System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及深度学习,尤其涉及一种模型训练方法、人脸关键点定位方法、装置、设备及介质。
技术介绍
1、精准护肤的前提是精准检测,精准检测为精准护肤提供了可靠的保证,对于皮肤分析来说,人脸关键点检测的准确性非常重要,通过面部特征定位技术可以进一步分析人脸特定区域肤质,尤其是同一用户跨时序(时间段)同一区域皮肤的分析。
2、目前,深度学习方法在人脸关键点定位的表现最为突出,主要分为两类:直接坐标回归和基于热图的回归,基于热图的回归克服了直接坐标回归缺乏空间和上下文信息的缺点。且最终特征点学习方向是与人工标注的标准对齐,更多关注的是绝对误差。而精准护肤检测更多的是关注同一用户在不同时间段,不同姿态,不同光照下的相对误差,所以现有的方法受环境等的影响,存在的定位误差会更高。
技术实现思路
1、本专利技术实施例提供了一种模型训练方法、人脸关键点定位方法、装置、设备及介质,能够实现优化人脸关键点定位误差的效果。
2、第一方面,本专利技术实施例提供了一种模型训练方法,包括:
3、对原始人脸图像进行数据增强处理,获得第一样本图像和第二样本图像;
4、将所述第一样本图像和所述第二样本图像分别输入到预先构建的特征提取模型中,获得第一输出结果和第二输出结果;
5、当训练迭代次数未达到设定的迭代次数阈值时,根据所述第一输出结果、所述第二输出结果与真实关键点标签的绝对坐标损失函数训练所述特征提取模型,获得初始关键点检测模型;
6、当训
7、所述特征提取模型包括骨干网络和若干个注意力掩膜分支网络,所述骨干网络由预处理模块、残差模块、残差块和沙漏模块堆叠而成,每个所述残差块分别与一个所述注意力掩膜分支网络相连,所述注意力掩膜分支网络至少包括并行连接的边缘热图模块、地标热图模块和坐标模块。
8、第二方面,本专利技术实施例提供了一种人脸关键点定位方法,包括:
9、获取待检测人脸图像;
10、将所述待检测人脸图像输入到目标关键点检测模型中进行检测,确定所述待检测人脸图像中的人脸关键点坐标,所述目标关键点检测模型采用如第一方面实施例所述的模型训练方法进行训练得到。
11、第三方面,本专利技术实施例提供了一种模型训练装置,包括:
12、增强处理模块,用于对原始人脸图像进行数据增强处理,获得第一样本图像和第二样本图像;
13、图像输入模块,用于将所述第一样本图像和所述第二样本图像分别输入到预先构建的特征提取模型中,获得第一输出结果和第二输出结果;
14、第一训练模块,用于当训练迭代次数未达到设定的迭代次数阈值时,根据所述第一输出结果、所述第二输出结果与真实关键点标签的绝对坐标损失函数训练所述特征提取模型,获得初始关键点检测模型;
15、第二训练模块,用于当训练迭代次数达到设定的迭代次数阈值后,根据所述第一输出结果与所述第二输出结果的相对坐标损失函数以及所述绝对坐标损失函数训练所述初始关键点检测模型,获得目标关键点检测模型;
16、所述特征提取模型包括骨干网络和若干个注意力掩膜分支网络,所述骨干网络由预处理模块、残差模块、残差块和沙漏模块堆叠而成,每个所述残差块分别与一个所述注意力掩膜分支网络相连,所述注意力掩膜分支网络至少包括并行连接的边缘热图模块、地标热图模块和坐标模块。
17、第四方面,本专利技术实施例提供了一种人脸关键点定位装置,包括:
18、图像获取模块,用于获取待检测人脸图像;
19、图像检测模块,用于将所述待检测人脸图像输入到目标关键点检测模型中进行检测,确定所述待检测人脸图像中的人脸关键点坐标,所述目标关键点检测模型采用如第一方面实施例所述的模型训练方法进行训练得到。
20、第五方面,本专利技术实施例还提供一种电子设备,包括:
21、至少一个处理器;以及与所述至少一个处理器通信连接的存储器;
22、其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,所述计算机程序被所述至少一个处理器执行,以使所述至少一个处理器能够执行如第一方面实施例所述的模型训练方法或者第二方面实施例所述的人脸关键点定位方法。
23、第四方面,本专利技术实施例还提供一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行如第一方面实施例所述的模型训练方法或者第二方面实施例所述的人脸关键点定位方法。
24、上述技术方案,在特征提取模型的骨干网络中引入一种注意力方式可以得到训练样本图像的多个尺度特征,同时基于注意力掩膜分支网络可以得到各向异性的注意力掩膜,集中在关键点的区域及其相邻点连接的局部边缘上,从而优化关键点定位误差。另外,在模型训练时,借鉴了时序中人脸面部的变化,采用一种相对坐标损失函数,一起与绝对坐标损失函数联合训练模型,让模型更多的关注到时序中人脸关键点的稳定性,从而减小关键点定位误差,提高模型进行关键点定位的准确性。
25、应当理解,本部分所描述的内容并非旨在标识本专利技术的实施例的关键或重要特征,也不用于限制本专利技术的范围。本专利技术的其它特征将通过以下的说明书而变得容易理解。
本文档来自技高网...【技术保护点】
1.一种模型训练方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述对原始人脸图像进行数据增强处理,获得第一样本图像和第二样本图像,包括:
3.根据权利要求1所述的方法,其特征在于,将所述第一样本图像和所述第二样本图像记为训练样本图像,将所述第一输出结果和所述第二输出结果记为训练输出结果;
4.根据权利要求3所述的方法,其特征在于,所述将所述训练样本图像输入到所述骨干网络中,获得第一尺度特征、第二尺度特征和第三尺度特征,包括:
5.根据权利要求3所述的方法,其特征在于,所述将所述第一尺度特征、所述第二尺度特征和所述第三尺度特征分别输入至对应的所述注意力掩膜分支网络中,获得训练输出结果,包括:
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一边缘热图模块输出、所述第一地标热图模块输出、所述第一坐标模块输出、所述第二边缘热图模块输出、所述第二地标热图模块输出、所述第二坐标模块输出、所述第三边缘热图模块输出、所述第三地标热图模块输出和所述第三坐标模块输出,确定第一融合结果、第二融合结果和第三融合结
7.根据权利要求6所述的方法,其特征在于,
8.根据权利要求1所述的方法,其特征在于,所述根据所述第一输出结果、所述第二输出结果与真实关键点标签的绝对坐标损失函数训练所述特征提取模型,获得初始关键点检测模型,包括:
9.根据权利要求1所述的方法,其特征在于,所述根据所述第一输出结果与所述第二输出结果的相对坐标损失函数以及所述绝对坐标损失函数训练所述初始关键点检测模型,获得目标关键点检测模型,包括:
10.一种人脸关键点定位方法,其特征在于,包括:
11.一种模型训练装置,其特征在于,包括:
12.一种人脸关键点定位装置,其特征在于,包括:
13.一种电子设备,其特征在于,包括:
14.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-10任一项所述方法。
...【技术特征摘要】
1.一种模型训练方法,其特征在于,包括:
2.根据权利要求1所述的方法,其特征在于,所述对原始人脸图像进行数据增强处理,获得第一样本图像和第二样本图像,包括:
3.根据权利要求1所述的方法,其特征在于,将所述第一样本图像和所述第二样本图像记为训练样本图像,将所述第一输出结果和所述第二输出结果记为训练输出结果;
4.根据权利要求3所述的方法,其特征在于,所述将所述训练样本图像输入到所述骨干网络中,获得第一尺度特征、第二尺度特征和第三尺度特征,包括:
5.根据权利要求3所述的方法,其特征在于,所述将所述第一尺度特征、所述第二尺度特征和所述第三尺度特征分别输入至对应的所述注意力掩膜分支网络中,获得训练输出结果,包括:
6.根据权利要求5所述的方法,其特征在于,所述根据所述第一边缘热图模块输出、所述第一地标热图模块输出、所述第一坐标模块输出、所述第二边缘热图模块输出、所述第二地标热图模块输出、所述第二坐标模块输出、所述第三边缘热图模块输出、所述第三地...
【专利技术属性】
技术研发人员:王念欧,郦轲,刘文华,万进,李昌松,刘耀鹏,
申请(专利权)人:深圳市宗匠科技有限公司,
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。