【技术实现步骤摘要】
一种人脸关键点检测模型生成方法、检测方法及电子设备
[0001]本专利技术涉及人脸检测
，具体涉及一种人脸关键点检测模型生成方法、检测方法及电子设备。
技术介绍
[0002]人脸关键点检测是人脸验证，人脸识别，属性计算，表情识别，姿态估计等人脸相关技术的前提和突破口。由于深度学习具有自动学习及持续学习能力，基于深度学习的人脸关键点检测技术的研究越来越多。这项检测技术是将人脸检测器检测到的人脸图像输入预先训练好的人脸关键点检测模型中，根据输入的人脸图像，自动定位出面部关键特征点。
[0003]现实场景中，人脸检测结果是影响人脸关键点检测模型检测精度至关重要的一环，人脸检测框对人脸全局结构的错误估计会直接导致人脸关键点定位的不准确，而人脸全局的正确性常常依赖人脸检测器的性能好坏，太大的人脸框会包含多余的背景信息，太小的人脸框会丢失人脸的结构信息，这两种结果都会直接影响人脸关键点检测模型的结果输出。
[0004]因此，现有技术还有待于改进和发展。
技术实现思路
[0005]针对现有技术的上述缺...
【技术保护点】
【技术特征摘要】
1.一种人脸关键点检测模型生成方法，其特征在于，包括：获取训练样本集中的训练图像对应的第一人脸框位置坐标和第一人脸关键点位置坐标；其中，所述训练图像中包含人脸；对所述第一人脸框位置坐标和所述第一人脸关键点位置坐标进行坐标变换，得到第二人脸框位置坐标和第二人脸关键点位置坐标；根据所述第二人脸框位置坐标对应的第一人脸图像和所述第二人脸关键点位置坐标对预设网络模型进行训练，生成人脸关键点检测模型。2.根据权利要求1所述的人脸关键点检测模型生成方法，其特征在于，所述对所述第一人脸框位置坐标和所述第一人脸关键点位置坐标进行坐标变换，得到第二人脸框位置坐标和第二人脸关键点位置坐标的步骤包括：根据预先生成的缩放因子对所述第一人脸框位置坐标进行坐标变换，得到第二人脸框位置坐标；根据所述第二人脸框位置坐标对所述第一人脸关键点位置坐标进行坐标变换，得到第二人脸关键点位置坐标。3.根据权利要求2所述的人脸关键点检测模型生成方法，其特征在于，所述缩放因子的生成方法包括：在预设范围内随机生成所述缩放因子。4.根据权利要求1所述的人脸关键点检测模型生成方法，其特征在于，所述根据所述第二人脸框位置坐标对应的第一人脸图像和所述第二人脸关键点位置坐标对预设网络模型进行训练，生成人脸关键点检测模型的步骤包括：将所述第二人脸框位置坐标对应的第一人脸图像输入预设网络模型，生成所述第一人脸图像对应的第三人脸关键点位置坐标；根据所述第二人脸关键点位置坐标和所述第三人脸关键点位置坐标对所述预设网络模型的模型参数进行修正，并继续执行根据所述第一人脸图像生成所述第三人脸关键点位置坐标的步骤，直至所述预设网络模型满足预设条件，以生成人脸关键点检测模型。5.根据权利要求4所述的人脸关键点检测模型生成方法，其特征在于，所述根据所述第二人脸关键点位置坐标和所述第三人脸关键点位置坐标对所述预设网络模型的模型参数进行修正，并继续执行根据所述第一人脸图像生成所述第三人脸关键点位置坐标的步骤，直至所述预设网络模型满足预设条件的步骤包括：根据所述第二人脸关键点位置坐标和所述第三人脸关键点位置坐标得到损失值，如果所述损失值大于或者等于预设阈值，则根据预设参数学习率对所述预设网络模型的模型参数进行修正，并继续执行根据所述第一人脸图像生成所述第三人脸关键点位置坐标的步骤，直至所述损失值小于预设阈值。6.根据权利要求1所述的人脸关键点检测模型生成方法，其特征在于，所述对所述第一人脸框位置坐标和所述第一人脸关键点位置坐标进行坐标变换，得到第二人脸框位置坐标和第二人脸关键点位置坐标的步骤之后包括：按照所述第二人脸框位置坐标对所述训练样本集中的训练图像进行截取，获得所述第二人脸位置坐标对应的第二人脸图像；对所述第二人脸图像进行预处理操作，获得所述第二人脸位置坐标对应的第一人脸图
像。7.根据权利要求6所述的人脸关键点检测模型生成方法，其特征在于，所述对所述第二人脸图像进行预处理操作，获得所述第二人脸位置坐标对应的第一人脸图像的步骤包括：对所述第二人脸图像进行尺度缩放，并对尺度缩放后的所述第二人脸图像进行归一化操作，获得所述第二人脸位置坐标...
【专利技术属性】
技术研发人员：赵晨晨，李渊，
申请(专利权)人：武汉TCL集团工业研究院有限公司，
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。