[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

说明书

本发明涉及人脸关键点检测方法、装置、计算机设备及存储介质，该方法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。本发明通过对初始人脸图像进行预处理后，利用呈级联式的初级卷积神经网络模型和二级卷积神经网络模型进行人脸关键点检测，先进行关键点预测，再针对预测的关键点进行再次卷积神经网络处理和回归处理，以得到目标关键点，实现提高人脸关键点的检测准确性。

技术领域

本发明涉及人脸检测方法，更具体地说是指人脸关键点检测方法、装置、计算机设备及存储介质。

背景技术

人脸关键点检测技术包括定位并返回人脸五官与轮廓的关键点坐标位置。关键点包括人脸轮廓、眼睛、眉毛、嘴唇以及鼻子轮廓。其具有很强的现实意义，比如在智能家居、交通领域均有很大的实用价值，是人脸识别方面不可或缺的成分，虽然现阶段存在FaceNet一类的不需要人脸矫正的人脸识别技术，但是主流的人脸识别算法任然需要人脸关键点检测，以此来进行人脸矫正，进而提取和比对特征，达到识别的目的，在人脸检测算法还存在一大挑战，即检测精度和速度问题。

现有的人脸关键点检测方法有两种，一种是基于传统方法，自己设计特征，再对特征进行回归，得到人脸关键点，代表算法有机器学习库DLIB和LBF3000(局部特征，Localbinary feature)等，由于是自主设计特征，对于特征点的提取容易出现偏差，因此导致检测结果准确性不高；另外一种是基于深度学习的回归方法，使用卷积神经网络对人脸图像进行特征点直接提取，网络自己决定选取那种高维特征进行学习，此类方法由于是单级回归的方式，也存在准确率低的问题。

因此，有必要设计一种新的方法，实现提高人脸关键点的检测准确性。

发明内容

本发明的目的在于克服现有技术的缺陷，提供人脸关键点检测方法、装置、计算机设备及存储介质。

为实现上述目的，本发明采用以下技术方案：人脸关键点检测方法，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。

其进一步技术方案为：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。

其进一步技术方案为：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。

其进一步技术方案为：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。

其进一步技术方案为：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；