[發明專利]一種人臉特征點定位方法及裝置

有效

• 申請號: 201711288351.7
• 申請日: 2017-12-07
• 公開（公告）號: CN108182384B
• 公開（公告）日: 2020-09-29
• 發明（設計）人: 李運濤;王剛;朱樹磊
• 申請（專利權）人: 浙江大華技術股份有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04
• 代理公司: 北京同達信恒知識產權代理有限公司 11291
• 代理人: 黃志華

1.一種人臉特征提取方法，其特征在于，包括：

獲取待檢測人臉圖像；

通過深度卷積神經網絡模型的第i個卷積模塊中的第一卷積層，將所述深度卷積神經網絡模型的第i-1個卷積模塊處理得到的人臉特征圖基于多組權重進行融合，得到第一特征圖；所述i從2開始取遍不大于所述深度卷積神經網絡模型包括的卷積模塊總數的正整數；其中，當所述i等于1時，第1個卷積模塊中的第一卷積層對所述待檢測人臉圖像基于多組權重進行融合，得到第一特征圖；

通過所述第i個卷積模塊中的第二卷積層，將所述第一特征圖再次基于多組權重進行融合，得到第二特征圖；

通過所述第i個卷積模塊中的第三卷積層提取所述第一特征圖中的人臉輪廓特征以及五官特征，得到第三特征圖，所述第三卷積層為包含有可分離的深度卷積和點卷積的MobileNets單元；

通過所述第i個卷積模塊中的融合層，將所述第二特征圖與所述第三特征圖進行融合，得到第i個卷積模塊處理后的人臉特征圖；

將所述深度卷積神經網絡模型的最后一個卷積模塊處理得到的人臉特征圖作為所述待檢測人臉圖像的人臉特征圖。

2.如權利要求1所述的方法，其特征在于，通過所述第i個卷積模塊的第三卷積層提取所述第一特征圖中的人臉輪廓特征以及五官特征，得到第三特征圖，包括：

針對每個所述第一特征圖，將該第一特征圖與所述第三卷積層的卷積核進行卷積得到一個卷積結果，并對該卷積結果進行批規范化BN算法以及修正線性單元ReLU函數處理；

將所有經過BN算法以及ReLU處理后的卷積結果基于多組權重進行合并，并對將合并的結果進行BN算法以及ReLU函數處理，得到所述第三特征圖。

3.如權利要求2所述的方法，其特征在于，在通過所述第i個卷積模塊的融合層，將所述第二特征圖與所述第三特征圖進行融合之后，所述方法還包括：

通過所述第i個卷積模塊中的池化層對所述融合層處理得到的結果進行降維處理，得到第i個卷積模塊處理后的人臉特征圖。

4.如權利要求1所述的方法，其特征在于，在獲取待檢測人臉圖像之后，所述方法還包括：

將所述待檢測人臉圖像進行亮度歸一化處理。

5.一種基于權利要求1～4任一項所述的人臉特征提取方法的人臉特征點定位方法，其特征在于，包括：

將所述待檢測人臉圖像的人臉特征圖通過深度卷積神經網絡模型的全卷積層進行處理，得到多個特征值；所述多個特征值分別用于表征所述待檢測人臉圖像中包括的多個人臉特征點的實際位置與初始位置之間的位置偏差；

基于所述多個特征值調整所述待檢測人臉圖像中包括的多個人臉特征點的初始位置，得到所述待檢測人臉圖像中包括的多個人臉特征點的實際位置；

基于得到的所述多個人臉特征點的實際位置重構人臉圖像作為新的待檢測人臉圖像，重新通過所述深度卷積神經網絡模型進行處理；

將第P次通過所述深度卷積神經網絡模型進行處理后所得到的人臉特征點的實際位置作為所述待檢測人臉圖像中包括的多個人臉特征點的最終位置。

6.如權利要求5所述的方法，其特征在于，在獲取待檢測人臉圖像之后，所述方法還包括：

將所述待檢測人臉圖像進行仿射變換處理，得到所述待檢測人臉圖像的正臉圖像；

在基于所述多個特征值調整所述待檢測人臉圖像中包括的多個人臉特征點的初始位置，得到所述待檢測人臉圖像中包括的多個人臉特征點的實際位置之后，所述方法還包括：

對所述多個人臉特征點的實際位置進行所述仿射變換處理的反變換處理。