【技术实现步骤摘要】
关键点检测模型及其检测方法、装置及计算机存储介质
[0001]本申请实施例涉及人脸识别
,特别涉及一种关键点检测模型及其检测方法、装置及计算机存储介质。
技术介绍
[0002]人脸关键点检测是人脸识别与分析处理中关键的技术之一,是人脸识别、人脸表情分析、人脸三维重建等技术实现的基础。人脸关键点又称人脸对齐,其有助于定位人脸姿态,还原人脸模型,理解人脸表情属性等。近年来,人脸识别技术的应用已经相对成熟,其中,人脸关键点检测技术也得到广泛的应用。
[0003]目前,人脸识别在移动设备端得到了越来越多的应用。然而,受限于移动端的资源以及算力配置,导致为移动设备端设计CNN模型非常具有挑战性,因此,如何设计出可满足移动设备端需求的高效模型,是人脸识别中一个新的挑战。
[0004]另外,实际应用场景中的模糊、昏暗、大角度侧脸、戴口罩、戴眼镜等音素都会对人脸关键点的检测带来困难。如何解决各种特殊应用场景下各种复杂人脸的关键点检测,也是本申请需要研究的一个问题。
技术实现思路
[0005]鉴于上述问题,本申请提供一种关键点检测模型训练及其检测方法、装置及计算机存储介质,以克服上述问题或者至少部分地解决上述问题。
[0006]本申请第一方面提供一种关键点检测模型训练方法,其包括根据初始训练样本,确定所述初始训练样本中各关键点对应的各坐标参数与各第一可见度类别参数;根据预设数据增强规则、所述初始训练样本中各关键点对应的各坐标参数和各第一可见度类别参数,针对所述初始训练样本执行数据增强处理, ...
【技术保护点】
【技术特征摘要】
1.一种关键点检测模型训练方法,其特征在于,所述方法包括:根据初始训练样本,确定所述初始训练样本中各关键点对应的各坐标参数与各第一可见度类别参数;根据预设数据增强规则、所述初始训练样本中各关键点对应的各坐标参数和各第一可见度类别参数,针对所述初始训练样本执行数据增强处理,获得增强训练样本以及所述增强训练样本中各所述关键点对应的各第二可见度类别参数;以及构建关键点检测模型,并将所述增强训练样本作为输入,将各所述关键点对应的各所述坐标参数以及各所述第二可见度类别参数作为输出,以训练所述关键点检测模型。2.根据权利要求1所述的关键点检测模型训练方法,其特征在于,所述预设数据增强规则包括图片模糊增强规则、图片昏暗增强规则、图片擦除增强规则、图片变形增强规则中的至少一个。3.根据权利要求1所述的关键点检测模型训练方法,其特征在于,所述初始训练样本包括人脸图像。4.根据权利要求3所述的关键点检测模型训练方法,其特征在于,所述预设数据增强规则为图片擦除增强规则,所述第一可见度类别参数、所述第二可见度类别参数用于标识所述关键点的可见度类别,所述可见度类别包括可见类别和不可见类别中的一个。5.根据权利要求4所述的关键点检测模型训练方法,其特征在于,所述根据预设数据增强规则、所述初始训练样本中各所述关键点对应的各所述坐标参数和各所述第一可见度类别参数,针对所述初始训练样本执行数据增强处理,获得增强训练样本以及所述增强训练样本中各所述关键点对应的各第二可见度类别参数包括:根据所述图片擦除增强规则和各所述关键点对应的各所述坐标参数,获得待擦除的至少一个所述关键点以作为目标隐藏点;根据各所述目标隐藏点对应的各所述坐标参数,确定目标擦除区域的位置信息;根据所述目标擦除区域的位置信息,针对所述初始训练样本中的对应区域执行数据擦除处理,获得所述增强训练样本;以及针对所述增强训练样本中属于所述目标隐藏点的各所述关键点,将所述不可见类别确定为各所述关键点对应的各所述第二可见度类别参数,针对所述增强训练样本中不属于所述目标隐藏点的各所述关键点,将各所述关键点对应的各所述第一可见度类别参数确定为各所述关键点对应的各所述第二可见度类别参数,据以获得所述增强训练样本中所有所述关键点对应的各所述第二可见度类别参数。6.根据权利要求5所述的关键点检测模型训练方法,其特征在于,所述目标擦除区域包括所述人脸图像中的眉部区域、眼部区域、嘴部区域、鼻部区域、下颚区域、面颊区域中的至少一个。7.根据权利要求4所述的关键点检测模型训练方法,其特征在于,所述根据预设数据增强规则、所述初始训练样本中各所述关键点对应的各所述坐标参数和各所述第一可见度类别参数,针对所述初始训练样本执行数据增强处理,获得增强训练样本以及所述增强训练样本中各所述关键点对应的各第二可见度类别参数包括:目标擦除区域生成步骤,根据所述图片擦除增强规则,随机生成所述目标擦除区域的位置信息;
数据擦除步骤,根据所述目标擦除区域的位置信息,针对所述初始训练样本中的对应区域执行数据擦除处理,获得所述增强训练样本;以及针对所述增强训练样本中位于所述目标擦除区域中的各所述关键点,将所述不可见类别确定为各所述关键点对应的各所述第二可见度类别参数,针对所述增强训练样本中位于所述目标擦除区域之外的各所述关键点,将各所述关键点对应的各所述第一可见度类别参数确定为各所述关键点对应的各所述第二可见度类别参数,据以获得所述增强训练样本中所有所述关键点对应的各所述第二可见度类别参数。8.根据权利要求7所述的关键点检测模型训练方法,其特征在于,所述根据所述图片擦除增强规则,随机生成所述目标擦除区域的位置信息还包括:根据各所述关键点对应的各所述坐标参数和所述目标擦除区域的位置信息,获得所述目标擦除区域中的所述关键点的数量;根据预设隐藏点数量、所述目标擦除区域中的所述关键点的数量,若所述目标擦除区域中的所述关键点的数量不超过所述预设隐藏点数量,执行所述数据擦除步骤;若所述目标擦除区域中的所述关键点的数量超过所述预设隐藏点数量,则重复所述目标擦除区域生成步骤。9.根据权利要求8中任一项所述的关键点检测模型训练方法,其特征在于,所述目标擦除区域为所述人脸图像中的随机区域,所述预设隐藏点数量为3个。10.根据权利要求4所述的关键点检测模型训练方法,其特征在于,所述构建关键点检测模型,并将所述增强训练样本作为输入,并将各所述关键点对应的各所述坐标参数以及各所述第二可见度类别参数作为输出,以训练所述关键点检测模型包括:构建包括有坐标位置预测器和可见度类别预测器的所述关键点检测模型;将所述增强训练样本作为输入,以供所述坐标位置预测器针对所述增强训练样本中各所述关键点的坐...
【专利技术属性】
技术研发人员:秦勤,
申请(专利权)人:四川云从天府人工智能科技有限公司,
类型:发明
国别省市:
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。