[发明专利]人脸特征点检测方法、装置、计算机设备及存储介质

说明书

本发明公开了一种人脸特征点检测方法、装置、计算机设备及存储介质。所述方法包括：按照预设的划分比例，将样本数据集划分为训练数据集和测试数据集；使用训练数据集对包含K个并行卷积层、拼接层和全局池化层的人脸检测模型进行训练；使用测试数据集对人脸检测模型进行测试，并根据测试结果计算人脸检测模型对人脸特征点的定位准确率；若定位准确率小于预设的准确率阈值，则重新对样本数据集进行划分，并重新训练和测试，直到定位准确率大于或者等于预设的准确率阈值为止；将待检测的人脸图片输入训练好的人脸检测模型进行计算，得到人脸图片的特征点预测结果。本发明的技术方案能有效提高人脸检测模型对人脸特征点的定位能力和预测准确率。

技术领域

本发明涉及计算机领域，尤其涉及一种人脸特征点检测方法、装置、计算机设备及存储介质。

背景技术

目前，人脸识别已经被广泛应用在各种实际应用中，通过人脸识别进行身份验证也逐渐成为常用的身份验证方式，在人脸识别过程中，人脸特征点的检测是人脸识别及相关应用的前提和基础。

在现有的对人脸特征点进行检测的深度模型设计过程中，为了适用于实际应用场景，耗费较少的执行时间，通常需要将深度模型设计成小模型，但是，现有的采用这种小模型设计方式的深度模型预测能力差，预测准确率不高，使模型无法准确定位模糊人脸、大角度人脸、夸张表情人脸等人脸的特征点。

发明内容

本发明实施例提供一种人脸特征点检测方法、装置、计算机设备及存储介质，以解决目前深度模型对人脸特征点的预测准确率较低的问题。

一种人脸特征点检测方法，包括：

获取样本数据集，其中，所述样本数据集包含人脸样本图片和每个所述人脸样本图片的人脸特征点标注信息；

按照预设的划分比例，将所述样本数据集划分为训练数据集和测试数据集；

使用所述训练数据集对初始人脸检测模型进行训练，得到训练过的人脸检测模型，其中，所述初始人脸检测模型为包含K个并行卷积层、拼接层和全局池化层的卷积神经网络，每个所述并行卷积层具有不同预设尺度的视觉感知范围，K为大于等于3的正整数；

使用所述测试数据集对所述训练过的人脸检测模型进行测试，并根据测试结果计算所述训练过的人脸检测模型对人脸特征点的定位准确率；

若所述定位准确率小于预设的准确率阈值，则重新对所述样本数据集中的所述人脸样本图片进行划分，得到新的训练数据集和新的测试数据集，并使用所述新的训练数据集对所述训练过的人脸检测模型进行训练，以更新所述训练过的人脸检测模型，使用所述新的测试数据集对所述训练过的人脸检测模型进行测试，直到所述定位准确率大于或者等于所述预设的准确率阈值为止；

若所述定位准确率大于或等于所述预设的准确率阈值，则将定位准确率大于或等于所述预设的准确率阈值的所述训练过的人脸检测模型确定为训练好的人脸检测模型；

获取待检测的人脸图片；

将所述待检测的人脸图片输入所述训练好的人脸检测模型进行计算，得到所述人脸图片的特征点预测结果，其中，所述特征点预测结果包括目标特征点的属性信息和位置信息。

一种人脸特征点检测装置，包括：

第一获取模块，用于获取样本数据集，其中，所述样本数据集包含人脸样本图片和每个所述人脸样本图片的人脸特征点标注信息；

样本划分模块，用于按照预设的划分比例，将所述样本数据集划分为训练数据集和测试数据集；

模型训练模块，用于使用所述训练数据集对初始人脸检测模型进行训练，得到训练过的人脸检测模型，其中，所述初始人脸检测模型为包含K个并行卷积层、拼接层和全局池化层的卷积神经网络，每个所述并行卷积层具有不同预设尺度的视觉感知范围，K为大于等于3的正整数；