脸颊下垂检测模型的训练方法、脸颊下垂检测方法及装置制造方法及图纸

本申请实施例涉及智能识别检测技术领域，公开了一种脸颊下垂检测模型的训练方法、脸颊下垂检测方法及装置，该训练方法通过设置图像训练样本集包括若干人员的人脸图像且在图像训练样本集中各人员均具有在不同人脸形态下的人脸图像，从而模型能够更好地学习不同角度、不同表情下的脸颊特征，使得模型具有适应不同角度、不同表情下的检测鲁棒性。另一方面，截取图像训练样本集中各人脸图像的脸颊区域，获取多个脸颊区域图像，将各脸颊区域图像作为训练集，对神经网络进行训练，能够减少其它特征(例如眼睛特征、额头特征等)对脸颊特征的干扰。因此，采用该训练方法训练得到的脸颊下垂检测模型能够提高检测的准确性和效率。检测模型能够提高检测的准确性和效率。检测模型能够提高检测的准确性和效率。

【技术实现步骤摘要】
脸颊下垂检测模型的训练方法、脸颊下垂检测方法及装置


[0001]本申请实施例涉及智能识别检测
，尤其涉及一种脸颊下垂检测模型的训练方法、脸颊下垂检测方法及装置。

技术介绍

[0002]随着移动通信技术的快速发展以及人民生活水平的提升，各种智能终端已广泛应用于人民的日常工作和生活，使得人们越来越习惯于使用APP等软件，使得脸型检测、衰老或肥胖检测等此类功能的APP需求也变得越来越多。再加上，在大美容行业，人脸占据绝对的核心部分，而脸颊下垂是反映衰老的重要特征，显然，对脸颊下垂的检测就变得非常重要。因此，不少的用户希望此类App能够自动分析出是否存在脸颊下垂以及脸颊下垂的严重程度。
[0003]本申请专利技术人在实现本申请实施例的过程中，发现：受脸颊尺度差异、表情和脸型颧骨的影响，脸颊下垂的检测难度较大，现今主要依靠人眼判断脸颊下垂。而在少有的脸颊下垂检测方法中，大多借助较为复杂的方式获取人脸信息来得出脸颊下垂检测的结果，计算复杂，效果也不尽人意。

技术实现思路

[0004]本申请实施例主要解决的技术问题是提供一种脸颊下垂检测模型的训练方法、脸颊下垂检测方法及装置，采用该训练方法训练得到的脸颊下垂检测模型能够提高脸颊下垂检测的准确性和效率。
[0005]为解决上述技术问题，第一方面，本申请实施例中提供给了一种脸颊下垂检测模型的训练方法，包括：
[0006]获取图像训练样本集，所述图像训练样本集包括若干人员的人脸图像，其中，一个所述人员对应所述人员在不同人脸形态下的多个人脸图像；
[0007]根据所述图像训练样本集中的各人脸图像，分别确定与每一所述人脸图像对应的脸颊区域图像，其中，所述脸颊区域图像根据预设规则设置真实脸颊下垂标签；
[0008]将各所述脸颊区域图像输入至预设的对神经网络进行训练，直至所述神经网络收敛，得到所述脸颊下垂检测模型。
[0009]在一些实施例中，所述所述人脸形态包括至少一种角度和至少一种表情。
[0010]在一些实施例中，所述根据所述图像训练样本集中各人脸图像，获取所述各人脸图像对应的脸颊区域图像，包括：
[0011]对目标人脸图像，采用人脸关键点算法，确定所述目标人脸图像的人脸关键点，其中，所述目标人脸图像为所述图像训练样本集中的任意一个人脸图像；
[0012]根据所述目标人脸图像的人脸关键点，确定所述目标人脸图像对应的脸颊区域图像。
[0013]在一些实施例中，所述根据所述目标人脸图像的人脸关键点，获取所述目标人脸
图像对应的脸颊区域图像，包括：
[0014]根据所述目标人脸图像的人脸关键点，获取至少两个第一半脸关键点和中心关键点，其中，所述第一半脸关键点为属于左脸颊或右脸颊的关键点，所述中心关键点位于脸颊的下巴顶点处且位于脸颊的中心线上；
[0015]根据所述至少两个第一半脸关键点和所述中心关键点，获取至少两个第二半脸关键点，其中，所述至少两个第二半脸关键点与所述至少两个第一关键点关于所述中心线对称；
[0016]在所述目标人脸图像上，根据所述至少两个第一半脸关键点、所述中心关键点和所述至少两个第二半脸关键点，截取得到所述目标人脸图像对应的脸颊区域图像。
[0017]在一些实施例中，所述神经网络包括依次连接的多个特征提取模块，一个所述特征提取模块配置有输入分辨率、输出通道数和层数；
[0018]所述神经网络配置有分辨率缩放因子、宽度缩放因子和深度缩放因子，所述分辨率缩放因子用于调节各所述特征提取模块对应的输入分辨率，所述宽度缩放因子用于调节各所述特征提取模块对应的输出通道数，所述深度缩放因子用于调节各所述特征提取模块对应的层数；
[0019]所述将各所述脸颊区域图像作为训练集，对神经网络进行训练，直至所述神经网络收敛，得到所述脸颊下垂检测模型，包括：
[0020]将所述训练集输入所述神经网络，输出各所述脸颊区域图像对应的预测脸颊下垂标签；
[0021]采用损失函数计算各所述真实脸颊下垂标签和各所述预测脸颊下垂标签之间的损失；
[0022]根据所述损失对所述神经网络的学习参数和所述分辨率缩放因子、所述宽度缩放因子、所述深度缩放因子进行迭代调整，直至所述神经网络收敛，得到所述脸颊下垂检测模型。
[0023]解决上述技术问题，第二方面，本申请实施例中提供给了一种脸颊下垂检测方法，包括：
[0024]获取待检测人脸图像；
[0025]获取所述待检测人脸图像的脸颊区域图像；
[0026]将所述待检测人脸图像的脸颊区域图像，输入采用如第一方面所述的脸颊下垂检测模型的训练方法训练得到的脸颊下垂检测模型，得到所述待检测人脸图像的脸颊下垂检测结果。
[0027]解决上述技术问题，第三方面，本申请实施例中提供给了一种训练装置，包括：
[0028]第一获取模块，用于获取图像训练样本集，所述图像训练样本集包括若干人员的人脸图像，其中，一个所述人员对应所述人员在不同人脸形态下的多个人脸图像；
[0029]第二获取模块，用于根据所述图像训练样本集中的各人脸图像，分别确定与每一所述人脸图像对应的脸颊区域图像，其中，所述脸颊区域图像根据预设规则设置有真实脸颊下垂标签；
[0030]训练模块，用于将各所述脸颊区域图像输入至预设的对神经网络进行训练，直至所述神经网络收敛，得到所述脸颊下垂检测模型。
[0031]解决上述技术问题，第四方面，本申请实施例中提供给了一种检测装置，包括：
[0032]第三获取模块，用于获取待检测人脸图像；
[0033]第四获取模块，用于获取所述待检测人脸图像的脸颊区域图像；
[0034]检测模块，用于将所述待检测人脸图像的脸颊区域图像，输入脸颊下垂检测模型，得到所述待检测人脸图像的脸颊下垂检测结果，其中，所述脸颊下垂检测模型为采用如第一方面所述的脸颊下垂检测模型的训练方法训练得到。
[0035]解决上述技术问题，第五方面，本申请实施例中提供给了一种计算机设备，包括存储器以及一个或多个处理器，所述一个或多个处理器用于执行存储在所述存储器中的一个或多个计算机程序，所述一个或多个处理器在执行所述一个或多个计算机程序时，使得所述计算机设备实现如上第一方面或第二方面所述的方法。
[0036]解决上述技术问题，第六方面，本申请实施例中提供给了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如上第一方面或第二方面所述的方法。
[0037]本申请实施例的有益效果：区别于现有技术的情况，本申请实施例提供的脸颊下垂检测模型的训练方法，一方面，通过设置图像训练样本集包括若干人员的人脸图像且在图像训练样本集中各人员均具有在不同人脸形态下的多个人脸图像，从而模型能够更好地学习不同角度、不同表情下的脸颊特征，使得模型具有适应不同角度、不同表情下的检测鲁棒性。另一方面，截取图像训练样本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脸颊下垂检测模型的训练方法，其特征在于，包括：获取图像训练样本集，所述图像训练样本集包括若干人员的人脸图像，其中，一个所述人员对应所述人员在不同人脸形态下的多个人脸图像；根据所述图像训练样本集中的各人脸图像，分别确定与每一所述人脸图像对应的脸颊区域图像，其中，所述脸颊区域图像根据预设规则设置有真实脸颊下垂标签；将各所述脸颊区域图像输入至预设的神经网络进行训练，直至所述神经网络收敛，得到所述脸颊下垂检测模型。2.根据权利要求1所述的方法，其特征在于，所述人脸形态包括至少一种角度和至少一种表情。3.根据权利要求1所述的方法，其特征在于，所述根据所述图像训练样本集中各人脸图像，获取所述各人脸图像对应的脸颊区域图像，包括：对目标人脸图像，采用人脸关键点算法，确定所述目标人脸图像的人脸关键点，其中，所述目标人脸图像为所述图像训练样本集中的任意一个人脸图像；根据所述目标人脸图像的人脸关键点，确定所述目标人脸图像对应的脸颊区域图像。4.根据权利要求3所述的方法，其特征在于，所述根据所述目标人脸图像的人脸关键点，获取所述目标人脸图像对应的脸颊区域图像，包括：根据所述目标人脸图像的人脸关键点，获取至少两个第一半脸关键点和中心关键点，其中，所述第一半脸关键点为属于左脸颊或右脸颊的关键点，所述中心关键点位于脸颊的下巴顶点处且位于脸颊的中心线上；根据所述至少两个第一半脸关键点和所述中心关键点，获取至少两个第二半脸关键点，其中，所述至少两个第二半脸关键点与所述至少两个第一关键点关于所述中心线对称；在所述目标人脸图像上，根据所述至少两个第一半脸关键点、所述中心关键点和所述至少两个第二半脸关键点，截取得到所述目标人脸图像对应的脸颊区域图像。5.根据权利要求1
‑
4任意一项所述的方法，其特征在于，所述神经网络包括依次连接的多个特征提取模块，一个所述特征提取模块配置有输入分辨率、输出通道数和层数；所述神经网络配置有分辨率缩放因子、宽度缩放因子和深度缩放因子，所述分辨率缩放因子用于调节各所述特征提取模块对应的输入分辨率，所述宽度缩放因子用于调节各所述特征提取模块对应的输出通道数，所述深度缩放因子用于调节各所述特征提取模块对应的层数；所述将各所述脸颊区域图像作为训练集，对神经网络进行训练，直至所述神经网络收敛，得到所述脸颊下垂...

【专利技术属性】
技术研发人员：喻一凡，
申请(专利权)人：深圳数联天下智能科技有限公司，
类型：发明
国别省市：