一种人脸关键点检测方法及系统技术方案

本发明专利技术涉及一种人脸关键点检测方法及系统，其中方法使用如下步骤训练的人脸关键点检测模型：获取人脸关键点数据集，人脸关键点数据集包括人脸姿态三维偏角数据、人脸关键点二维坐标数据；使用人脸关键点数据集通过迭代预设次数训练人脸关键点检测模型，训练过程的总损失函数由形状损失函数、偏转损失函数和关键点真值损失函数组成。本发明专利技术的方法及系统将检测模型的损失函数设计为三部分，包括用于学习人脸结构约束的形状损失函数、用于学习人脸偏转姿态的偏转损失函数和用于学习人脸关键点真值的关键点真值损失函数；这一检测模型基于坐标回归对关键点坐标进行预测，在精确性和实时性上都具有较好的性能。时性上都具有较好的性能。时性上都具有较好的性能。

【技术实现步骤摘要】
一种人脸关键点检测方法及系统


[0001]本专利技术属于人脸检测
，具体涉及一种人脸关键点检测方法及系统。

技术介绍

[0002]随着计算机视觉技术的不断发展，人脸成为现代人机交互中最为重要的信息载体之一，与之相关的研究如人脸识别、人脸表情隆、视频人脸美化等也在诸多领域取得了越来越广泛的应用。人脸关键点检测的输入是任意人脸图片或视频帧，输出为人脸各个位置如眉毛、鼻子、人脸边界的若干点坐标。
[0003]人脸关键点检测是人脸相关任务的重要前置步骤，快速准确地提取关键点是整个复杂流程的基础。其方法可分为基于传统方法和基于深度学习方法两种，基于传统方法使用如主动形状模型（Active Shape Models，ASM）、主动外观模型（ActiveAppearance Models，AAM）等模型进行检测，其优势在于运算速度快、原理性强，但是检测准确度往往不如深度学习方法。而另一方面，基于深度学习方法一般只在检测准确度方面有较优秀表现，而在检测速率方面性能较差。
[0004]因此，需要一种人脸关键点检测方法，能够同时具有优秀的检测准确度和检测速度。

技术实现思路

[0005]基于现有技术中存在的上述缺点和不足，本专利技术的目的之一是至少解决现有技术中存在的上述问题之一或多个，换言之，本专利技术的目的之一是提供满足前述需求之一或多个的一种人脸关键点检测方法及系统。
[0006]为了达到上述专利技术目的，本专利技术采用以下技术方案：第一方面，本专利技术提供一种人脸关键点检测方法，使用如下步骤训练的人脸关键点检测模型：S1、获取人脸关键点数据集，人脸关键点数据集包括人脸姿态三维偏角数据、人脸关键点二维坐标数据；S2、使用人脸关键点数据集通过迭代预设次数训练人脸关键点检测模型，训练过程的总损失函数由形状损失函数、偏转损失函数和关键点真值损失函数组成。
[0007]作为一种优选的实施方式，步骤S2中的训练过程中，总损失函数中形状损失函数的权重随迭代次数增加而减小。
[0008]作为一种进一步优选的实施方式，形状损失函数的权重初始值大于关键点真值损失函数的权重。
[0009]作为一种进一步优选的实施方式，当迭代次数小于预设次数的三分之一时，形状损失函数的权重为初始值；当迭代次数大于等于预设次数的三分之一、并小于预设次数的三分之二时，形状损失函数的权重为初始值的一半；当迭代次数大于等于预设次数的三分之二时，形状损失函数的权重为初始值的四分之一。
[0010]作为一种优选的实施方式，形状损失函数的计算方法为：将所有人脸关键点数据集平均化后得到平均形状，平均形状中包括若干关键点坐标；分别计算每个预测结果与平均形状中每个关键点坐标的均方差，并得到每个预测结果中均方差的均值，然后将全部预测结果中均方差的均值再次取均值。
[0011]作为一种优选的实施方式，偏转损失函数的计算方法为：将所有人脸关键点数据集平均化后得到平均偏转角，平均偏转角包括平均偏航角、平均横滚角与平均俯仰角；分别计算每个预测结果与平均偏转角中平均偏航角、平均横滚角与平均俯仰角的方差，然后将全部预测结果中方差取均值。
[0012]作为一种优选的实施方式，将所有人脸关键点数据集平均化后得到平均关键点真值集合，平均关键点真值集合中包括若干关键点真值坐标；分别计算每个预测结果与平均关键点真值集合中每个关键点真值坐标的均方差，并得到每个预测结果中均方差的均值，然后将全部预测结果中均方差的均值再次取均值。
[0013]第二方面，本专利技术提供了一种人脸关键点检测系统，包括：模型训练模块，使用如上述任一项方法的步骤S1
‑
S2训练人脸关键点检测模型；人脸关键点检测模块，使用模型训练模块训练的人脸关键点检测模型进行人脸关键点检测。
[0014]第三方面，本专利技术还提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述任一项的方法。
[0015]第四方面，本专利技术还提供一种计算机设备，计算机设备包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，计算机程序被处理器执行时实现如上述任一项的方法。
[0016]本专利技术与现有技术相比，有益效果是：本专利技术的方法及系统将检测模型的损失函数设计为三部分，包括用于学习人脸结构约束的形状损失函数、用于学习人脸偏转姿态的偏转损失函数和用于学习人脸关键点真值的关键点真值损失函数；这一检测模型基于坐标回归对关键点坐标进行预测，在精确性和实时性上都具有较好的性能。
[0017]另外，损失函数中的形状损失函数对人脸整体结构进行建模，能够有效地利用更浅层的人脸特征，利用对人脸结构的强约束性使网络能够更快学习到人脸的结构信息，也能够提升网络在遮挡、光照不理想情况下的鲁棒性。与此同时，在训练的早期阶段，形状损失函数的权重设置得比关键点真值损失函数权重更大，使面部关键点的变化较为平滑，更容易被模型学习，在之后的训练中通过逐渐减小形状损失函数的权重，引导模型将后期训练学习任务集中在人脸的局部特征上，有助于提升模型的精度。
[0018]本专利技术的方法及系统还在现有ShuffleNet模型的基础上，在基本单元后增加全局池化层，并将这些全局池化层通过连接层连接，能够使用网络不同层次中不同抽象程度的特征，同时因为池化层不需要参数训练，又能够避免过拟合、降低模型复杂程度。
附图说明
[0019]图1是本专利技术的人脸关键点检测模型的训练流程图；图2是本专利技术的改进ShuffleNet网络的结构示意图；图3是本专利技术的改进ShuffleNet网络的基本单元的结构示意图。
具体实施方式
[0020]下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。
[0021]在下述介绍中提供了本申请的多个实施例，不同实施例之间可以替换或者合并组合，因此本申请也可认为包含所记载的相同和/或不同实施例的所有可能组合。因而，如果一个实施例包含特征A、B、C，另一个实施例包含特征B、D，那么本申请也应视为包括含有A、B、C、D的一个或多个所有其他可能的组合的实施例，尽管该实施例可能并未在以下内容中有明确的文字记载。
[0022]下面的描述提供了示例，并且不对权利要求书中阐述的范围、适用性或示例进行限制。可以在不脱离本申请内容的范围的情况下，对描述的元素的功能和布置做出改变。各个示例可以适当省略、替代或添加各种过程或组件。例如所描述的方法可以以所描述的顺序不同的顺序来执行，并且可以添加、省略或组合各种步骤。此外，可以将关于一些示例描述的特征组合到其他示例中。
[0023]首先在第一方面，本申请提供一种人脸关键点检测方法，使用如下步骤训练的人脸关键点检测模型，训练流程图如图1所示。
[0024]S1、获取人脸关键点数据集，人脸关键点数据集包括人脸姿态三维偏角数据、人脸关键点二维坐标数据。
[0025]具体的，方法需要先从人脸数据集中得到匹配模板，在本实施例中，步骤S1可采用人脸关本文档来自技高网...

【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，使用如下步骤训练的人脸关键点检测模型：S1、获取人脸关键点数据集，所述人脸关键点数据集包括人脸姿态三维偏角数据、人脸关键点二维坐标数据；S2、使用所述人脸关键点数据集通过迭代预设次数训练人脸关键点检测模型，训练过程的总损失函数由形状损失函数、偏转损失函数和关键点真值损失函数组成。2.如权利要求1所述的一种人脸关键点检测方法，其特征在于，所述步骤S2中的训练过程中，所述总损失函数中形状损失函数的权重随迭代次数增加而减小。3.如权利要求2所述的一种人脸关键点检测方法，其特征在于，所述形状损失函数的权重初始值大于所述关键点真值损失函数的权重。4.如权利要求2所述的一种人脸关键点检测方法，其特征在于，当所述迭代次数小于所述预设次数的三分之一时，所述形状损失函数的权重为初始值；当所述迭代次数大于等于所述预设次数的三分之一、并小于所述预设次数的三分之二时，所述形状损失函数的权重为所述初始值的一半；当所述迭代次数大于等于所述预设次数的三分之二时，所述形状损失函数的权重为所述初始值的四分之一。5.如权利要求1所述的一种人脸关键点检测方法，其特征在于，所述形状损失函数的计算方法为：将所有人脸关键点数据集平均化后得到平均形状，所述平均形状中包括若干关键点坐标；分别计算每个预测结果与所述平均形状中每个关键点坐标的均方差，并得到每个预测结果中所述均方差的均值，然后将全部预测结果中所述均方差的均值再次取均值。6.如权利要求1所述的一种人脸...

【专利技术属性】
技术研发人员：齐畅，
申请(专利权)人：天翼云科技有限公司，
类型：发明
国别省市：