人脸定位方法、装置、电子设备及存储介质制造方法及图纸

本申请公开了一种人脸定位方法，属于人脸定位技术领域，有助于提升人脸定位的准确度。所述方法包括：对目标人脸图像进行预处理，得到图像数据矩阵；通过预先训练的人脸定位模型对图像数据矩阵进行特征映射处理，确定目标人脸图像对应的图像特征；根据图像特征，对目标人脸图像进行人脸定位，其中，人脸定位模型是基于设置有标签的有口罩遮挡人脸图像和无口罩遮挡人脸图像训练的，标签包括人脸定位框位置和尺寸真实值、热力图，其中，热力图采用高斯掩膜技术生成；通过人脸定位模型的损失函数，以热力图指示的权重对人脸定位框的预估值与真实值之间的误差进行加权运算，计算人脸定位模型的模型误差，并以最小的模型误差为目标进行模型训练。

【技术实现步骤摘要】
人脸定位方法、装置、电子设备及存储介质
本申请涉及人脸定位
，特别是涉及一种人脸定位方法、装置、电子设备及计算机可读存储介质。
技术介绍
人脸定位广泛应用于考勤、门禁、安防等相关的人脸识别领域。其中，现有技术中的单阶段的人脸检测方法主要基于Anchor(锚点)的分类和回归，通常会在经典框架(如SSD(SingleShotMultiBoxDetector)和Yolo(YouOnlyLookOnce)系列)的基础上进行优化，其检测速度较两阶段法快，检测性能较级联法优，是一种检测性能和速度平衡的算法，也是当前人脸检测算法优化的主流方向。然而，现有技术中的单阶段的人脸检测方法在人脸被部分遮挡的情况下，检测性能较低。例如，建筑、制造、医药、餐饮等特殊行业要求，人员在工作过程中需要佩戴口罩，而口罩遮挡造成了用于人脸识别的相关设备无法正常使用。该情况主要由于口罩遮挡了人脸大部分有效信息，在信息不全的情况下人脸检测方法出现人脸定位错误的情况严重。可见，现有技术中单阶段的人脸定位方法还需要改进。
技术实现思路
>本申请提供一种人脸本文档来自技高网...

【技术保护点】
1.一种人脸定位方法，其特征在于，包括：/n对目标人脸图像进行预处理，得到图像数据矩阵；/n通过预先训练的人脸定位模型对所述图像数据矩阵进行特征映射处理，确定所述目标人脸图像对应的图像特征；其中，/n所述人脸定位模型是基于设置有标签的有口罩遮挡人脸图像和设置有标签的无口罩遮挡人脸图像训练的，所述标签至少包括：人脸定位框位置和尺寸的真实值、热力图，其中，所述无口罩遮挡人脸图像的热力图包括：根据所述无口罩遮挡人脸图像中人脸定位框的位置和尺寸采用高斯掩膜技术生成的未遮挡人脸部分热力图数据；所述有口罩遮挡人脸图像的热力图包括：根据所述有口罩遮挡人脸图像中人脸定位框的位置和尺寸采用高斯掩膜技术生成的未遮...

【技术特征摘要】
1.一种人脸定位方法，其特征在于，包括：
对目标人脸图像进行预处理，得到图像数据矩阵；
通过预先训练的人脸定位模型对所述图像数据矩阵进行特征映射处理，确定所述目标人脸图像对应的图像特征；其中，
所述人脸定位模型是基于设置有标签的有口罩遮挡人脸图像和设置有标签的无口罩遮挡人脸图像训练的，所述标签至少包括：人脸定位框位置和尺寸的真实值、热力图，其中，所述无口罩遮挡人脸图像的热力图包括：根据所述无口罩遮挡人脸图像中人脸定位框的位置和尺寸采用高斯掩膜技术生成的未遮挡人脸部分热力图数据；所述有口罩遮挡人脸图像的热力图包括：根据所述有口罩遮挡人脸图像中人脸定位框的位置和尺寸采用高斯掩膜技术生成的未遮挡人脸部分半圆热力图数据，以及，口罩部分半圆单一颜色图数据；通过所述人脸定位模型的损失函数，以所述热力图指示的权重对人脸定位框的预估值与真实值之间的误差进行加权运算，计算所述人脸定位模型的模型误差，并以最小的所述模型误差为目标进行模型训练；
根据所述图像特征，对所述目标人脸图像进行人脸定位。


2.根据权利要求1所述的方法，其特征在于，所述通过预先训练的人脸定位模型对所述图像数据矩阵进行特征映射处理，确定所述目标人脸图像对应的图像特征的步骤，包括：
通过预先训练的人脸定位模型中的前端特征提取网络对所述图像数据矩阵进行多层卷积运算和特征降维映射，确定所述前端特征提取网络的隐层输出和模块输出；
通过所述人脸定位模型中串行连接的多个卷积神经网络，对所述前端特征提取网络的模块输出进行逐级加深的抽象映射，分别确定每个所述卷积神经网络的输出；
将所述前端特征提取网络的所述隐层输出和模块输出、每个所述卷积神经网络的输出拼接为待融合特征，通过所述人脸定位模型中的特征融合网络，对所述待融合特征进行多尺度特征融合，确定所述目标人脸图像对应的图像特征。


3.根据权利要求2所述的方法，其特征在于，所述特征融合网络为双向特征金字塔网络，所述通过所述人脸定位模型中的特征融合网络，对所述待融合特征进行多尺度特征融合，确定所述目标人脸图像对应的图像特征的步骤，包括：
自顶向下依次通过所述双向特征金字塔网络前向传播网络分支的各卷积层对所述待融合特征进行下采样，以及，自底向上依次通过所述双向特征金字塔网络反向传播网络分支的各所述卷积层对所述待融合特征进行上采样；
将所述前向传播网络分支的卷积层的输出和所述反向传播网络分支的相应卷积层的输出进行融合；
对所述进行融合的结果进行卷积和回归处理，输出与所述目标人脸图像对应的图像特征。


4.根据权利要求2所述的方法，其特征在于，所述前端特征提取网络至少包括串行连接的第一卷积层、第二卷积层、第一池化层、第三卷积层和第二池化层，其中，所述第一卷积层和所述第二卷积层的卷积核大于所述第三卷积层的卷积核，所述通过预先训练的人脸定位模型中的前端特征提取网络对所述图像数据矩阵进行多层卷积运算和特征降维映射，确定所述前端特征提取网络的隐层输出和模块输出的步骤，包括：
所述第一池化层依次通过所述第一卷积层和所述第二卷积层对所述图像数据矩阵进行卷积运算，并通过所述第一池化层对所述第二卷积层的输出进行特征映射，得到所述前端特征提取网络的隐层输出；
依次通过所述第三卷积层和所述第二池化层对所述隐层输出进行卷积运算和特征映射，确定所述前端特征提取网络的模块输出。


5.根据权利要求1至4任一项所述的...

【专利技术属性】
技术研发人员：隆超，黄磊，彭菲，张健，
申请(专利权)人：汉王科技股份有限公司，
类型：发明
国别省市：北京;11