[發(fā)明專(zhuān)利]基于圖像的目標(biāo)點(diǎn)位置檢測(cè)方法、裝置、電子設(shè)備

有效

• 申請(qǐng)?zhí)枺?/td>: 201910185907.2
• 申請(qǐng)日: 2019-03-12
• 公開(kāi)（公告）號(hào): CN110069985B
• 公開(kāi)（公告）日: 2020-08-28
• 發(fā)明（設(shè)計(jì)）人: 柴振華;賴申其
• 申請(qǐng)（專(zhuān)利權(quán)）人: 北京三快在線科技有限公司
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62
• 代理公司: 北京潤(rùn)澤恒知識(shí)產(chǎn)權(quán)代理有限公司 11319
• 代理人: 莎日娜

1.一種基于圖像的目標(biāo)點(diǎn)位置檢測(cè)方法，其特征在于，包括：

獲取標(biāo)注有真實(shí)目標(biāo)點(diǎn)位置的若干圖像樣本；

通過(guò)神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)根據(jù)變量計(jì)算所述神經(jīng)網(wǎng)絡(luò)模型的損失值，并以所述損失值最小為目標(biāo)調(diào)整所述神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，訓(xùn)練所述神經(jīng)網(wǎng)絡(luò)模型；其中，所述損失函數(shù)被配置為相對(duì)于變量的絕對(duì)值單調(diào)遞增，所述損失函數(shù)對(duì)應(yīng)的梯度函數(shù)為單調(diào)遞減函數(shù)且所述梯度函數(shù)的值大于1并在所述變量趨近于無(wú)窮大時(shí)逐漸趨近于1；所述變量用于表示真實(shí)值和預(yù)測(cè)值之間的差值，所述真實(shí)值基于標(biāo)注的所述真實(shí)目標(biāo)點(diǎn)位置確定，所述預(yù)測(cè)值通過(guò)所述神經(jīng)網(wǎng)絡(luò)模型對(duì)各所述圖像樣本進(jìn)行預(yù)測(cè)得到；

通過(guò)訓(xùn)練得到的所述神經(jīng)網(wǎng)絡(luò)模型，對(duì)輸入的圖像進(jìn)行目標(biāo)點(diǎn)位置檢測(cè)。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述損失函數(shù)表示為：

其中，α是超參數(shù)，用于控制損失函數(shù)的變化快慢；x是變量，表示所述預(yù)測(cè)值和所述真實(shí)值之間的差值。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)模型的最后一層全連接層包括第一分支網(wǎng)絡(luò)和第二分支網(wǎng)絡(luò)，所述訓(xùn)練所述神經(jīng)網(wǎng)絡(luò)模型的步驟，包括：

以所述圖像樣本的真實(shí)目標(biāo)點(diǎn)位置作為真實(shí)值，通過(guò)由所述神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)根據(jù)變量計(jì)算所述神經(jīng)網(wǎng)絡(luò)模型的第一損失值，并以所述第一損失值最小為目標(biāo)調(diào)整所述神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，對(duì)所述神經(jīng)網(wǎng)絡(luò)模型的主干網(wǎng)絡(luò)和第一分支網(wǎng)絡(luò)的各層參數(shù)進(jìn)行一階段訓(xùn)練；

對(duì)目標(biāo)點(diǎn)位置進(jìn)行分組；

對(duì)于每組目標(biāo)點(diǎn)位置，分別執(zhí)行以下操作：

以各所述圖像樣本的預(yù)測(cè)誤差作為真實(shí)值對(duì)相應(yīng)圖像樣本進(jìn)行標(biāo)注，通過(guò)由所述神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)根據(jù)變量計(jì)算所述神經(jīng)網(wǎng)絡(luò)模型的第二損失值，并以所述第二損失值最小為目標(biāo)調(diào)整所述神經(jīng)網(wǎng)絡(luò)模型第二分支網(wǎng)絡(luò)的參數(shù)，對(duì)所述神經(jīng)網(wǎng)絡(luò)模型的所述全連接層中第二分支網(wǎng)絡(luò)的參數(shù)進(jìn)行二階段訓(xùn)練，其中，所述圖像樣本的預(yù)測(cè)誤差為一階段訓(xùn)練得到的所述神經(jīng)網(wǎng)絡(luò)模型對(duì)所述圖像樣本進(jìn)行預(yù)測(cè)得到的預(yù)測(cè)值與相應(yīng)圖像樣本的真實(shí)目標(biāo)點(diǎn)位置之間的差值。

4.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述對(duì)目標(biāo)點(diǎn)位置進(jìn)行分組的步驟，包括：

根據(jù)所述真實(shí)目標(biāo)點(diǎn)位置對(duì)應(yīng)的歸一化平均誤差，對(duì)所述真實(shí)目標(biāo)點(diǎn)位置進(jìn)行分組。

5.根據(jù)權(quán)利要求3所述的方法，其特征在于，所述對(duì)目標(biāo)點(diǎn)位置進(jìn)行分組的步驟，包括：

根據(jù)所述真實(shí)目標(biāo)點(diǎn)位置之間的相關(guān)性或空間距離，對(duì)所述真實(shí)目標(biāo)點(diǎn)位置進(jìn)行分組。

6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述神經(jīng)網(wǎng)絡(luò)模型為瘦殘差網(wǎng)絡(luò)，所述神經(jīng)網(wǎng)絡(luò)模型的卷積層采用N×N的濾波器，其中，N為大于2且小于6的整數(shù)。

7.根據(jù)權(quán)利要求1至6任一項(xiàng)所述的方法，其特征在于，所述獲取標(biāo)注有真實(shí)目標(biāo)點(diǎn)位置的若干圖像樣本的步驟，包括：

獲取標(biāo)注有真實(shí)人臉關(guān)鍵點(diǎn)位置的若干圖像樣本；

所述通過(guò)訓(xùn)練得到的所述神經(jīng)網(wǎng)絡(luò)模型，對(duì)輸入的圖像進(jìn)行目標(biāo)點(diǎn)位置檢測(cè)的步驟，進(jìn)一步包括：

所述通過(guò)訓(xùn)練得到的所述神經(jīng)網(wǎng)絡(luò)模型，對(duì)輸入的圖像進(jìn)行人臉關(guān)鍵點(diǎn)位置檢測(cè)。

8.一種基于圖像的目標(biāo)點(diǎn)位置檢測(cè)裝置，其特征在于，包括：

圖像樣本獲取模塊，用于獲取標(biāo)注有真實(shí)目標(biāo)點(diǎn)位置的若干圖像樣本；

模型訓(xùn)練模塊，用于通過(guò)神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)根據(jù)變量計(jì)算所述神經(jīng)網(wǎng)絡(luò)模型的損失值，并以所述損失值最小為目標(biāo)調(diào)整所述神經(jīng)網(wǎng)絡(luò)模型的參數(shù)，訓(xùn)練所述神經(jīng)網(wǎng)絡(luò)模型；其中，所述損失函數(shù)被配置為相對(duì)于變量的絕對(duì)值單調(diào)遞增，所述損失函數(shù)對(duì)應(yīng)的梯度函數(shù)為單調(diào)遞減函數(shù)且所述梯度函數(shù)的值大于1并在所述變量趨近于無(wú)窮大時(shí)逐漸趨近于1；所述變量用于表示真實(shí)值和預(yù)測(cè)值之間的差值，所述真實(shí)值基于標(biāo)注的所述真實(shí)目標(biāo)點(diǎn)位置確定，所述預(yù)測(cè)值通過(guò)所述神經(jīng)網(wǎng)絡(luò)模型對(duì)各所述圖像樣本進(jìn)行預(yù)測(cè)得到；

目標(biāo)點(diǎn)位置檢測(cè)模塊，用于通過(guò)訓(xùn)練得到的所述神經(jīng)網(wǎng)絡(luò)模型，對(duì)輸入的圖像進(jìn)行目標(biāo)點(diǎn)位置檢測(cè)。