[发明专利]一种人脸关键点识别检测的方法和系统

说明书

本发明提出一种人脸关键点识别检测的方法和系统，基于深度学习网络的精简设计，对于检测网络，将SSD网络中的Conv操作改成Depthwise Conv，另外将模型通道数减少为原来的的50%，降低模型参数量和提升推断速度。

技术领域

本发明涉及人脸图像技术识别检测领域，尤其涉及一种人脸关键点识别检测的方法和系统。

背景技术

人脸关键点检测是指从给定的人脸图像中检测诸如眼球中心、眼角、鼻尖、嘴角、人脸轮廓等部位的关键点，在现有的技术中，诸如MTCNN等二维人脸图像的人脸关键点检测，都是成熟的技术和算法。耗时较长，终端应用场景下，精度不高，识别使用会带来诸多不变。

发明内容

为了解决上述问题，本发明提供一种人脸关键点识别检测的方法和系统，以实现上述缺陷，所述方法包括：

步骤S1：构建人脸图片集训练人脸检测SSD网络和MobileNet-V3回归网络，修改输出模型为tflite格式。

步骤S2：输入含人脸图片，调节图片尺寸和转换格式为RGB格式，并把RGB数据归一化到[-1,1]，其中，图片尺寸缩放到160×160。

步骤S3：加载所述tflite格式的两个模型，并初始化。

步骤S4：将所述归一化后的图片数据组输入至人脸检测SSD网络，检测图片各个人脸的方框位置。

步骤S5：按照所述各个人脸方框位置截取人脸，获取各个人脸区域图片。

步骤S6：将所述各个人脸区域图片输入精简版MobileNet-V3回归网络，识别检测获取对应的人脸关键点。

本发明提供一种人脸关键点识别检测的系统，所述系统包括：

识别网络模块：构建人脸图片集训练人脸检测SSD网络和MobileNet-V3回归网络，修改输出模型为tflite格式。

调节模块：输入含人脸图片，调节图片尺寸和转换格式为RGB格式，并把RGB数据归一化到[-1,1]，其中，图片尺寸缩放到160×160。

初始化模块：加载所述tflite格式的两个模型，并初始化。

检测模块：将所述归一化后的图片数据组输入至人脸检测SSD网络，检测图片各个人脸的方框位置。

截取模块：按照所述各个人脸方框位置截取人脸，获取各个人脸区域图片。

获取模块：将所述各个人脸区域图片输入精简版MobileNet-V3回归网络，识别检测获取对应的人脸关键点。

本发明提出一种人脸关键点识别检测的方法和系统，基于深度学习网络的精简设计，对于检测网络，将SSD网络中的Conv操作改成Depthwise Conv，另外将模型通道数减少为原来的的50%，降低模型参数量和提升推断速度。为尽量降低精度的损失，采用知识蒸馏的方法改进训练过程。对于关键点回归网络，同样为了降低参数量和计算量，从MobileNet-V3模型的中段导出特征图，并采用Average Pooling压缩特征图的大小，紧跟着1x1 Conv降低通道数，输入全连接网络，计算关键点的位置，在应用场景下（主要是在手机端），通过两个精简版模型的结合，能在损失约30%精度的代价下，将速度提升80%。

附图说明

图1示出了本发明的一种人脸关键点识别检测的方法流程图。

图2示出了本发明的一种人脸关键点识别检测的系统流程图。

具体实施方式

参照图1，本发明提供一种人脸关键点识别检测的方法，所述方法包括：

步骤S1：构建人脸图片集训练人脸检测SSD网络和MobileNet-V3回归网络，修改输出模型为tflite格式。