一种基于自适应信息增强的人脸特征点定位方法及系统技术方案

本发明专利技术的一种基于自适应信息增强的人脸特征点定位方法及系统，包括以下步骤：获取人脸局部图像；把获取到的图像输入事先训练好的深度神经网络人脸特征点定位模型，对于任意给出的一个人脸局部图像，经过人脸特征点定位模型前向运算后，直接输出人脸特征点位置；本发明专利技术的基于自适应信息增强的人脸特征点定位方法及系统，基于深度学习技术，自适应的学习定位人脸特征点区域，并增强人脸特征点区域的细节信息，减弱人脸非特征点区域对整个网络的影响，使得深度神经网络模型能够兼顾人脸图像的深层语义信息和浅层细节信息，精准的计算出人脸特征点位置；多种注意力机制的使用，使得深度神经网络模型能够更好的关注有效的人脸特征点区域，人脸特征点定位更加精准，鲁棒性更高。

【技术实现步骤摘要】
一种基于自适应信息增强的人脸特征点定位方法及系统
本专利技术涉及人脸识别
，具体涉及一种基于自适应信息增强的人脸特征点定位方法及系统。
技术介绍
人脸特征点定位是指在人脸图像上，通过机器视觉技术精确的定位出脸部的关键特征点位置，关键特征点包括嘴角、眼角、鼻尖等器官位置以及脸部轮廓等位置。人脸特征点定位是人脸识别系统、表情识别系统和人脸属性分析系统等应用领域的技术基础，人脸特征点定位的质量好坏会直接影响到后续工作的可靠性和精准度。近20年来，人脸特征点定位算法一直是机器视觉领域的研究热点，涌现出很多经典算法，具体算法可以分为以下几类：(1)基于传统技术的人脸特征点定位算法，该类算法主要基于人脸的统计形状模型方法和级联回归的方法，如经典的算法：ASM、AAM、SDM、LBF等。该类算法的特点是利用人脸器官的几何位置关系，采用统计方法和级联优化的方法获取最终的人脸特征点位置，由于算法提取人脸特征的表达能力有限，并且对人脸特征点之间的形状约束并没有考虑，该类算法的特征点定位精准度误差较大。(2)基于深度学习的人脸特征点定位本文档来自技高网...

【技术保护点】
1.一种基于自适应信息增强的人脸特征点定位方法，其特征在于：/n包括以下步骤：/n获取人脸局部图像；/n把获取到的图像输入事先训练好的深度神经网络人脸特征点定位模型，对于任意给出的一个人脸局部图像，经过人脸特征点定位模型前向运算后，直接输出人脸特征点位置；/n其中，/n事先训练好的深度神经网络人脸特征点定位模型的网络结构包括：/nconv0层是一个核尺寸为7×7，跨度为2×2的卷积层；/nmaxpool0层是一个核尺寸为2×2，跨度为2×2的最大值池化层；/nconv0层和maxpool0层共同组成了一个特征图分辨率快速下降网络；/nresblock0、resblock1、resblock2、...

【技术特征摘要】
1.一种基于自适应信息增强的人脸特征点定位方法，其特征在于：
包括以下步骤：
获取人脸局部图像；
把获取到的图像输入事先训练好的深度神经网络人脸特征点定位模型，对于任意给出的一个人脸局部图像，经过人脸特征点定位模型前向运算后，直接输出人脸特征点位置；
其中，
事先训练好的深度神经网络人脸特征点定位模型的网络结构包括：
conv0层是一个核尺寸为7×7，跨度为2×2的卷积层；
maxpool0层是一个核尺寸为2×2，跨度为2×2的最大值池化层；
conv0层和maxpool0层共同组成了一个特征图分辨率快速下降网络；
resblock0、resblock1、resblock2、resblock3均是resnet网络的resblock残差模块；
AIEN0、AIEN1均是自适应信息增强模块；
SAM0是空间注意力模块；ave-pool层是一个全局均值池化层；fc层是一个输出特征为2xN维的全连接层，N表示人脸特征点的个数。


2.根据权利要求1所述的基于自适应信息增强的人脸特征点定位方法，其特征在于：
所述resblock残差模块的具体网络结构包括：
rconv2层是一个核尺寸为1x1，跨度为2x2的卷积层，rconv0层是一个核尺寸为3x3,跨度为2x2的卷积层，rconv1层、rconv3层、rconv4层均是一个核尺寸为3x3，跨度为1x1的卷积层，eltsum0层和eltsum1层均是合并层，其作用是把多个输入特征图按对应元素相加合并成一个输出特征图。


3.根据权利要求2所述的基于自适应信息增强的人脸特征点定位方法，其特征在于：
所述自适应信息增强模块AIEN0、AIEN1的处理步骤包括：
对于任意一个输入特征图，首先进行局部特征图区域划分，划分标准是分别沿特征图宽度方向和高度方向进行均匀4等分，形成16个局部特征图区域b00、b01......b33，然后对每一个局部特征图区域进行单独自适应信息增强操作singleAIEN，获取信息增强的局部特征图区域e00、e01......e33，用信息增强后的局部特征图区域替换原来的局部特征图区域，生成特征图尺寸和输入特征图尺寸相同的信息增强的输出特征图；
其中，
所述单独自适应信息增强模块singleAIEN的处理步骤如下：
对于任意一个局部特征图区域bxx，首先经过一个全局均值池化层gavepool0，然后经过一个输出为1维特征的全连接层sinfc和sigmod类型的激活函数层sinsigmod，sinsigmod层的输出特征表示当前局部特征图区域的重要程度权值，最后，通过scale0层把sinsigmod层获取的局部特征图区域重要程度权值乘以局部特征图区域的每一个特征值，生成信息增强后的局部特征图区域exx。


4.根据权利要求3所述的基于自适应信息增强的人脸特征点定位方法，其特征在于：
所述空间注意力模块SAM0的具体网络结构包括：
...

【专利技术属性】
技术研发人员：张卡，何佳，戴亮亮，尼秀明，
申请(专利权)人：安徽清新互联信息科技有限公司，
类型：发明
国别省市：安徽;34