制，预设多个不同尺度、大小的锚框，并对每个所述锚框进行分类和位置回归；
在所述检测框集合中筛选出最优检测框；
并在所述面部特征点热力图集合中筛选出的大于阈值的点作为特征点；
通过坐标计算出所述最优检测框对应的面部特征点。


2.根据权利要求1所述的一种人脸及其特征点的检测方法，其特征在于，所述网络模型包括提取所述样本图像的特征的特征提取单元，所述特征提取单元根据预设的模块数量并按照数据处理的方向由卷积层、批归一化层、激活函数和残差模块依次堆叠。


3.根据权利要求2所述的一种人脸及其特征点的检测方法，其特征在于，所述残差模块按照数据处理的方向依次包括卷积层、批归一化层、激活函数层、压缩激活模块以及特征相加融合层，其中，所述压缩激活模块按照数据处理的方向依次包括平均池化层、卷积层、激活函数层、卷积层、激活函数层以及特征相乘融合层。


4.根据权利要求3所述的一种人脸及其特征点的检测方法，其特征在于，所述锚框位置回归单元按照数据处理的方向依次包括多个并行的回归卷积层和平滑L1损失函数，所述锚框位置回归单元与所述面部特征点位置回归单元共用所述平滑L1损失函数。


5.根据权利要求4所述的一种人脸及其特征点的检测方法，其特征在于，所述锚框类别分类单元按照数据处理的方向依次包括分类卷积层和焦点损失函数；所述分类卷积层与所述回归卷积层并行设置，分...

【专利技术属性】
技术研发人员：桑高丽，其他发明人请求不公开姓名，
申请(专利权)人：河南威虎智能科技有限公司，
类型：发明
国别省市：河南;41