[發明專利]人臉檢測模型的訓練方法、人臉關鍵點的檢測方法和裝置

有效

• 申請號: 201811367129.0
• 申請日: 2018-11-16
• 公開（公告）號: CN109508678B
• 公開（公告）日: 2021-03-30
• 發明（設計）人: 陳德健
• 申請（專利權）人: 廣州市百果園信息技術有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00
• 代理公司: 北京品源專利代理有限公司 11332
• 代理人: 孟金喆

1.一種人臉檢測模型的訓練方法，其特征在于，包括：

獲取訓練人臉圖像；

基于預設的三維人臉模型對所述訓練人臉圖像進行三維重建，得到訓練三維人臉模型；

根據所述訓練三維人臉模型，生成包含所述訓練三維人臉模型的三維坐標的訓練UV坐標圖；

提取訓練人臉圖像；

將所述訓練人臉圖像輸入語義分割網絡中提取預測UV坐標圖；

采用預設損失函數和所述訓練UV坐標圖對所述預測UV坐標圖計算損失率；

采用所述損失率計算梯度；

判斷所述梯度是否滿足預設的迭代條件；

若是，則確定所述語義分割網絡為人臉檢測模型；

若否，采用所述梯度與預設的學習率對所述語義分割網絡的網絡參數進行梯度下降，返回提取訓練人臉圖像的步驟；

所述基于預設的三維人臉模型對所述訓練人臉圖像進行三維重建，得到訓練三維人臉模型，包括：

選取M個三維人臉模型；

對所述M個三維人臉模型進行主成分分析，得到主成分分量矩陣和特征值矩陣；

針對每個訓練人臉圖像，采用所述主成分分量矩陣和所述特征值矩陣進行三維重建，得到訓練三維人臉模型。

2.如權利要求1所述的方法，其特征在于，在對所述M個三維人臉模型進行主成分分析，得到主成分分量矩陣和特征值矩陣之前，包括：

對選取的三維人臉模型進行預處理；

采用光流法對預處理后的三維人臉模型進行對齊，得到對齊后的三維人臉模型；

其中，所述預處理包括如下至少一種：平滑處理、補洞處理和坐標矯正。

3.如權利要求1或2所述的方法，其特征在于，所述針對每個訓練人臉圖像，采用所述主成分分量矩陣和所述特征值矩陣進行三維重建，得到訓練三維人臉模型，包括：

設置初始特征值矩陣和初始投影參數矩陣；

采用所述初始特征值矩陣和所述主成分分量矩陣構建初始三維人臉模型；

基于所述初始投影參數矩陣，獲取所述初始三維人臉模型在二維空間的投影人臉圖像；

計算所述投影人臉圖像與所述訓練人臉圖像之間的差異值；

根據所述差異值，采用隨機梯度下降法分別對所述初始特征值矩陣和所述初始投影參數矩陣進行迭代優化，獲得所述差異值收斂時的特征值矩陣和投影參數矩陣，作為目標特征值矩陣和目標投影參數矩陣；

采用所述目標特征值矩陣和所述主成分分量矩陣生成訓練三維人臉模型。

4.如權利要求3所述的方法，其特征在于，所述根據所述差異值，采用隨機梯度下降法分別對所述初始特征值矩陣和所述初始投影參數矩陣進行迭代優化，獲得所述差異值收斂時的特征值矩陣和投影參數矩陣，作為目標特征值矩陣和目標投影參數矩陣，包括：

針對前N輪迭代優化，在所述訓練人臉圖像和所述投影人臉圖像中隨機選取K個特征點；

根據所述K個特征點計算所述投影人臉圖像與訓練人臉圖像之間的差異值；

根據所述差異值，采用隨機梯度下降法對所述初始特征值矩陣中的部分特征值和所述初始投影參數矩陣進行迭代優化；

在N輪迭代優化后，采用隨機梯度下降法對所有特征值和所述初始投影參數矩陣進行優化，獲得所述差異值收斂時的特征值矩陣和投影參數矩陣，作為目標特征值矩陣和目標投影參數矩陣。

5.如權利要求1-2任一項所述的方法，其特征在于，所述根據所述訓練三維人臉模型，生成包含所述訓練三維人臉模型的三維坐標的訓練UV坐標圖，包括：

獲取所述訓練三維人臉模型的頂點，所述頂點具有三維坐標；

將所述頂點投影至預設球面上，得到頂點在所述球面上的投影點；

對包含所述投影點的球面進行展開處理，以生成包含所述投影點的訓練UV坐標圖；其中，所述訓練UV坐標圖中的每個投影點關聯有所述頂點的三維坐標。

6.如權利要求1所述的方法，其特征在于，所述采用預設損失函數和所述訓練UV坐標圖對所述預測UV坐標圖計算損失率，包括：

獲取所述訓練人臉圖像對應的訓練UV坐標圖；

采用所述訓練UV坐標圖、所述預測UV坐標圖、預設損失函數以及預設損失權重計算損失率，其中，所述預設損失權重為預設特征點的權重。