[发明专利]一种图像识别方法、存储介质及终端设备

权利要求书

1.一种图像识别方法，其特征在于，所述图像识别方法：

获取待处理人脸图像，并将所述待处理人脸图像输入至图像识别模型，其中，所述待处理人脸图像为二维图像，所述图像识别模型为基于训练样本训练的，所述训练样本集中的每一训练样本组均包括人脸图像、真实人脸参数以及真实三维人脸特征点集；

通过所述图像识别模型确定所述待处理人脸图像对应的人脸参数以及三维人脸特征点集。

2.根据权利要求1所述的图像识别方法，其特征在于，所述方法还包括：

根据所述人脸参数以及所述预设人脸三维模型生成所述待处理人脸图像对应的三维人脸图像；

将所述三维人脸特征点集中各人脸特征点标记于所述三维人脸图像上。

3.根据权利要求2所述图像识别方法，其特征在于，所述待处理人脸图像对应的人脸参数包括所述待处理人脸图像中人脸对应的对齐参数以及预设人脸三维模型的模型参数；所述根据所述人脸参数以及所述预设人脸三维模型生成所述待处理人脸图像对应的三维人脸图像具体包括：

根据所述模型参数以及所述预设人脸三维模型生成候选三维人脸图像；

根据所述对齐参数对所述候选三维人脸图像进行调整，以得到所述三维人脸图像。

4.根据权利要求1所述图像识别方法，其特征在于，所述对齐参数包括旋转系数以及平移系数，所述模型参数包括人脸脸型系数以及人脸表情系数。

5.根据权利要求1-4任一所述的图像识别方法，其特征在于，所述图像识别模型的训练过程具体包括：

预设网络模型根据训练样本集中的人脸图像，生成所述人脸图像对应的预测人脸参数以及预测三维人脸特征点集；

所述预设网络模型根据所述人脸图像对应的真实人脸参数和所述人脸图像对应的预测人脸参数，以及所述人脸图像对应的真实三维人脸特征点集以及预测三维人脸特征点集对所述预设网络模型的模型参数进行修正；

所述预设网络模型继续执行根据训练样本集中的下一组训练样本中的人脸图像，生成所述人脸图像对应的预测人脸参数以及预测三维人脸特征点集的步骤，直至所述预设网络模型的训练情况满足预设条件，以得到所述图像识别模型。

6.根据权利要求5所述图像识别方法，其特征在于，在所述预设网络模型根据训练样本集中的人脸图像，生成所述人脸图像对应的预测人脸参数以及预测三维人脸特征点集，之前，所述方法还包括获取所述训练样本集；

所述获取所述训练样本集具体包括：

选取初始数据集，其中，所述初始数据集包括多组初始数据，每组初始数据包括人脸图像以及所述人脸图像的二维人脸特征点集；

针对于所述初始数据集中的每张人脸图像，根据该人脸图像对应二维人脸特征点集确定该人脸图像对应的真实三维人脸特征点集；

将所述三维人脸特征点集与所述预设三维人脸模型拟合以得到真实人脸参数，并将该人脸图像、所述真实人脸参数以及所述真实三维人脸特征点集作为一训练样本组。

7.根据权利要求5所述图像识别方法，其特征在于，所述预设网络模型包括卷积模块、池化模块以及全连接模块；所述预设网络模型根据训练样本集中的人脸图像，生成所述人脸图像对应的预测人脸参数具体包括：

将所述人脸图像输入至所述卷积模块，通过所述卷积模型输出所述人脸图像的第一特征图像；

将所述第一特征图像输入至池化模块，通过所述池化模块输出所述人脸图像的第二特征图像；

将所述第二特征图像输入至全连接模块，通过所述全连接模块输出所述预测人脸参数以及预测三维人脸特征点集。

8.根据权利要求7所述图像识别方法，其特征在于，所述卷积模块包括依次堆叠的六个卷积层，各卷积层的卷积核均为3*3。