[發(fā)明專(zhuān)利]一種基于采樣卷積的人臉關(guān)鍵點(diǎn)檢測(cè)方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201811410129.4
• 申請(qǐng)日: 2018-11-23
• 公開(kāi)（公告）號(hào): CN109740426B
• 公開(kāi)（公告）日: 2020-11-06
• 發(fā)明（設(shè)計(jì)）人: 黃亮;徐瀅
• 申請(qǐng)（專(zhuān)利權(quán)）人: 成都品果科技有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/46;G06K9/62
• 代理公司: 成都玖和知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 51238
• 代理人: 胡琳梅

本發(fā)明公開(kāi)一種基于采樣卷積的人臉關(guān)鍵點(diǎn)檢測(cè)方法，屬于圖像檢測(cè)技術(shù)領(lǐng)域，該方法包括以下步驟：S1、獲取包含人臉的灰度圖像，并利用人臉檢測(cè)算法獲取所述灰度圖像中的人臉框；S2、準(zhǔn)備訓(xùn)練集，將訓(xùn)練集圖像中所有人臉進(jìn)行普魯克分析，得到平均人臉關(guān)鍵點(diǎn)；S3、將平均人臉關(guān)鍵點(diǎn)按步驟S1獲取的人臉框尺寸放大后，得到初始人臉關(guān)鍵點(diǎn)；S4、利用訓(xùn)練生成的網(wǎng)絡(luò)模型更新人臉關(guān)鍵點(diǎn)，得到最終的人臉關(guān)鍵點(diǎn)；通過(guò)在關(guān)鍵點(diǎn)附近進(jìn)行點(diǎn)卷積，不斷迭代更新結(jié)果，在保證精度的同時(shí)，進(jìn)一步提高了計(jì)算速度。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像檢測(cè)技術(shù)領(lǐng)域，特別是涉及一種基于采樣卷積的人臉關(guān)鍵點(diǎn)檢測(cè)方法。

背景技術(shù)

深度學(xué)習(xí)近年發(fā)展迅猛，以神經(jīng)網(wǎng)絡(luò)為代表，解決了諸多領(lǐng)域以前難以解決的問(wèn)題。人臉關(guān)鍵點(diǎn)檢測(cè)是人臉對(duì)齊前最重要的一步，在基于人臉識(shí)別(face recognizaton)技術(shù)的應(yīng)用領(lǐng)域中，關(guān)鍵點(diǎn)檢測(cè)在人臉識(shí)別上起到重要作用；同樣，關(guān)鍵點(diǎn)的質(zhì)量直接關(guān)系到檢測(cè)器識(shí)別目標(biāo)的效率。

人臉關(guān)鍵點(diǎn)檢測(cè)方法大致分為三種，分別是基ASM(Active Shape Model)和AAM(Active Appearnce Model)的傳統(tǒng)方法，基于級(jí)聯(lián)形狀回歸的方法，以及基于深度學(xué)習(xí)的方法。

當(dāng)前，人臉關(guān)鍵點(diǎn)的檢測(cè)算法中以深度學(xué)習(xí)效果最好，其中大部分算法用到了卷積神經(jīng)網(wǎng)絡(luò)，而卷積運(yùn)算通常比較耗時(shí)，一部分研究者開(kāi)始在小圖上使用卷積網(wǎng)絡(luò)進(jìn)行檢測(cè)，以便提高計(jì)算速度，但是犧牲的是精度。因此，目前還沒(méi)有一種算法能較好的兼顧計(jì)算速度和精度。

發(fā)明內(nèi)容

為了解決上述問(wèn)題，本發(fā)明提供一種基于采樣卷積的人臉關(guān)鍵點(diǎn)檢測(cè)方法，通過(guò)在關(guān)鍵點(diǎn)附近進(jìn)行點(diǎn)卷積，不斷迭代更新結(jié)果，在保證精度的同時(shí)，進(jìn)一步提高了計(jì)算速度。為此，本發(fā)明采用的技術(shù)方案是：

提供一種基于采樣卷積的人臉關(guān)鍵點(diǎn)檢測(cè)方法，該方法包括以下步驟：

S1、獲取包含人臉的灰度圖像，并利用人臉檢測(cè)算法獲取所述灰度圖像中的人臉框；

S2、準(zhǔn)備訓(xùn)練集，將訓(xùn)練集圖像中所有人臉進(jìn)行普魯克分析，得到平均人臉關(guān)鍵點(diǎn)S_std；

S3、將S_std按步驟S1獲取的人臉框尺寸放大后，得到初始人臉關(guān)鍵點(diǎn)S₀；

S4、利用訓(xùn)練生成的網(wǎng)絡(luò)模型更新人臉關(guān)鍵點(diǎn)S_i，得到最終的人臉關(guān)鍵點(diǎn)；其中i∈[1,It]，i表示第i次迭代，It為迭代次數(shù)，取值范圍為1-10，S_It即為最終的人臉關(guān)鍵點(diǎn)；

所述更新的具體步驟如下：

S41、利用采樣卷積算法對(duì)S_i-1處的圖像進(jìn)行特征提取，得到特征向量

S42、計(jì)算人臉關(guān)鍵點(diǎn)偏差ΔS_i；

S43、利用所述人臉關(guān)鍵點(diǎn)偏差更新人臉關(guān)鍵點(diǎn)S_i，即S_i＝S_i-1+ΔS_i。

步驟S1中的人臉檢測(cè)算法為本領(lǐng)域常用的人臉檢測(cè)算法以及現(xiàn)有的人臉檢測(cè)器均可，例如基于直方圖粗分割和奇異值特征的人臉檢測(cè)算法和基于AdaBoost算法的人臉檢測(cè)等。

進(jìn)一步的是，步驟S4中，所述網(wǎng)絡(luò)模型的訓(xùn)練過(guò)程包括：

以所述步驟S2中的訓(xùn)練集為訓(xùn)練樣本，所述訓(xùn)練集中的訓(xùn)練數(shù)據(jù)為灰度圖像以及對(duì)應(yīng)的人臉關(guān)鍵點(diǎn)S，以Sⁿ表示第n個(gè)人臉的關(guān)鍵點(diǎn)信息；所述訓(xùn)練過(guò)程按照迭代次數(shù)分別訓(xùn)練，每次迭代的訓(xùn)練完成后，在此結(jié)果基礎(chǔ)上進(jìn)行下一次迭代的訓(xùn)練，每次訓(xùn)練的過(guò)程如下：