人脸关键点检测方法及装置制造方法及图纸

本发明专利技术提供一种人脸关键点检测方法及装置，方法包括：获取人脸图像；将人脸图像输入至人脸关键点检测模型中，得到人脸关键点检测模型输出的人脸关键点检测结果；其中，人脸关键点检测模型是基于样本图像及样本图像对应的角度类别标签和人脸关键点真值训练得到的；人脸关键点模型用于基于对人脸图像预测得到的角度类别，对人脸图像进行人脸关键点检测，以得到人脸关键点检测结果。本发明专利技术通过对将获取的人脸图像输入至人脸关键点检测模型中，以便于根据对人脸图像预测的姿态角对应的角度类型，对人脸图像进行关键点检测，以根据角度范围，提高人脸关键点的检测精度，避免受姿态的影响以致关键点检测精度较差的情形，提高人脸关键点检测的精度。关键点检测的精度。关键点检测的精度。

【技术实现步骤摘要】
人脸关键点检测方法及装置


[0001]本专利技术涉及图像处理
，尤其涉及一种人脸关键点检测方法及装置。

技术介绍

[0002]随着科学技术的发展，将人脸识别技术应用在实际生活中的场景越来越多，如，基于一张或多张2D图像中所识别的人脸，重新构建人脸3D模型，进而实现视频换脸的效果；或者，对用户面部进行活体检测，以验证所述用户的身份或者权限，以抵御各类欺诈式攻击。人脸关键点检测作为人脸识别技术中的重要组成部分，将很大程度影响到人脸识别/分析/搜索系统的整体性能。
[0003]目前，使用的人脸关键点检测模型，主要是将所有关键点放在一起训练，重点考虑关键点之间的相对位置关系，最后得到一个全局最优解。
[0004]然而，在现有人脸关键点检测过程中，未考虑人脸关键点任务的额外信息，特别是人脸处于不同姿态角度等情况，比如当原始人脸图像中的人脸位置，相较于正视状态的人脸图像而言，偏移姿态会造成人脸五官位置的偏移，以使人脸关键点的检测位置与目标位置的偏差较大，进而造成计算量过大，且在设定的迭代次数中，将无法准确的定位原始人脸图像中各人脸关键点的最终检测位置，从而增加人脸关键点的检测困难程度，降低人脸关键点的定位准确度。

技术实现思路

[0005]本专利技术提供一种人脸关键点检测方法及装置，用以解决现有技术中由于姿态的影响以致人脸关键点检测准确率较差的缺陷，实现多姿态条件下准确检测人脸关键点。
[0006]本专利技术提供一种人脸关键点检测方法，包括：获取人脸图像；将所述人脸图像输入至人脸关键点检测模型中，得到所述人脸关键点检测模型输出的人脸关键点检测结果；其中，所述人脸关键点检测模型是基于样本图像及所述样本图像对应的角度类别标签和人脸关键点真值训练得到的；所述人脸关键点模型用于基于对所述人脸图像预测得到的角度类别，对所述人脸图像进行人脸关键点检测，以得到人脸关键点检测结果。
[0007]根据本专利技术提供的一种人脸关键点检测方法，所述人脸关键点检测模型，包括：角度预测层，对输入的人脸图像进行姿态角类型预测，得到角度类别；人脸关键点检测层，基于所述角度类别对所述人脸图像进行检测，得到人脸关键点检测结果。
[0008]根据本专利技术提供的一种人脸关键点检测方法，所述对输入的人脸图像进行姿态角类型预测，包括：基于输入的人脸图像进行特征提取，得到姿态角；基于预设角度类别，确定所述姿态角所属角度范围，得到角度类别。
[0009]根据本专利技术提供的一种人脸关键点检测方法，所述姿态角包括俯仰角和偏航角，所述角度预测层包括分别预测所述俯仰角的第一卷积层和预测所述偏航角的第二卷积层。
[0010]根据本专利技术提供的一种人脸关键点检测方法，训练所述人脸关键点检测模型，包括：获取样本图像及所述样本图像对应的角度类别标签和人脸关键点真值；将所述样本图
像作为待训练模型的输入数据，将所述角度类别标签作为所述待训练模型基于所述样本图片预测得到的角度预测类型的标签，将所述人脸关键点真值作为所述待训练模型基于所述角度预测类型进行人脸关键点检测得到的人脸关键点预测结果的标签，对所述待训练模型进行训练，得到用于生成人脸图像的人脸关键点检测结果的人脸关键点检测模型。
[0011]根据本专利技术提供的一种人脸关键点检测方法，所述对所述待训练模型进行训练，包括：将所述样本图像输入至角度预测层，得到所述角度预测层输出的角度预测类别；将所述角度预测类别和所述样本图像输入至人脸关键点检测层，得到所述人脸关键点检测层输出的人脸关键点预测结果；基于所述角度预测类别和所述角度类别标签构建角度损失函数，并基于所述人脸关键点预测结果和所述人脸关键点真值构建关键点损失函数；根据所述角度损失函数和所述关键点损失函数，得到总损失函数，并基于所述总损失函数收敛，结束训练。
[0012]本专利技术还提供一种人脸关键点检测装置，包括：数据获取模块，获取人脸图像；人脸关键点检测模块，将所述人脸图像输入至人脸关键点检测模型中，得到所述人脸关键点检测模型输出的人脸关键点检测结果；其中，所述人脸关键点检测模型是基于样本图像及所述样本图像对应的角度类别标签和人脸关键点真值训练得到的；所述人脸关键点模型用于基于对所述人脸图像预测得到的角度类别，对所述人脸图像进行人脸关键点检测，以得到人脸关键点检测结果。
[0013]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述人脸关键点检测方法的步骤。
[0014]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述人脸关键点检测方法的步骤。
[0015]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述人脸关键点检测方法的步骤。
[0016]本专利技术提供的人脸关键点检测方法及装置，通过对将获取的人脸图像输入至人脸关键点检测模型中，以便于根据对人脸图像预测的姿态角对应的角度类型，对人脸图像进行关键点检测，以根据角度范围，提高人脸关键点的检测精度，避免受姿态的影响以致关键点检测精度较差的情形，提高人脸关键点检测的精度。
附图说明
[0017]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0018]图1是本专利技术提供的人脸关键点检测方法的流程示意图；
[0019]图2是本专利技术提供的人脸关键点检测模型的架构示意图；
[0020]图3是本专利技术提供的训练人脸关键点检测模型的流程示意图；
[0021]图4是本专利技术提供的人脸关键点检测装置的结构示意图；
[0022]图5是本专利技术提供的训练模块的结构示意图；
[0023]图6是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0024]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0025]图1示出了本专利技术一种人脸关键点检测方法的流程示意图，该方法包括：
[0026]S11，获取人脸图像；
[0027]S12，将人脸图像输入至人脸关键点检测模型中，得到人脸关键点检测模型输出的人脸关键点检测结果；其中，人脸关键点检测模型是基于样本图像及样本图像对应的角度类别标签和人脸关键点真值训练得到的；人脸关键点模型用于基于对人脸图像预测得到的角度类别，对人脸图像进行人脸关键点检测，以得到人脸关键点检测结果。
[0028]需要说明的是，本说明书中的S1N不本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种人脸关键点检测方法，其特征在于，包括：获取人脸图像；将所述人脸图像输入至人脸关键点检测模型中，得到所述人脸关键点检测模型输出的人脸关键点检测结果；其中，所述人脸关键点检测模型是基于样本图像及所述样本图像对应的角度类别标签和人脸关键点真值训练得到的；所述人脸关键点模型用于基于对所述人脸图像预测得到的角度类别，对所述人脸图像进行人脸关键点检测，以得到人脸关键点检测结果。2.根据权利要求1所述的人脸关键点检测方法，其特征在于，所述人脸关键点检测模型，包括：角度预测层，对输入的人脸图像进行姿态角类型预测，得到角度类别；人脸关键点检测层，基于所述角度类别对所述人脸图像进行检测，得到人脸关键点检测结果。3.根据权利要求2所述的人脸关键点检测方法，其特征在于，所述对输入的人脸图像进行姿态角类型预测，包括：基于输入的人脸图像进行特征提取，得到姿态角；基于预设角度类别，确定所述姿态角所属角度范围，得到角度类别。4.根据权利要求2所述的人脸关键点检测方法，其特征在于，所述姿态角包括俯仰角和偏航角，所述角度预测层包括分别预测所述俯仰角的第一卷积层和预测所述偏航角的第二卷积层。5.根据权利要求1所述的人脸关键点检测方法，其特征在于，训练所述人脸关键点检测模型，包括：获取样本图像及所述样本图像对应的角度类别标签和人脸关键点真值；将所述样本图像作为待训练模型的输入数据，将所述角度类别标签作为所述待训练模型基于所述样本图片预测得到的角度预测类型的标签，将所述人脸关键点真值作为所述待训练模型基于所述角度预测类型进行人脸关键点检测得到的人脸关键点预测结果的标签，对所述待训练模型进行训练，得到用于生成人脸图像的人脸关键点检测结...

【专利技术属性】
技术研发人员：贺克赛，程新景，杨睿刚，
申请(专利权)人：际络科技上海有限公司，
类型：发明
国别省市：