[发明专利]一种基于深度学习的带中继监督的序列化人脸关键点检测方法

摘要

本发明公开了一种基于深度学习的带中继监督的序列化人脸关键点检测方法，包括如下步骤：给定已检测出的人脸图像，设计出一种由多模块组成的级联网络结构，该结构通过对各模块的中继监督，实现了关键点的序列化预测；结合软极大值函数在输出的关键点热图上计算关键点坐标的期望，完成热图回归向基于关键点坐标的数值坐标回归的转化，充分发挥了两种回归方法各自的优势。本发明一方面克服了热图回归方法不能端到端进行训练的缺陷，另一方面省去了额外的数据处理过程，加快了模型训练过程，提升了算法效率；在进行数值坐标回归时采用一种新的分段损失函数，最终获得了较高的定位准确度。

主权项

1.一种基于深度学习的带中继监督的序列化人脸关键点检测方法，其特征在于，包括如下步骤：(1)在训练时，手工标定人脸关键点作为训练样本，预先给定标定好或检测出的人脸框，对于每个人脸框，精确标定出每个关键点在框内的二维坐标；(2)根据人脸框对训练样本进行数据预处理，包括数据增强操作以及数据归一化；(3)设计基于中继监督的序列化检测模型，该模型是由三个级联的卷积神经网络模块组成，并且每个阶段的模块都输出大小相同的特征图作为预测关键点响应图；(4)在每个阶段输出的关键点热图上采用软极大值函数，得到预测关键点位置，采用新的分段损失函数根据预测的关键点坐标计算每一阶段的损失值，并将三个阶段的损失值之和作为整个模型的损失值；分段损失函数定义如下：其中，(‑w,w)是该函数的非线性区，w为非负数，a控制非线性部分的曲率，C＝w²‑wln(1+w/a)是线性部分和非线性部分的分界点；(5)在测试时，对于输入的待检测的人脸图像，先进行人脸检测得到人脸框位置，再根据人脸框对图像进行相应预处理，接着将图像送入步骤(3)中的序列化检测模型中获得精确的人脸关键点位置。