[发明专利]用于生成人脸关键点检测模型的方法和装置

权利要求书

1.一种用于生成人脸关键点检测模型的方法，包括：

获取样本集，其中，所述样本集中的样本包括人脸图像和人脸图像中的人脸关键点的标注信息；

将所述样本集中的人脸图像输入至预先训练的第一人脸关键点检测模型，得到所输入的人脸图像的人脸关键点检测结果，以及在所述得到所输入的人脸图像的人脸关键点检测结果之后，对于所述样本集中的样本，将该样本中的人脸图像的人脸关键点检测结果与该样本中的标注信息进行相似度计算，删除所述样本集中相似度计算结果小于预设数值的样本，以对所述样本集进行更新；

利用机器学习方法，将样本集中的人脸图像作为输入，将所输入的人脸图像的人脸关键点检测结果作为输出，训练得到第二人脸关键点检测模型。

2.根据权利要求1所述的用于生成人脸关键点检测模型的方法，其中，所述利用机器学习方法，将样本集中的人脸图像作为输入，将所输入的人脸图像的人脸关键点检测结果作为输出，训练得到第二人脸关键点检测模型，包括：

从更新后的样本集中提取样本，执行如下训练步骤：将所提取的样本中的人脸图像输入至第二卷积神经网络，得到第二卷积神经网络输出的信息；将第二卷积神经网络输出的信息与输入的人脸图像的人脸关键点检测结果输入至预先建立的损失函数，得到所提取的样本的损失值；基于所述损失值与目标值的比较，确定第二卷积神经网络是否训练完成；响应于确定第二卷积神经网络训练完成，将训练后的第二卷积神经网络确定为第二人脸关键点检测模型。

3.根据权利要求2所述的用于生成人脸关键点检测模型的方法，其中，所述利用机器学习方法，将样本集中的人脸图像作为输入，将所输入的人脸图像的人脸关键点检测结果作为输出，训练得到第二人脸关键点检测模型，还包括：

响应于确定第二卷积神经网络未训练完成，基于所述损失值，更新第二卷积神经网络中的参数，从所述样本集中重新提取样本，使用更新参数后的第二卷积神经网络作为第二卷积神经网络，继续执行所述训练步骤。

4.根据权利要求1所述的用于生成人脸关键点检测模型的方法，其中，所述第一人脸关键点检测模型通过如下步骤训练得到：

将目标样本集中的人脸图像作为第一卷积神经网络的输入，将所输入的人脸图像中的人脸关键点的标注信息作为所述第一卷积神经网络的输出，利用机器学习方法对所述第一卷积神经网络进行训练，将训练后的卷积神经网络确定为第一人脸关键点检测模型。

5.根据权利要求1-4之一所述的用于生成人脸关键点检测模型的方法，其中，所述第二人脸关键点检测模型的模型结构的复杂度小于所述第一人脸关键点检测模型的模型结构的复杂度。

6.一种用于生成人脸关键点检测模型的装置，包括：

获取单元，被配置成获取样本集，其中，所述样本集中的样本包括人脸图像和人脸图像中的人脸关键点的标注信息；

输入单元，被配置成将所述样本集中的人脸图像输入至预先训练的第一人脸关键点检测模型，得到所输入的人脸图像的人脸关键点检测结果，以及在所述得到所输入的人脸图像的人脸关键点检测结果之后，对于所述样本集中的样本，将该样本中的人脸图像的人脸关键点检测结果与该样本中的标注信息进行相似度计算，删除所述样本集中相似度计算结果小于预设数值的样本，以对所述样本集进行更新；

训练单元，被配置成利用机器学习方法，将样本集中的人脸图像作为输入，将所输入的人脸图像的人脸关键点检测结果作为输出，训练得到第二人脸关键点检测模型。

7.根据权利要求6所述的用于生成人脸关键点检测模型的装置，其中，所述训练单元进一步被配置成：

从更新后的样本集中提取样本，执行如下训练步骤：将所提取的样本中的人脸图像输入至第二卷积神经网络，得到第二卷积神经网络输出的信息；将第二卷积神经网络输出的信息与输入的人脸图像的人脸关键点检测结果输入至预先建立的损失函数，得到所提取的样本的损失值；基于所述损失值与目标值的比较，确定第二卷积神经网络是否训练完成；响应于确定第二卷积神经网络训练完成，将训练后的第二卷积神经网络确定为第二人脸关键点检测模型。