[发明专利]人脸关键点检测模型的训练方法及设备、可读存储介质

权利要求书

1.人脸关键点检测模型的训练方法，其特征在于，所述人脸关键点检测模型包括第一神经网络模型、第二神经网络模型，所述人脸关键点检测模型的训练方法包括：

获取原始人脸样本图像集；

对所述原始人脸样本图像集进行数据增强处理，得到第一人脸样本训练集；

根据所述第一人脸样本训练集对所述第一神经网络模型进行训练，并根据训练好的所述第一神经网络模型对所述原始人脸样本图像集进行人脸检测，得到第一人脸样本图像集；

对所述第一人脸样本图像集进行姿态角计算、数据增强处理，得到第二人脸样本训练集；

根据所述第二人脸样本训练集对所述第二神经网络模型进行训练。

2.根据权利要求1所述的人脸关键点检测模型的训练方法，其特征在于，所述对所述原始人脸样本图像集进行数据增强处理，得到第一人脸样本训练集，包括：

对所述原始人脸样本图像集进行放缩处理和\或镜像处理和\或旋转处理，以对所述原始人脸样本图像集进行数据增强处理，并得到所述第一人脸样本训练集。

3.根据权利要求2所述的人脸关键点检测模型的训练方法，其特征在于，所述根据所述第一人脸样本训练集对所述第一神经网络模型进行训练，并根据训练好的所述第一神经网络模型对所述原始人脸样本图像集进行人脸检测，得到第一人脸样本图像集，还包括：

根据损失函数对所述第一神经网络模型输出、第一人脸样本训练集标注数据进行计算处理，并得到第一损失值；

根据所述第一损失值进行实时回传梯度，以对所述第一神经网络模型的模型权重进行更新，直至所述第一损失值趋于稳定；

根据训练好的所述第一神经网络模型对所述原始人脸样本图像集进行人脸检测，得到所述第一人脸样本图像集。

4.根据权利要求3所述的人脸关键点检测模型的训练方法，其特征在于，所述根据所述第二人脸样本训练集对所述第二神经网络模型进行训练，还包括：

根据损失函数对所述第二神经网络模型输出、第二人脸样本训练集标注数据进行计算处理，并得到第二损失值；

根据所述第二损失值进行实时回传梯度，以对所述第二神经网络模型的模型权重进行更新，直至所述第二损失值趋于稳定。

5.根据权利要求4所述的人脸关键点检测模型的训练方法，其特征在于，所述第一神经网络模型，包括：

图像初始特征提取网络，用于对所述第一人脸样本训练集进行初始特征提取处理，得到初始特征；

感受野优化模块，所述感受野优化模块的输入端与所述图像初始特征提取网络的输出端连接，用于对所述初始特征进行二次特征提取处理得到感受野优化特征；

多尺度特征提取网络，所述多尺度特征提取网络的输入端与所述感受野优化模块的输出端连接，用于对感受野优化特征进行多尺度特征提取处理并得到所述第一神经网络特征输出。

6.根据权利要求5所述的人脸关键点检测模型的训练方法，其特征在于，所述图像初始特征提取网络包括至少一个图像初始特征提取网络单元；

所述图像初始特征提取网络单元包括：

向量卷积网络单元，用于对所述第一人脸样本训练集进行卷积运算；

归一化网络单元，与所述向量卷积网络单元连接，用于对所述向量卷积网络单元的输出进行归一化处理；

线性修正网络单元，与所述归一化网络单元连接，用于对所述归一化网络单元的输出进行线性修正处理。

7.根据权利要求6所述的人脸关键点检测模型的训练方法，其特征在于，所述感受野优化特征包括多个感受优化子特征，所述感受野优化模块包括：

第一感受野优化分支，用于对所述初始特征进行特征提取处理得到第一感受优化子特征；

第二感受野优化分支，用于对所述初始特征进行特征提取处理得到第二感受优化子特征；

第三感受野优化分支，用于对所述初始特征进行特征提取处理得到第三感受优化子特征；

第四感受野优化分支，用于对所述初始特征进行特征提取处理得到第四感受优化子特征。