[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

说明书

本申请公开了一种人脸关键点检测模型的训练方法及计算机可读存储介质、设备。本申请的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；根据第一人脸样本训练集对第一神经网络模型进行训练，并根据训练好的第一神经网络模型对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；根据第二人脸样本训练集对第二神经网络模型进行训练。本申请所提供的人脸关键点检测模型的训练方法可提高人脸关键点检测模型的关键点定位精准度，减小模型体积。

技术领域

本申请涉及图像处理技术领域，尤其涉及一种人脸关键点检测模型的训练方法及计算机可读存储介质、设备。

背景技术

在相关技术中，通过人工构造的算法对图像进行处理以进行特征生成，而一般的算法对于多样性场景的适应性较弱，例如，穷举搜索的关键点定位方式在一定程度上限制了其运算效率。

而在深度学习网络技术的应用中，由于受训练样本样本分布、人脸尺度大小、人脸姿态多样性等因素影响，导致人脸关键点定位不准确，且模型过大不便于进行边缘设备的部署。

发明内容

本申请旨在至少解决现有技术中存在的技术问题之一。为此，本申请提出一种人脸关键点检测模型的训练方法及计算机可读存储介质、设备，本申请所提供的人脸关键点检测模型的训练方法可有效提高人脸关键点检测模型对关键点定位精准度。

本申请实施例第一方面提供一种人脸关键点检测模型的训练方法，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，并进行数据增强处理，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。

本申请实施例中人脸关键点检测模型的训练方法包括如下技术效果：通过对样本数据进行分别进行数据增强处理、数据扩充处理，并根据处理后得到的数据对人脸关键点检测模型进行逐级训练，以提高第一神经网络模型对于人脸检测的准确度、第二神经网络模型的关键点定位精度。

在一些实施例中，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。

在一些实施例中，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，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，得到第一人脸样本图像集。

在一些实施例中，所述根据所述第一人脸样本图像集对所述第二神经网络模型进行训练，包括：

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：