[发明专利]一种训练皱纹检测模型的方法及相关装置

说明书

本发明实施例涉及目标检测技术领域，尤其涉及一种训练皱纹检测模型的方法及相关装置，该方法根据所述边界框位置、所述皱纹位置、所述最小闭包面积以及所述并集面积，来计算所述边界框位置与所述皱纹位置之间的位置偏差，能更好的反映所述边界框位置和所述皱纹位置的重合度。在此基础上，将所述位置偏差用于计算所述第一标签和所述检测结果之间的误差，并根据所述误差反向调整所述预设卷积神经网络的模型参数，可以使得所述模型参数得到更好的优化，从而，得到的皱纹检测模型更加准确。

技术领域

本发明实施例涉及目标检测技术领域，尤其涉及一种训练皱纹检测模型及相关装置。

背景技术

脸部皱纹检测技术越来越多地应用在多个领域中。例如，在化妆品研发领域中，需要针对不同的脸部皱纹特征，设计化妆产品或者推荐用户相应的化妆品。又例如，在照片美化特效领域中，需要针对不同的脸部皱纹进行不同程度的美化特效。又例如，在人脸识别中，需要根据脸部皱纹作为用户特征以验证用户身份。

当前较为常见的脸部皱纹检测技术，是通过人脸关键特征点分割出皱纹集中出现的区域，然后采用颜色规则以及二值化等处理方法对皱纹集中区域进行处理得到皱纹结果。然而，容易受脸部本身存在的一些因素的干扰，比如头发丝、粗大毛孔等的干扰。另外，只能识别出是否有皱纹，然后，不能识别出皱纹的种类。也即，没有对皱纹的类别进行精细化研究。

发明内容

本发明实施例主要解决的技术问题是提供一种训练皱纹检测模型的方法及相关装置，训练出的皱纹检测模型能快速准确地直接对皱纹进行分类及定位。

为解决上述技术问题，第一方面，本发明实施例中提供给了一种训练皱纹检测模型的方法，包括：

获取包括人脸的图像样本；

根据所述图像样本，截取人脸区域图像，所述人脸区域图像标注有第一标签，其中，所述第一标签包括所述图像样本中的皱纹的皱纹位置和皱纹类别；

将标注有所述第一标签的人脸区域图像作为训练样本，输入预设卷积神经网络，以获取所述预设卷积神经网络输出的所述训练样本的检测结果，所述检测结果包括所述预设卷积神经网络识别出的所述训练样本中皱纹对应的边界框位置、所述边界框位置对应的皱纹属于各个皱纹类别的概率以及所述边界框位置对应的置信度；

根据所述边界框位置、所述皱纹位置，计算所述边界框位置和所述皱纹位置的最小闭包面积，以及，所述边界框位置和所述皱纹位置的并集面积；

根据所述边界框位置、所述皱纹位置、所述最小闭包面积以及所述并集面积，计算所述边界框位置与所述皱纹位置之间的位置偏差；

根据所述边界框位置、所述皱纹位置、所述位置偏差、所述皱纹类别、所述概率以及所述边界框位置对应的置信度，计算所述第一标签和所述检测结果之间的误差；

根据所述误差，反向调整所述预设卷积神经网络的模型参数，以获取皱纹检测模型。

在一些实施例中，所述根据所述边界框位置、所述皱纹位置、所述最小闭包面积以及所述并集面积，计算所述边界框位置与所述皱纹位置之间的位置偏差，包括：

计算所述最小闭包面积与所述并集面积之间的绝对差值；

计算所述边界框位置与所述皱纹位置之间的交并比，所述交并比用于反馈所述边界框位置与所述皱纹位置之间的重叠程度；

将所述交并比减去第一比值，得到所述位置偏差，所述第一比值为所述绝对差值与所述最小闭包面积的比值。

在一些实施例中，所述根据所述边界框位置、所述皱纹位置、所述位置偏差、所述皱纹类别、所述概率以及所述边界框位置对应的置信度，计算所述第一标签和所述检测结果之间的误差，包括：

根据以下公式计算所述第一标签和所述检测结果之间的误差：