[发明专利]人脸关键点检测方法、装置、计算机设备及存储介质

权利要求书

1.人脸关键点检测方法，其特征在于，包括：

获取初始人脸图像；

对初始人脸图像进行预处理，以得到待检测人脸图像；

通过初级卷积神经网络模型对待检测人脸图像进行关键点预测，以得到预测的人脸关键点；

通过二级卷积神经网络模型对预测的人脸关键点进行再次检测，以得到目标关键点；所述初级卷积神经网络模型是通过随机输入的人脸图像以及关键点标注信息作为训练数据输入卷积神经网络进行训练所得的模型；

所述二级卷积神经网络模型是通过随机输入的人脸图像以及关键点标注信息作为训练数据输入卷积神经网络进行训练所得的模型；

所述初级卷积神经网络模型是通过随机输入的人脸图像以及关键点标注信息作为训练数据输入卷积神经网络进行训练所得的模型，包括：

获取随机输入的人脸图像以及关键点标注信息；

将人脸图像输入至第一U型结构的Hourglass网络内；

通过第一U型结构的Hourglass网络的卷积核对人脸图像进行卷积，以得到第一特征图；

对第一特征图进行下采样，以得到第一下采样特征图；

对第一下采样特征图进行上采样，以得到第一人脸特征；

对所述第一人脸特征采用Loss函数进行回归处理，以得到第一处理结果；

利用第一处理结果对所述人脸图像以及关键点标注信息进行坐标转换，以得到第一转换矩阵；

利用第一转换矩阵与所述人脸图像以及关键点标注信息进行比较，以得到第一比较结果；

根据所述第一比较结果调整U型结构的Hourglass网络，以得到初级卷积神经网络模型；

其中，对Hourglass网络进行8次叠加，以得到第一U型结构的Hourglass网络；

所述二级卷积神经网络模型是通过随机输入的人脸图像以及关键点标注信息作为训练数据输入卷积神经网络进行训练所得的模型，包括：

获取随机输入的人脸图像以及关键点标注信息；

将人脸图像输入至第二U型结构的Hourglass网络内；

通过第二U型结构的Hourglass网络的卷积核对人脸图像进行卷积，以得到第二特征图；

对第二特征图进行下采样，以得到第二下采样特征图；

对第二下采样特征图进行上采样，以得到第二人脸特征；

对所述第二人脸特征采用Loss函数进行回归处理，以得到第二处理结果；

利用第二处理结果对所述人脸图像以及关键点标注信息进行坐标转换，以得到第一转换矩阵；

利用第二转换矩阵与所述人脸图像以及关键点标注信息进行比较，以得到第二比较结果；

根据所述第二比较结果调整U型结构的Hourglass网络，以得到二级卷积神经网络模型；

所述第二U型结构的Hourglass网络的卷积核是第一U型结构的Hourglass网络的卷积核的一半。

2.根据权利要求1所述的人脸关键点检测方法，其特征在于，所述对初始人脸图像进行预处理，以得到待检测人脸图像，包括：

根据初始人脸图像获取初始关键点数据集；

选取符合要求的初始关键点数据集，并存储至配置文件内，以得到待检测人脸图像。