【技术实现步骤摘要】
人脸关键点检测模型的训练方法和人脸关键点检测方法
本申请涉及计算机视觉领域,尤其涉及一种人脸关键点检测模型的训练方法和人脸关键点检测方法。
技术介绍
人脸关键点检测对众多应用具有关键作用,例如人脸姿态矫正、姿态识别、表情识别、疲劳监测、嘴型识别等。因此,如何获取高精度的人脸关键点一直是计算机视觉领域的研究热点。人脸关键点检测是指给定人脸图像,定位出人脸面部的关键点位置,如眉毛、眼睛、鼻子、嘴巴、脸部轮廓等。现有的人脸关键点检测方法在进行人脸检测时,容易出现关键点漂移,导致人脸关键点检测准确度较低。
技术实现思路
本申请提供了一种人脸关键点检测模型的训练方法和人脸关键点检测方法,解决了现有的人脸关键点检测方法在进行人脸检测时,容易出现关键点漂移,导致人脸关键点检测准确度较低的技术问题。有鉴于此,本申请第一方面提供了一种人脸关键点检测模型的训练方法,包括:获取携带有预置人脸标注信息的人脸样本图像;将所述人脸样本图像输入至MTCNN网络的Pnet网络中,得到所述人脸样本图像对应的人脸候选框;将所述人脸候选框、所述人脸样本图像输入至所述MTCNN网络的Rnet网络中,得到所述人脸样本图像对应的人脸目标框;将所述人脸目标框、所述预置人脸标注信息和所述人脸样本图像输入至所述MTCNN网络的Onet网络中,得到训练好的MTCNN网络模型,其中,所述Onet网络中的关键点回归函数为:预置WingLoss函数。可选地,所述预置WingLoss函数为:< ...
【技术保护点】
1.一种人脸关键点检测模型的训练方法,其特征在于,包括:/n获取携带有预置人脸标注信息的人脸样本图像;/n将所述人脸样本图像输入至MTCNN网络的Pnet网络中,得到所述人脸样本图像对应的人脸候选框;/n将所述人脸候选框、所述人脸样本图像输入至所述MTCNN网络的Rnet网络中,得到所述人脸样本图像对应的人脸目标框;/n将所述人脸目标框、所述预置人脸标注信息和所述人脸样本图像输入至所述MTCNN网络的Onet网络中,得到训练好的MTCNN网络模型,其中,所述Onet网络中的关键点回归函数为:预置WingLoss函数。/n
【技术特征摘要】
1.一种人脸关键点检测模型的训练方法,其特征在于,包括:
获取携带有预置人脸标注信息的人脸样本图像;
将所述人脸样本图像输入至MTCNN网络的Pnet网络中,得到所述人脸样本图像对应的人脸候选框;
将所述人脸候选框、所述人脸样本图像输入至所述MTCNN网络的Rnet网络中,得到所述人脸样本图像对应的人脸目标框;
将所述人脸目标框、所述预置人脸标注信息和所述人脸样本图像输入至所述MTCNN网络的Onet网络中,得到训练好的MTCNN网络模型,其中,所述Onet网络中的关键点回归函数为:预置WingLoss函数。
2.根据权利要求1所述的训练方法,其特征在于,所述预置WingLoss函数为:
其中,loss(x)为预置WingLoss函数,w为非线性部分之间的间隔,ε为曲率,用于限制曲线的弯曲程度,c为常量,x为预测值与真实值之间的差值。
3.根据权利要求1所述的训练方法,其特征在于,所述人脸标注信息包括:人脸标注框和人脸关键点;
所述获取携带有预置人脸标注信息的人脸样本图像,具体包括:
获取未经标注的原始人脸样本图像;
通过预置标注工具,对所述原始人脸样本图像进行人脸框标注,得到标注有人脸标注框的人脸样本图像;
通过预置检测接口,对所述原始人脸样本图像进行关键点检测,得到关键点坐标;
根据所述关键点坐标,对所述原始人脸样本图像进行关键点标注,得到标注有人脸关键点的人脸样本图像。
4.根据权利要求3所述的训练方法,其特征在于,所述人脸候选框包括:正人脸候选框、中人脸候选框和负人脸候选框;
所述将所述人脸样本图像输入至MTCNN网络的Pnet网络中,得到所述人脸样本图像对应的人脸候选框,具体包括:
将所述人脸样本图像输入至MTCNN网络的Pnet网络,使得所述Pnet网络对所述人脸样本图像进行人脸框选取,并基于各人脸选取框对应的交叠率,将所述选取框分类为正人脸候选框、中人脸候选框和负人脸候选框。
5.根据权利要求4所述的训练方法,其特征在于,所述对所述人脸样本图像进行人脸框选取,并基于各人脸选取框对应的交叠率,将所述选取框分类为正人脸候选框、中人脸候选框和负人脸候选框,具体包括:
对所述人脸样本图像进行人脸框选取,得到若干人脸选取框;
计算每一所述人脸选取框和所述人脸标注框之间的交叠率;
根据各...
【专利技术属性】
技术研发人员:刘思伟,
申请(专利权)人:广州织点智能科技有限公司,
类型:发明
国别省市:广东;44
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。